Complejidad Y Epidemias

Publicado por en mayo 2, 2015 el Blog | 0 comentarios

complejidad_epidemias

 

 

El mundo globalizado en que vivimos con sus grandes progresos en conectividad, comunicaciones e intercambios frecuentes entre personas, enfrenta al mismo tiempo la propagación de enfermedades, comportamientos o ideas que en forma de epidemias se transmiten rápidamente por los grupos sociales. La amenaza de epidemias que en siglos anteriores produjeron un gran número de enfermos y la consecuente cantidad de fallecidos, o de nuevas enfermedades y comportamientos peligrosos es muy real.

 

El virus de la Inmunodeficiencia Adquirida (VIH-SIDA), el SARS, el cólera, la Influenza H1N1, el dengue, la malaria, la leptospirosis, legionella, virus de Ebola, obesidad, diabetes, drogadicción, están entre las reales o potenciales epidemias que la humanidad sigue enfrentando en este siglo XXI.

 

El surgimiento de las Ciencias de la Complejidad y su aplicación en la epidemiología y en la medicina parece brindar un enfoque promisorio para el enfrentamiento de las epidemias. En esta ocasión, en COEVOLUCION.NET presentamos algunos fragmentos de importantes artículos sobre el tema y enlaces a Videos y otros documentos relacionados, que esperamos les sean útiles.

 

Iván Tercero Talavera

 

 

 

La investigación en medicina: un nuevo enfoque basado en Sistemas Complejos

 

Dr. José Luis Mateos

…..

….

….

 

Redes de mundo pequeño y redes complejas

Imaginemos la sociedad como una red; en matemáticas ésta se define como un conjunto de puntos o nodos, unidos entre sí por enlaces. Si hay un conjunto de puntos, es posible unirlos de diferentes maneras: enlazar todos con todos, o bien relacionar sólo un punto con sus vecinos más cercanos o unir los puntos al azar. Todas estas posibilidades dan como resultado diferentes tipos de redes. Por ejemplo, en la figura 1 se muestra una red integrada por 20 nodos que forman un círculo.

 

 

red-ordenada

Figura 1. Red Ordenada.

 

red-mundo-pequeño

Figura 2. Red de Mundo Pequeño.

 

red-aleatoria

Figura 3. Red Aleatoria.

 

Finalmente, se ha descubierto otro tipo de redes que en la actualidad se están estudiando con mucho detalle y que tienen una enorme variedad de aplicaciones. Nos referimos a las llamadas redes complejas, que fueron introducidas en 1999 por Albert-László Barabási y Reka Albert. En la figura 4 se muestra una red compleja.

 

red-compleja

Figura 4. Red compleja.

 

En esta trama, la conectividad de cada nodo varía sustancialmente, es decir, en la red compleja hay nodos que tienen muy pocas conexiones o enlaces, otros que en cambio poseen un número intermedio de enlaces y por último están los nodos con muchos enlaces. Para que una red sea compleja, se necesita, además, que los nodos con pocos enlaces sean más numerosos que los que tienen muchos enlaces. Por ejemplo, en la figura 4 se puede apreciar que muchos nodos tienen sólo uno o dos enlaces, algunos cuantos poseen 5 o 6, y unos pocos, 15 o 20 enlaces. Estos últimos son la clave de las redes complejas, ya que representan nodos muy conectados, que se denominan conectores.

 

Dichos conectores actúan de tal manera que le confieren a las redes complejas la propiedad de mundo pequeño. Es decir, si en la red de la figura 4 tomo dos nodos, los puedo conectar entre sí con pocos enlaces si uso como intermediarios a los conectores. Ya que las redes sociales son complejas, entonces los conectores serían lo que llamaríamos personas muy relacionadas socialmente, es decir, que son muy populares y que tienen muchos amigos y contactos. Por medio de ellos es como tratamos de establecer nuevos contactos en la dinámica social. En nuestra vida cotidiana hacemos lo siguiente: buscamos a alguien que nos conecte con personas importantes y muy bien relacionadas para que éstas a su vez nos contacten con el tipo de personas que buscamos, ya sea para establecer una relación afectiva o hacer un negocio. De esta forma navegamos en la red social de manera empírica sin conocer en detalle su geometría.

 

Las redes complejas, como el entramado social, son dinámicas. El número de enlaces entre cada individuo en la red cambia con el tiempo al ir conociendo nuevas personas. Recientemente se han empezado a modelar redes dinámicas para representar estos cambios, en vez de considerar redes estáticas como la que se aprecia en la figura 4, en la cual el número de enlaces que tiene cada nodo permanece fijo. La dinámica que genera redes complejas asigna nuevos enlaces con mayor probabilidad a los nodos que están más conectados; se trata de un proceso llamado enlazamiento preferente. Es decir, si una persona está muy conectada, tiene más probabilidades de adquirir nuevos enlaces con mayor frecuencia que quien está muy poco conectada. De esta forma se hace más marcada la diferencia entre los individuos que integran la red social, en un proceso parecido al fenómeno 80–20, en donde el 20% de los individuos acumulan el 80% de las conexiones y viceversa, el 80% de las personas en la red posee sólo el 20% restante.

