Autor: Pedro David Delgado López

El problema de los Ensayos Clínicos Aleatorizados:

En la actualidad, los avances científicos en biomedicina se demuestran a través de estudios clínicos bien diseñados, dentro de lo que genéricamente se denomina Medicina basada en la evidencia. Esta aúna la experiencia clínica de los profesionales con las conclusiones de estudios cuyo diseño y ejecución siguen unas reglas metodológicas estrictas. Así, se dispone de varios niveles de evidencia científica, según la solidez de los estudios que los sustentan. En la cumbre de esta pirámide metodológica se encuentran los Ensayos Clínicos Aleatorizados (ECA), que son los que proporcionan la evidencia científica más fuerte en sus conclusiones.

Un ECA es un estudio clínico experimental en el que se busca relacionar una causa (exposición) con un efecto (enfermedad) intentando controlar los diversos factores de confusión que pudieran mediar entre ambos. Por ejemplo, se administra un medicamento nuevo a un grupo de pacientes y un placebo (sustancia inocua que imita al medicamento sin serlo) a otro grupo de pacientes con las mismas características. Posteriormente se evalúa el efecto en ambos y se compara. La asignación de tratamiento con el fármaco o con el placebo es aleatoria y ciega, es decir el paciente no sabe si recibe el medicamento o no para evitar el posible efecto de sugestión de saberse tratado o no tratado.

Esquema del Ensayo clínico aleatorizado: (https://www.medwave.cl/link.cgi/medwave/perspectivas/editorial/6273.act?ver=sindiseno)

En momentos de pandemia como el actual, los ECA resultan imprescindibles de cara a evaluar la efectividad de los nuevos tratamientos (vacunas, fármacos) frente a la enfermedad (COVID-19)1. El problema es que estos estudios son costosos, y precisan largos períodos de seguimiento. Así mismo, las muestras poblacionales empleadas pueden no ser representativas de la población general (no suelen incluir gestantes, niños, etc.). Además, pueden estar sujetos a cuestiones éticas que potencialmente impidan su desarrollo (necesidad de realizar cirugías-placebo, exposición a terapias con riesgo grave o desconocido, etc.). Por todo ello, existe una alternativa a los ECA clásicos denominada estudios de Aleatorización Mendeliana (AM) o también llamados análisis genéticos de variable instrumental. Variable instrumental quiere decir variable no causante de la enfermedad sino intermediaria y relacionada con el factor de riesgo que sí la causa.

¿Qué son los estudios de aleatorización mendeliana?

Típicamente, los ECA están sujetos a dos tipos de sesgos: los factores de confusión, es decir, factores que están relacionados tanto con la exposición como con el resultado, y la causalidad inversa, donde el propio resultado puede afectar al grado de exposición (sobre todo cuando el resultado se mide cercano en el tiempo a la exposición). Por ejemplo, una sustancia carcinógena puede ser un factor de confusión en la relación entre nivel de vitamina D y cáncer si dicha sustancia se relaciona con ambas de forma independiente. Por otro lado, existiría causalidad inversa si, por ejemplo, un cáncer es capaz de reducir los niveles de proteínas (por desnutrición y caquexia) haciendo parecer que la hipoproteinemia se relaciona con la aparición de cáncer.

Para intentar superar estos defectos, a finales de los años ochenta se presentaron por primera vez los estudios de AM2. Estos estudios también buscan evidencias causales entre factores de riesgo y enfermedades, pero no a través de la experimentación clínica controlada, sino mediante técnicas genéticas de secuenciación masiva, aprovechando la variabilidad aleatoria genética natural presente en las poblaciones (Smith y Ebrahim, 2003)3.

La aleatorización mendeliana se basa en la distribución aleatoria de los diversos genes que ocurre de forma natural durante la meiosis (división) celular en la concepción de todos los individuos de una población. Al nacer, cada persona hereda o no, por azar, una cierta variante genética que afecta a un factor de riesgo para una enfermedad. Los individuos portadores de esa variante y los que no la portan pueden ser identificados y se comprueba si desarrollan la enfermedad o no. Dado que esta distribución aleatoria es genética e innata, no está sujeta a factores de confusión clínico-epidemiológicos. Es decir, el proceso de aleatorización no se produce en el momento del experimento como en los ECA, sino que ya está presente de forma natural en los sujetos de estudio.