 

Redes complejas y sistemas de salud: epidemias en un mundo pequeño

 

Procederemos ahora a ver algunas implicaciones de las ideas inherentes a las redes complejas y redes de mundo pequeño en el marco de un sistema de salud. En particular nos enfocaremos a describir posibles aplicaciones a la epidemiología y a las estrategias de vacunación.

 

Las epidemias se propagan de diferentes maneras. El virus de la gripe lo hace de un individuo a otro a través del aire y no es necesario un contacto físico entre ellos. Si queremos modelar la diseminación de este virus, podremos suponer que el contagio puede ocurrir aun entre personas que no se conocen. Por ejemplo, si viajo en el transporte público y otro individuo a unos metros de distancia tiene gripe, me puede contagiar, a pesar de que no lo conozco y ni siquiera lo he visto. De esta forma, si modelamos la propagación del virus de la gripe podemos suponer, en una primera aproximación, que todas las personas son igualmente susceptibles de contagio, independientemente de la estructura de la red social. Sin embargo, existen otros virus que se difunden a través de la red social, como es el caso del virus VIH del SIDA.

 

Los modelos tradicionales en epidemiología son del tipo SIR, por sus siglas: Susceptible (S), Infectado (I) y Recuperado (R), y plantean que la población se divide en una parte que está infectada, otra que es susceptible de contagiarse y otra más que se está recuperando después de haber sido infectada. La suma de las tres corresponde a la población total. Así en el modelo, I representa el porcentaje infectado, S corresponde al por ciento de la población susceptible y R al que se halla en recuperación.

 

El modelo comprende un conjunto de ecuaciones que describen la variación de estos porcentajes a través del tiempo (S, I y R). Hay diversas variantes del modelo SIR, pero de manera característica la dinámica se puede describir de la siguiente manera: si un individuo de la población S tiene contacto con otro de la I, entonces, dada su susceptibilidad, se infectará. Como resultado de esto, la población S se reducirá y la I aumentará. Pero además, debido a la infección, después de cierto tiempo es factible que un individuo de la población I fallezca y quede fuera del modelo, o bien se recupere y pase a formar parte de la población R. Cabe suponer que, después de un tiempo esta población puede volver a ser susceptible (S), de lo que se deduce que en algún momento podría pasar a formar parte del grupo I, o bien, que la población R adquiera inmunidad y nunca más vuelva a infectarse, o que muera por esta causa. En cualquiera de estos dos últimos casos el resultado es el mismo conforme al modelo, es decir, una vez que un sujeto llega a ser parte de la población (R), jamás pasa de nuevo a formar parte del grupo poblacional susceptible (S) ni del infectado (I).

 

No obstante, S, I y R variarán continuamente en el tiempo, dependerán del tamaño inicial de cada población y de otros parámetros incluidos en el modelo, como la probabilidad de infección o el tiempo de recuperación. Por ejemplo, en un posible escenario, dados unos porcentajes S e I iniciales, es posible que se termine con una población en la cual todos sus miembros que estaban infectados felizmente se recuperan. Sin embargo, en otro escenario, puede surgir, después de una fase de crecimiento explosiva, una epidemia que afecte a buena parte de la población y que termine por infectar a la mayoría.

 

Debemos considerar que el contagio se produce cuando un individuo susceptible se encuentra con otro infectado. Los modelos usuales suponen que la probabilidad de que ocurra dicho encuentro es proporcional al tamaño de las poblaciones susceptibles e infectadas. De lo anterior se infiere que los encuentros suceden al azar con la misma probabilidad para cada sujeto, como si todos los individuos de las tres poblaciones S, I y R estuvieran mezclados en forma homogénea. Esta suposición puede ser válida en casos como la propagación del virus de la gripe, pero para otros, como el VIH, no resulta realista.

 

Lo antes expuesto nos lleva a pensar en modelos tipo SIR, en los cuales la propagación de la enfermedad ocurre en redes complejas. Es claro que en casos como el SIDA y otras enfermedades de transmisión sexual, la propagación se lleva a cabo a través de la red social, ya que se trata de patologías que se contagian, en la mayoría de los casos, por contacto directo. La trama social sería la siguiente: cada nodo representa a un individuo, y los enlaces que conectan a unos con otros corresponden a las parejas sexuales que han tenido a lo largo de cierto periodo. Por ende habría muchos nodos con un solo enlace para representar a las personas monógamas. En el extremo opuesto, tendríamos algunos nodos con muchos enlaces, que corresponderían a sujetos con muchos compañeros sexuales. Desde luego habría casos intermedios o nodos con un número moderado de enlaces, para simbolizar a personas que a lo largo de un lapso se han relacionado con más de una pareja, pero sin excederse. De este ejemplo podemos colegir que la sociedad humana se puede modelar en forma realista por medio de una red compleja en lo que atañe a los contactos sexuales. Por lo tanto, resulta indispensable estudiar los modelos epidemiológicos por medio de este tipo de redes o de las de mundo pequeño.

 

La investigación en medicina: un nuevo enfoque basado en Sistemas Complejos

 

El eco – en eco-epidemiología

Dana March and Ezra Susser

 

En 1996, Susser y Susser propusieron romper las limitaciones del paradigma de factor de riesgo. Ellos previeron para el futuro una “ecoepidemiología” que reconocería explícitamene la causalidad multinivel y enfatizaría los lazos que unen la epidemiología a la salud pública. Otros abogaron también por una transición en epidemiología y articularon diversas perspectivas sobre lo que debe ser. Desde entonces, estas perspectivas han comenzado a fundirse en una visión común de una epidemiología amplia e integradora, en la que los estudios diseñados para identificar factores de riesgo serían equilibrados con estudios diseñados para responder a otras preguntas igualmente vitales para la salud pública. Estos incluirían estudios de las trayectorias de la salud y la enfermedad sobre el curso de la vida, los efectos de los contextos sociales amplios y estrechos, la propagación de enfermedades transmisibles y comportamientos a través de las poblaciones, las causas genéticas, y las tendencias históricas. Mediante la plena incorporación de estos elementos, la epidemiología podría tener sus raíces en la investigación de las vías por las que las experiencias biológicas y sociales generan la salud y la enfermedad, y estaría equipada para identificar el impacto de los cambios biológicos y sociales en la salud de las poblaciones.

 

La evolución de la epidemiología en la década que siguió atestiguan el movimiento en esta dirección. En el International Journal of Epidemiology, estos elementos están representados y se abrazaron como parte integrante de la disciplina. La tendencia es también evidente, en diversos grados, en otras revistas, conferencias, y la investigación en curso. Es bastante evidente que la identificación de factores de riesgo no será suficiente para los epidemiólogos para hacer frente a algunos de los retos de salud pública más acuciantes de nuestro tiempo, tales como los establecidos por la pandemia del SIDA, las desigualdades sociales, y los movimientos y los cambios en las poblaciones.


 

Transiciones en el pensamiento epidemiológico

 

La idea de Thomas Kuhn del paradigma científico es ampliamente conocida y útil para el reconocimiento de cómo ciertas ideas han alcanzado una posición dominante en épocas sucesivas de la epidemiología. Kuhn se centra en las limitaciones normativas de la cognición científica y la actividad, lo que él llama “paradigmas”. Aunque él analiza las condiciones en las que cambian los paradigmas científicos, no explica cómo se mueve la ciencia de un paradigma a otro. Por el contrario, Ludwik Fleck, quien precedió y anticipó Kuhn, ilumina los procesos intelectuales y sociales subyacentes que provocan a los científicos a cambiar su pensamiento. En este sentido, su obra aborda más directamente la forma en que los paradigmas cambian en la epidemiología.

 

Para Fleck, todos los hechos científicos se desarrollan en el contexto del “pensamiento colectivo”. Estos existen “allí donde dos o más personas están en realidad intercambiando pensamientos … [lo que] crea una condición en la que cada uno emite pensamientos, que no habría sido capaz de producir por sí solo o en compañía diferente”. La cultura científica en general representa un “estilo de pensamiento”. Los estilos de pensamiento tanto dan forma como son conformados por los colectivos de pensamiento.

 

Fleck ilustra el proceso por el cual las ideas se desarrollan dentro de un estilo de pensamiento determinado. Analiza el descubrimiento del agente biológico responsable de la sífilis y el desarrollo de la reacción de Wasserman. Ambos resultaron de la confluencia de varias líneas de pensamiento colectivo, y por lo tanto no se puede atribuir a una sola persona. En las palabras de Fleck: Existe una interacción entre lo que se conoce y el acto de la cognición. Lo que ya se sabe influencia el modo particular de cognición; y la cognición a su vez, amplía, renueva y le da un nuevo significado a lo que ya se conoce. La cognición no es por consiguiente un proceso individual de cualquier “conciencia particular teórica. Más bien es el resultado de una actividad social, ya que el stock existente de conocimiento superior excede a la gama a disposición de cualquier individuo. [ Proponemos que las ideas de Fleck y Kuhn pueden ser integrado de manera significativa para ofrecer una perspectiva sobre las transiciones en el pensamiento epidemiológico.

 

Los orígenes conceptuales de la eco-epidemiología
….

 

Por lo tanto, Morris y Susser consideraron la salud en términos de estados dinámicos influenciados por factores en múltiples niveles, como los celulares, el individuo, la comunidad, y la población. Como dado a entender por Morris y explícitamente articulado por Susser, esto constituía una perspectiva “ecológico” . Según Susser, ” la Ecología comprende las interrelaciones de todos los seres vivos. Epidemiología podría describirse como la ecología humana, o esa gran parte de la ecología humana en relación con los estados de salud. (Para evitar confusiones, observamos que los términos ecológico y eco-epidemiología se han utilizado de diferentes maneras por otros epidemiologos)

 

Morris y Susser participaron en un pensamiento colectivo que considera los elementos centrales de la eco-epidemiología: múltiples niveles de organización, el curso de la vida individual, como se refleja en la consideración de los antecedentes tempranos y conceptos de la encarnación; la misma consideración de las enfermedades transmisibles y no transmisibles, que implica entender las causas infecciosas de enfermedades crónicas, así como los factores de riesgo para las enfermedades infecciosas; la huella del tiempo histórico, y, la relación dinámica entre las causas macro (por ejemplo, el cambio social) y las causas micro (por ejemplo, las mutaciones genéticas). Este pensamiento colectivo se encuentra en un estilo de pensamiento ecológico, evidente en el trabajo de muchos epidemiólogos otros, incluyendo a John Gordon, Gunnar Inghe, Thomas Francis, Jr, Alexander Leighton, Manfred Pflanz Manfred, René Dubos, y John Cassel . Un estilo de pensamiento ecológico se manifiesta también en otras disciplinas durante esta época.