Sin embargo, los estudios de AM precisan de tres suposiciones necesarias:

  1. Debe existir una relación entre la variante genética o alelo de riesgo (también llamada Variable Instrumental) y el factor de riesgo (o variable intermedia) de la enfermedad.
  2. La variante genética no se asocia a otros factores de riesgo (que puedan introducir confusión, es decir es una relación biunívoca).
  3. La variante genética influye en la enfermedad únicamente a través del factor de riesgo.

La primera suposición se puede demostrar fácilmente evaluando la fuerza de asociación entre la variante genética y el factor de riesgo mediante estudios genéticos. Sin embargo, las otras dos suposiciones no se pueden demostrar empíricamente y precisan de estudios previos sobre el tema y del juicio científico del investigador. Cuando una variante genética es capaz de influir en el resultado a través de vías independientes del factor de riesgo se produce un fenómeno de pleiotropía, que es el principal problema de los estudios AM.

¿Cuáles son las similitudes y diferencias entre los ECAs y los estudios AM?

El gráfico a continuación muestra las similitudes y diferencias entre los estudios ECA y los AM. Los estudios AM precisan muestras poblacionales mucho mayores que los ECA para mantener una buena potencia estadística, por lo que a su vez son más representativas de la población general. Son estudios puramente observacionales (sólo se miden variables), no experimentales (no se le somete a ninguna intervención), por lo que son completamente seguros. La AM se basa en la Segunda Ley de Mendel, es decir, en que la herencia de un alelo (variante genética) en un cierto locus (lugar físico de un cromosoma) se transmite de forma azarosa a la descendencia. El sesgo de causalidad inversa es imposible en los estudios AM, pues los resultados no pueden modificar retrospectivamente la distribución aleatoria genética del individuo. Sin embargo, los AM utilizan la información genética como una herramienta epidemiológica para evaluar los efectos causales de un factor de riesgo modificable, no proporcionan evidencia de causalidad directa, pues no son un experimento en sí. De hecho, aunque los estudios AM son la mejor alternativa basada en datos observacionales, sólo los estudios experimentales (ECA bien diseñados) proporcionan causalidad verdadera y se emplean para recomendar en firme el uso o no de tratamientos.

¿Qué problemas o sesgos presentan los estudios AM?

Uno de los problemas de la AM puede ser que la variante genética estudiada solo explique una fracción de la variación del factor de riesgo, y que produzca un efecto muy pequeño en el resultado. Para mejorar esta posible insuficiente potencia estadística, los estudios AM precisan analizar muestras poblacionales muy grandes (cientos y miles de pacientes) y utilizar alelos muy específica y biunívocamente relacionados con el factor de riesgo, si es que existen.

También existen sesgos de confusión pues la segunda ley de Mendel (distribución independiente de los alelos) no se aplica siempre y a todo el genoma de forma aleatoria. Por ejemplo, si un locus A fuertemente relacionado con un factor de riesgo está localizado muy próximo físicamente a un locus B que se asocia con el resultado, es fácil que ambos se hereden juntos y podría parecer que el alelo de riesgo del locus A se asocia tanto con el factor de riesgo como con el resultado, aunque esta última relación sea mediada por el locus B (que actúa de factor de confusión en la relación), y no por el locus A. La etnia es un ejemplo de factor de confusión, pues en ciertas razas son más prevalentes ciertos alelos que no necesariamente se relacionan con la enfermedad.

Existe pleiotropía cuando una variante genética es capaz de influenciar múltiples rasgos fenotípicos o producir múltiples efectos biológicos, a través de vías alternativas al factor de riesgo, que pueden no ser conocidas. Finalmente, la relación entre una variante genética de riesgo y un factor de riesgo o enfermedad puede atenuarse o compensarse a lo largo de la vida mediante procesos genéticos o epigenéticos (ambientales) dirigidos a contrarrestar el posible efecto deletéreo del gen, como un método de adaptación darwiniana, lo que también sesga la relación de la variante genética con el resultado.

El ejemplo del infarto de miocardio:

El caso del infarto de miocardio es paradigmático de la utilidad de los estudios AM, pues diversos factores de riesgo se han asociado clásicamente con la enfermedad sin saber exactamente si eran verdaderos agentes causales del infarto o meros marcadores de riesgo, que se correlacionan estadísticamente pero que no son los verdaderos agentes causantes.

Por ejemplo, múltiples estudios epidemiológicos han relacionado los niveles plasmáticos de la denominada lipoproteína a o Lp(a) con los eventos cardiovasculares. Sin embargo, no estaba claro si la Lp(a) era realmente un agente causal o sólo un marcador de riesgo de infarto cardíaco. El estudio AM que lo demostró (Kamstrup, 2009)4 cumplía las tres condiciones antes descritas: mostró que las variantes genéticas LPA explicaban al menos el 30-60% de las variaciones plasmáticas de Lp(a); el estudio se realizó en una población homogénea desde el punto de vista de la etnia (sin factores de confusión); y las variantes LPA se sabía que sólo afectan a los niveles de Lp(a) sin otros efectos pleiotrópicos adyacentes. Estudiando tres grandes poblaciones danesas, se demostró la relación causal: cuando los niveles plasmáticos de Lp(a) se duplicaban, aumentaba un 22% el riesgo de infarto cardíaco4. Por el contrario, aunque unos niveles bajos de colesterol-HDL son un conocido factor de riesgo de infarto, los estudios de AM han conseguido demostrar que no existe una relación causal protectora entre variantes genéticas que elevan los niveles de HDL y la enfermedad, como ya sugerían algunos ECA5.

La AM, inicialmente descrita para las ciencias sociales, actualmente se aplica a múltiples campos de la medicina aparte de la cardiología6,7, como la neurociencia, donde, por ejemplo, se trata de identificar causalidad entre diversos factores de riesgo y enfermedades neurodegenerativas8 o tumores cerebrales9.

Referencias:

  1. Tomazini BM, Maia IS, Cavalcanti AB, Berwanger O, Rosa RG, Veiga VC, et al. Effect of Dexamethasone on Days Alive and Ventilator-Free in Patients With Moderate or Severe Acute Respiratory Distress Syndrome and COVID-19: The CoDEX Randomized Clinical Trial. JAMA. 2020 Oct 6;324(13):1307-1316. doi: 10.1001/jama.2020.17021. PMID: 32876695; PMCID: PMC7489411.
  2. Katan MB. Apolipoprotein E isoforms, serum cholesterol, and cancer. Lancet. 1986 Mar 1;1(8479):507-8. doi: 10.1016/s0140-6736(86)92972-7. PMID: 2869248.
  3. Smith GD, Ebrahim S. ‘Mendelian randomization’: can genetic epidemiology contribute to understanding environmental determinants of disease? Int J Epidemiol. 2003 Feb;32(1):1-22. doi: 10.1093/ije/dyg070. PMID: 12689998.
  4. Kamstrup PR, Tybjaerg-Hansen A, Steffensen R, Nordestgaard BG. Genetically elevated lipoprotein(a) and increased risk of myocardial infarction. JAMA. 2009 Jun 10;301(22):2331-9. doi: 10.1001/jama.2009.801. PMID: 19509380.
  5. Voight BF, Peloso GM, Orho-Melander M, Frikke-Schmidt R, Barbalic M, Jensen MK, et al. Lancet. 2012 Aug 11;380(9841):572-80. doi: 10.1016/S0140-6736(12)60312-2. Epub 2012 May 17. Erratum in: Lancet. 2012 Aug 11;380(9841):564. PMID: 22607825; PMCID: PMC3419820.
  6. Connor A. Emdin, Amit V. Khera, Sekar Kathiresan. Mendelian Randomization. JAMA. 2017;318(19):1925–1926. doi:10.1001/jama.2017.17219
  7. Iturrieta-Zuazo I, Walter S. Mendelian randomization: present and future of epidemiological studies in cardiology. Rev Esp Cardiol (Engl Ed). 2015 Feb;68(2):87-91. doi: 10.1016/j.rec.2014.06.024. Epub 2014 Nov 20. PMID: 25449812.
  8. Allman PH, Aban IB, Tiwari HK, Cutter GR. An introduction to Mendelian randomization with applications in neurology. Mult Scler Relat Disord. 2018 Aug;24:72-78. doi: 10.1016/j.msard.2018.06.017. Epub 2018 Jun 20. PMID: 29960142.
  9. Howell AE, Zheng J, Haycock PC, McAleenan A, Relton C, Martin RM, Kurian KM. Use of Mendelian Randomization for Identifying Risk Factors for Brain Tumors. Front Genet. 2018 Nov 12;9:525. doi: 10.3389/fgene.2018.00525. PMID: 30483309; PMCID: PMC6240585.