….


The eco- in eco-epidemiology

 

Medicina moderna y ciencias de la complejidad
Emilio Arch-Tirado, Javier Rosado-Muñoz

 

La reciente emergencia sanitaria que vivimos en mayo de 2009 por el virus AH1 N1 nos exige reflexionar sobre nuestra manera de enfrentar problemas de esta magnitud. Este virus de la influenza representa un problema de gran complejidad condicionado por sus formas primarias de contagio, principalmente entre personas que tienen contacto directo con estos animales, casos especiales como el contagio por vísceras de animales recién muertos, los subtipos por las mutaciones de este virus, la propagación de la enfermedad entre humanos (por lo que se cambió el nombre del virus por el de AH1 N1), la resistencia al antiviral oseltamivir, todo ello aunado a la alta conectividad que en la actualidad tienen los seres humanos alrededor del mundo, que ha resultado en una pandemia como la enfrentamos en nuestros días.

 

Es importante mencionar que los instrumentos de medición tradicionales quedaron cortos ante el dinamismo y complejidad de las transmisiones. Dados los avances de la física, la computación y las matemáticas, este problema puede abordarse desde otra perspectiva denominada ciencia de la complejidad.

 

Los sistemas complejos están generados por un conjunto relativamente simple de subprocesos que incluyen la teoría del caos, los cuales permiten una mejor comprensión de los sistemas dinámicos no lineales, como la epidemia que nos ocupa. Cabe aclarar que hasta el momento no se tiene una definición y características precisas de lo que es la complejidad, dado que se trata de un paradigma en construcción, sin embargo, la idea acerca de la complejidad se tenía desde hace siglos; la complejidad parece seguir un camino mediante el cual la energía primordial se transformó en partículas, las partículas se modificaron y una “fuerza” las convirtió en átomos, los átomos en moléculas, las moléculas se polimerizaron en estructuras complejas que se autorreplican. Parece existir también una “fuerza tangencial” que incluye información y conocimiento. Los sistemas dinámicos son sistemas complejos de elementos que interactúan no solamente con los elementos inmersos en el sistema sino también los relacionados con ellos.

 

Es sabido que algunos sistemas operan en forma lineal ya que su acción puede ser predicha por la información referente a su punto de arranque y sus reglas de operación. Sin embargo, muchos sistemas aparentemente determinísticos pueden ser regulados o extremadamente impredecibles. La teoría del caos, por decirlo de alguna manera, cuenta con dos ramas: la primera enfatiza el orden oculto que existe en un sistema, denominado sistema caótico; la segunda se refiere a los procesos de autorregulación y autocontrol espontáneo.

 

Es fundamental recordar al reduccionismo como tendencia de pensamiento, que equivale a disgregar el todo en partes y así conocer sus componentes íntimos, que ha sido la forma de pensamiento hasta que la complejidad (no reduccionismo) ha venido a agregarse como una nueva forma de abordar los problemas en la ciencia, y que podría definirse sintéticamente como “la suma de las partes es no igual al todo, es más que el todo”. Es difícil encontrar otro sistema de la realidad objetiva en el que se haya empleado tan intensamente la concepción reduccionista como el cuerpo humano; así, la reducción del sistema de estudio a las partes más “sencillas” (sistemas, tejidos, células, compuestos proteínicos, moléculas, átomos, etcétera) ha sido la consecuencia del paradigma de la medicina durante milenios.

 

La ciencia continúa avanzando, tal sucede en la física, que ayudada por las computadoras y las matemáticas ha contribuido con la medicina para explorar un nuevo paradigma que después de 700 años sugiere una nueva forma de pensar, ya que el ser humano es mucho más de lo que dijo Aristóteles… En la actualidad disponemos de herramientas promisorias para avanzar en el análisis e interpretación de la realidad no solamente al mundo sino al universo.

 

Los instrumentos de medición tradicionales en ocasiones son inoperantes ante los cambios que se generan por el dinamismo, de tal forma sucede con la salud que suele ser amenazada por diversos factores, como las enfermedades emergentes, que hoy sabemos 75 % es de origen zoonótico, en donde los virus y bacterias mutan por cambios en el medioambiente, contaminación, desperdicios en su mayoría no degradables, residuos de la tecnología, resultando efectos que son consecuencia de gran cantidad de causas, de los cuales surgen problemas complejos.

 

Es importante conceptuar que ya hemos dado el salto de la linealidad y el reduccionismo a los sistemas complejos y dinámicos, que nos proporcionan herramientas para avanzar en la interpretación de fenómenos tales como la epidemiología, las arritmias cardiacas, la economía, entre muchos otros, en donde las modificaciones generadas en las condiciones iniciales de estos sistemas van generando cambios inesperados en sus condiciones finales, resultando casi imposible el control y seguimiento de estos sistemas dinámicos. Se deben producir nuevos modelos matemáticos no lineales que sirvan como herramientas para entender y analizar estos sistemas; se requiere la multidisciplinariedad, procurando evitar la especialidad (aprender a hacer partícipes a biólogos, médicos, sociólogos, antropólogos, ingenieros y otras disciplinas), para abordar los problemas complejos y de esta manera se podrán entender, analizar y solucionar numerosos y variados problemas de este tipo.

 

Por último, es importante señalar que la complejidad es otro escalón de la interminable escalera cognitiva, que dará paso al entendimiento de otra etapa, que nos situará en una nueva conceptuación en nuestra forma de pensar.

 

Es oportuno que una de nuestras tareas sea conocer, difundir y utilizar las herramientas de las ciencias de la complejidad y caos, puesto que representan un notable avance en el conocimiento, otra forma de asomarnos a un nuevo paradigma que implica el inevitable destino de la evolución del hombre.

 

Medicina moderna y ciencias de la complejidad

 

La causalidad compleja: ¿un nuevo paradigma causal en Epidemiología?
RINA MILAGROS RAMIS ANDALIA

 

Uno de los grandes desafíos de la Epidemiología son los estudios de causalidad, tema polémico, debatido y controvertido. Los detractores de la Epidemiología sostienen la incapacidad de esta ciencia para dar respuesta a tal reto y argumentan que los estudios realizados en las investigaciones epidemiológicas analíticas no han sido suficientemente esclarecedores y que la aplicación práctica de sus resultados no ha alcanzado el impacto esperado en lo que respecta a la morbilidad de las enfermedades objeto de estudio; ¿podría ser posible que las inexactitudes que se le atribuyen a la Epidemiología en lo que respecta a los estudios de causalidad, esté relacionada en alguna medida con el modelo de investigación utilizado, que parte del supuesto de que los problemas de salud son simples y lineales?


 

¿SON LOS PROBLEMAS DE SALUD SIMPLES O COMPLEJOS?

 

El concepto de causalidad compleja no niega la existencia de la causalidad lineal, solo permite estudiar un sistema que es complejo en la naturaleza, desde la perspectiva de la complejidad y no desde la perspectiva de la simplicidad, mientras que los sistemas no complejos se pueden seguir estudiando desde la perspectiva de la simplicidad. En la realidad, los problemas son dinámicos, un mismo fenómeno en el tiempo, puede variar desde un estado de equilibrio hacia uno de no equilibrio, la simplicidad y la complejidad, en ocasiones se pueden alternar.

 

En teoría, los sistemas simples o no complejos se reconocen como tales por la trayectoria o dinámicas estables que generan en su movimiento, son sistemas cerrados que se mantienen en estado de equilibrio o muy próximo al mismo, la magnitud de las causas que los provocan se corresponden con efectos de intensidad similares y el tiempo es un factor externo, inherente al proceso o fenómeno que se estudia.

 

Sin embargo los sistemas complejos, son sistemas abiertos sensibles a pequeñas variaciones de sus condiciones iniciales, de sus fluctuaciones internas y/o fluctuaciones externas que los desestabilizan, esta quiebra del viejo equilibrio no termina muchas veces en caos o destrucción, sino en la creación de una estructura totalmente nueva en un nivel superior. Esta nueva estructura puede ser más diferenciada, internamente interactivo y compleja que la antigua, y necesita más energía y materia (y, quizás, información y otros recursos) para sostenerse. Refiriéndose principalmente a reacciones físicas y químicas, pero llamando ocasionalmente la atención sobre fenómenos sociales análogos, Prigogine denomina a estos sistemas nuevos y más complejos, “estructuras disipativas”.

 

En general, los fenómenos psicológicos y sociales tienen propiedades fractales: la conducta imitativa, los procesos de enculturación y de socialización, la organización formal de las empresas, la transmisión de rumores, etcétera.

 

Otra teoría que fundamenta la ciencia de la complejidad es la denominada “Teoría de los conjuntos Borrosos”. Desde la década de los sesenta, y sin entrar en los antecedentes, Lofti A. Zadeh (1965), un ingeniero iraní que trabaja en Berkeley, viene elaborando una teoría de los conjuntos borrosos (fuzzy sets), que trata de formalizar en un modelo lógico y matemático lo impreciso, lo difuminado, lo indeterminado, lo difuso, etcétera.

 

Un conjunto borroso no cumple los principios aristotélicos de contradicción y de tercero excluido. Esto significa que una cosa puede pertenecer y no pertenecer a la vez a un mismo conjunto, simplemente porque los criterios de pertenencia no son nítidos.

 

A partir de ahí, las operaciones lógicas no responden a la estadística de la probabilidad ni por tanto a la frecuencia de un fenómeno, sino que construyen el razonamiento en términos de posibilidad, que son cualitativos y se refieren a las capacidades y virtualidades.

 

El tema de la continuidad y la discontinuidad, que late en la lógica difusa, está también presente en otra teoría, que se mueve en un ámbito muy diferente a aquélla, la llamada “Teoría de las Catástrofes”.

 

Tratando de aplicar en la práctica de nuestra disciplina el enfoque de la complejidad, recientemente retomaba, con estos criterios, un brote epidémico ocurrido en 1992, donde se produjeron infecciones adquiridas en personas operadas en un servicio de oftalmología.

 

Después de valorar las circunstancias diversas que dieron origen a ese problema de salud, a partir de los fundamentos teóricos que aportan las teorías de la complejidad, pienso que se puede plantear la hipótesis siguiente:

 

Se ha producido un brote de IIH (fig. 3) por gérmenes predominantemente gram negativos en un servicio de oftalmología donde se producían lentos, pero consistentes cambios en las condiciones iniciales de diferentes dinámicas que se encontraban interactuando en estado de equilibrio: la dinámica de vida bacteriana autocontrolada y autoorganizada en el medio ambiente, la de las estructuras del globo ocular, las relacionadas con la flora normal de las manos, etcétera.

 

 

pacientes
Fig. 3. Pacientes operados e infectados. Hospital Oftalmológico. 19-25 de noviembre de 1992.
Fuente: Ramis RM. Brote epidémico de endoftalmitis bacteriana. Trabajo para optar por el II Grado de Especialidad. Instituto Nacional de Higiene y Epidemiología. Diciembre, 2003.

 

Al producirse pequeños cambios en las condiciones iniciales (violaciones de las normas habituales), se produjeron grandes alteraciones en esas dinámicas (la infección y su diseminación), con potencial epidémico (contaminación/inflamación/infección/ ecuperación/complicación/minusvalía/enucleación), donde se conjuga lo nuevo (control de las infecciones, cambios en la política de desinfección, uso de nuevos antisépticos, etc.) con lo viejo que ya apareció, intercambiando flujos de masa, energía, información y sentido. Emerge en el salón de operaciones una nueva dinámica de fase, con nuevos órdenes de complejidad autoorganizante de abajo hacia arriba y de regulación de arriba hacia abajo.

 

Para verificar esta hipótesis en los términos en que ha sido enunciada, se necesitan herramientas que permitan estudiar esta realidad desde diferentes enfoques; planteamos entonces que es necesario: reconocer si estamos en presencia de un sistema simple o complejo y buscar instrumentos útiles, para entender y explicar mejor lo que está sucediendo desde la perspectiva de la complejidad y encarar con mayor certeza sus posibles soluciones.

 

Para muchas de estas preguntas aún no tenemos respuestas, lo cierto es que todo parece apuntar a que esta nueva teoría aplicada a las Ciencias de la Salud y especialmente a la Epidemiología, abre un nuevo camino e inexplorado en el cual queda mucho por andar.

 

Consideraciones finales

 

El enfoque de la causalidad basado en la complejidad, propone un modelo de análisis diferente, donde las causas no son ni únicas, ni múltiples, sino complejas. Los modelos teóricos para el abordaje de la causalidad bajo el supuesto de la complejidad no están completamente elaborados, diríamos que se están construyendo en estos momentos, por lo que no existe una extensa documentación en lo que respecta a su aplicación práctica en todas las ramas del saber, esto significa que estamos hablando de una teoría en construcción.

 

Como epistemologías, las teorías de la complejidad proporcionan un nuevo modo de aprehender la realidad y ayudan a una comprensión menos reductora de los procesos básicos del comportamiento y la realidad social. Se orienta a superar la dicotomía objetos-procesos en nuestra visión ontológica del mundo, jerarquizando el papel de las redes distribuidas de componentes en interacciones dinámicas locales de índole no lineal, es decir, que presentan fuerte sensibilidad a la variación de las condiciones iniciales, y capaces de hacer eclosión de manera auto-organizada –es decir, espontánea, en pautas o patrones de comportamiento correlacionado globales que plasman la emergencia de nuevos órdenes de complejidad.

 

La causalidad compleja parece abrirse paso como un nuevo paradigma causal en Epidemiología, que en esta ocasión tiene como punto de partida la transformación en la integración del saber contemporáneo, la relación dialógica entre los principios de orden y desorden, a la vez concurrentes y antagónicos, el proceso recursivo en el cual los productos y los efectos son, al mismo tiempo, causas y productores de aquello que los produce (idea que rompe con la causalidad lineal) y la presencia del principio hologramático (que a similitud de la física, es el menor punto de la imagen del holograma que contiene casi la totalidad de la información del objeto representado).

 

A la luz de estas nuevas teorías será necesario, distinguir cuándo nos enfrentamos a un problema complejo o a uno lineal o reconocer cuando uno se transforma en el otro; también será necesario que se reconozcan las leyes, principios y categorías que rigen la causalidad en la complejidad en Epidemiología, será necesario incorporar y construir modelaciones matemáticas para el estudio de las red de redes en los sistemas complejos, elaborar las guías metodológicas para la indagación o investigación científica y sobre todo lograr el desarrollo transdisciplinar de esta ciencia en aras de su desarrollo futuro.

 

En lo internacional y en lo nacional, en lo universal y en lo singular, en lo teórico y en lo práctico, la Epidemiología debe reconsiderar mucho de sus supuestos actuales, los que hasta ahora han funcionado como verdades absolutas ya que categorías universales, relacionadas con todas las ramas del saber científico como: determinismo e indeterminismo, causalidad y casualidad, están siendo reformuladas a la luz de la teoría de la complejidad.

 

La causalidad compleja: ¿un nuevo paradigma causal en Epidemiología?

 

 

Complejidad, simplicidad y epidemiología

Neil Pearce y Franco Merletti

 

Conclusiones

 

¿Cuáles son las implicaciones de la teoría de la complejidad de la epidemiología? La teoría de la complejidad hace hincapié en las deficiencias del reduccionismo ingenuo. Las personas no son sólo colecciones al azar de las células o moléculas, y las poblaciones no son sólo colecciones al azar de los individuos. Los Sistemas adaptativos complejos tienen una “vida” que es más que la suma de sus partes componentes. Entender la función del cerebro no sólo exige un conocimiento de sus constituyentes, sino también una comprensión del contexto sistemático en el que opera. Los factores de riesgo para la enfermedad no operan en forma aislada, sino se producen en un contexto de población. El ‘estilo de vida “individual sólo puede ser entendido en el contexto histórico, cultural y social en el que se produce. La teoría de la complejidad también hace hincapié en la importancia del concepto de «niveles de análisis” . Lo que es caótico en un nivel puede ser simple a otro nivel, pero para obtener un conocimiento útil uno debe centrarse en el nivel adecuado.  No es necesario entender lo que está sucediendo a nivel molecular para enviar un cohete a la luna, ni tampoco tenemos que centrarnos en el nivel molecular para lograr mejoras en la salud pública; de hecho, en ambos casos enfocarse únicamente en el nivel molecular, haría tal empresa imposible.

 

La teoría de la complejidad también hace hincapié en la necesidad de desarrollar nuevos métodos que sean apropiados para el problema en estudio. ¿Cómo se pueden probar las teorías acerca de un sistema complejo adaptativo utilizando métodos epidemiológicos “estándar”? Por lo general, no se puede.
La teoría de la complejidad no encaja con los enfoques estándar para la epidemiología más de lo que se ajustaba a los enfoques estándar de otras ciencias hasta hace poco. Gran parte del pensamiento epidemiológico moderno ha implicado el estudio de los efectos de exposiciones en los individuos. La teoría de la complejidad hace hincapié en que las poblaciones que estudian los epidemiólogos no son sólo colecciones de individuos y que el contexto de la población no es sólo ruido, sino que en algunos casos puede ser fundamental. Una vez que  esto se ha reconocido, surge un nuevo conjunto de preguntas científicas que abarcan tanto la epidemiología y la demografía e involucran métodos muy diferentes de las técnicas epidemiológicas habituales.

 

Por lo tanto, si no vamos a ser ´prisioneros de lo cercano´, entonces será necesario desarrollar nuevos métodos epidemiológicos que sean más apropiadas para abordar la complejidad de la salud de la población. Cuando estamos estudiando factores ´próximos´ “aguas abajo”  nuestros métodos estándar continuarán (en general) funcionando bien, pero a medida que la atención se mueve  “hacia arriba” al nivel de la población, los métodos epidemiológicos modernos será cada vez más inadecuados, y nuevos métodos deberán ser desarrollados. En algunos casos esto implicará la evolución de los métodos existentes que tengan en cuenta la complejidad y los múltiples niveles de análisis (por ejemplo, métodos de varios niveles, los enfoques bayesiano, gráficos de causalidad, etc.), mientras que en otros casos, se necesitará el desarrollo de métodos completamente nuevos o la adaptación de los métodos de otras disciplinas. No hay nada particularmente inusual en esto; todas las ciencias desarrollan nuevos métodos en respuesta a nuevos problemas. Como lo hace notar McMichael ‘quién había oído hablar de un estudio caso-control o una puntuación de  riesgo personalizado multivariado de este momento del siglo pasado? “.

 

La pertinencia de cualquier metodología de la investigación depende del fenómeno en estudio: su magnitud, el ajuste, el estado actual de la teoría y el conocimiento, la disponibilidad de instrumentos de medición válidos, y los usos propuestos de la información reunida, así como los recursos de la comunidad y las habilidades disponibles y las normas y los valores predominantes en el nivel nacional, regional o local.

 

La investigación de la Complejidad  implica la no-linealidad y los ‘bucles de retroalimentación’, que no puede ser perfectamente resumidos en una tabla 2 x 2.

 

Así, los nuevos métodos que deben ser desarrollados se parecerán menos a un ensayo controlado aleatorio, –no se puede hacer un estudio de cohorte del cambio climático a menos que tenga dos planetas– y mucho más como la investigación compleja observacional  tal como la biología evolutiva o la cosmología. Esto implicará un mayor uso de métodos tales como las gráficas causales y otros métodos que pueden utilizarse para modelar sistemas complejos adaptativos.

 

Un enfoque basado en la complejidad produce resultados que son más específicos a la población en estudio, pero que tienen más relevancia directa de salud pública y validez. Paradójicamente, el modelo que se utiliza en un enfoque de la complejidad puede, por lo tanto, ser más generalizables a otras poblaciones. La investigación ‘Local’  que se basa en una población en particular tiene más probabilidades de producir resultados que se ocupan de temas y problemas universales que lo es una investigación que intenta despojarse del contexto de la población.

 

Como con cualquier nuevo enfoque teórico, la teoría de la complejidad no es una panacea y tiene el potencial para el mal uso. Sin embargo, también tiene un potencial considerable para ayudar a la epidemiología a abordar los principales problemas mundiales de salud pública del siglo 21.

http://ije.oxfordjournals.org/content/35/3/515.full.pdf html

 

 

Modelado de Epidemias en las realidades complejas

Vittoria Colizza , Marc Barthélemy, Alain Barrat, Alessandro Vespignani

 

  1. Conclusiones y perspectivas
    Tener en cuenta la complejidad de los sistemas reales en el modelado de epidemias ha demostrado ser inevitable, y los enfoques correspondientes ya han producido una gran cantidad de resultados interesantes. Mientras que esto ha estimulado el reciente énfasis en el enfoque computacional a gran escala en el modelado de epidemias, es evidente que muchas cuestiones teóricas básicas siguen abiertas. ¿Cómo la naturaleza compleja del mundo real afectan a nuestra capacidad de predicción en el ámbito de la epidemiología de cómputo? ¿Cuáles son los límites fundamentales en la previsibilidad de la evolución de la epidemia con el modelado computacional? ¿Cómo ellos dependen del nivel de precisión de la descripción y el conocimiento sobre el estado del sistema? Abordar estas cuestiones requiere la explotación de diversas técnicas y enfoques. Los sistemas complejos y el análisis de redes, biología matemática, estadística, física de no equilibrio estadístico, y ciencias de la computación están jugando un papel importante en el desarrollo del enfoque moderno computacional de la epidemiología. Si bien este enfoque integrado todavía podría estar en sus primeros pasos, parece ahora posible imaginar ambiciosamente la creación de infraestructuras de predicción epidemica computacionales capaces de proporcionar predicciones confiables, detalladas y cuantitativamente precisas de propagación epidémica mundial.

 

http://nwb.slis.indiana.edu/papers/2007-colizza-epidmod.pdf

 

 

Un enfoque de Sistemas Complejos para la comprensión y la lucha contra la epidemia de Obesidad

Ross A. Hammond

 

Resumen: La epidemia de obesidad representa un reto importante de salud pública y de rápido crecimiento, en los Estados Unidos, y en todo el mundo. El alcance y la magnitud de la epidemia de obesidad resaltan la necesidad urgente de intervenciones bien diseñadas de políticas para evitar una mayor propagación y (potencialmente) para revertir la marea. Sin embargo, varias características hacen que la obesidad sea un problema especialmente difícil tanto para estudiar y combatir. Se demuestra que estos desafíos –la gran amplitud en los niveles de escala que participan, la diversidad considerable de actores relevantes, y la multiplicidad de mecanismos implicados– son característicos de los sistemas adaptativos complejos. Sostengo que la epidemia de obesidad representa este sistema, y que tanto las lecciones generales y técnicas del campo de la ciencia de la complejidad pueden ayudar a informar a una política eficaz para combatir la obesidad. En particular, se argumenta que la técnica del modelado computacional basada en agentes es especialmente adecuada para el estudio de la dinámica rica y compleja de la obesidad.

 

A Complex Systems Approach to Understanding and Combating the Obesity Epidemic

 

 

 

VIDEOS RELACIONADOS:

 

Epidemics-Edward Jenner the world’s saviour

Forecast and Control of Epidemics in a Globalized World

Forecast and Control of Epidemics in a Globalized World

Epidemics USA

How social networks can predict epidemics and control the world

Spontaneous order in people, markets, societies, and neurons

Nicholas Christakis: How social networks predict epidemics

Professor Nicholas Christakis on the Power of Social Networks

Nicholas Christakis: The hidden influence of social networks

Malcolm Gladwell: What we can learn from spaghetti sauce

Murray Gell-Mann: Beauty and truth in physics

Epidemia de cólera

Cholera Country – Zimbabwe

 

 

ENLACES INTERESANTES:

 

Self Organized biological dynamics and non linear control

Complejidad y salud en el siglo XXI

Redes Complejas

Epidemic Spreading in Scale-Free Networks

Sociology and Complexity Science blog

Health, science, and complexity

Women’s Health and Complexity Science

Embracing design in complexity

Epidemiology: An Overview

Predictability and epidemic pathways in global outbreaks of infectious diseases: the SARS case study

DE LAS BOLSAS DE VALORES A LAS EPIDEMIAS

Redes y epidemias sociales

 

 

 

FUENTE DE LA IMAGEN:

http://www.co.sanmateo.ca.us/portal/site/health/menuitem.36ed2c4eca5f0a8d74452b31d17332a0/?vgnextoid=3908d069cf1a0210VgnVCM1000001d37230aRCRD&vgnextfmt=DivisionsLanding