La obesidad infantil es un problema importante de salud pública y lo ha sido desde hace algún tiempo. Casi el 20 por ciento de los niños estadounidenses se ve afectado por la obesidad, así como aproximadamente el 40 por ciento de los adultos. En general, esto le cuesta a Estados Unidos unos 150.000 millones de dólares anuales en gastos de atención médica.
Los pediatras como yo, y muchos otros profesionales de la salud, sabemos que es un problema y, sin embargo, hemos tenido poco éxito para tratarlo. Hace aproximadamente seis años, algunos informes parecían mostrar que las tasas se habían estabilizado en los niños e incluso disminuyeron en las edades de 2 a 5 años. Estudios posteriores mostraron que esta tendencia era una ilusión. Si acaso, la situación ha empeorado.
Los esfuerzos para ayudar pueden ser contraproducentes. A menudo, las personas que son sometidas a dietas aumentan de peso. Aunque los estudios individuales han señalado posibles intervenciones y soluciones, aún no se han traducido en mejoras reales. Parte del problema puede ser una investigación defectuosa.
Un artículo que se publicó recientemente en Pediatric Obesity proporciona una guía sobre cómo mejorar. Sus sugerencias se dividen en cinco temas generales.
1) Cuando las cosas lucen mejor, resulta fundamental preguntarse “¿En comparación con qué?”. En resumen, se necesita un grupo de control. Con el tiempo, los cambios en los comportamientos o las mediciones a menudo siguen un patrón conocido como regresión a la media. Los valores atípicos (en este caso, los que tienen más sobrepeso) tienden a moverse hacia el promedio. Por lo tanto, puede parecer que las intervenciones funcionan aunque no sea así. Los grupos de control —participantes que no reciben el tratamiento— pueden ayudar a garantizar que veamos una efectividad real.
Incluso en ese caso, las cosas pueden ponerse difíciles. En un ensayo controlado aleatorio, es importante que las comparaciones sean estrictamente entre los grupos de intervención y control. Un error común es comparar cada grupo después de la intervención con el mismo grupo con el que se comparó antes de la intervención. En otras palabras, las personas podrían comparar un grupo de dieta con él mismo, antes y después, y comparar el grupo de control también con él mismo, antes y después, para ver si el grupo de dieta logró una disminución significativa.
Esto se conoce como un error de “diferencias en la significación nominal”. Eso puede hacer que una intervención parezca que logró un cambio significativo en comparación con una medición de referencia cuando probablemente no lo hizo si lo comparamos con el grupo de control.
Crear y estudiar grandes tratamientos para la obesidad es difícil y costoso. Es natural que los investigadores quieran que funcionen. Sin embargo, si un estudio bien diseñado no resulta en mejoras significativas en un grupo de intervención en comparación con un grupo de control, entonces, no se puede afirmar que quienes recibieron la intervención perdieron peso. Los grupos de control existen por una razón. No puedes descartarlos después del hecho.
2) No cambies el plan de análisis. Antes de que comience un estudio, el resultado primario que se espera conseguir debe estar claramente definido. Para la mayoría de los estudios de obesidad, eso será una disminución en el índice de masa corporal. No se deben agregar otras conclusiones posteriormente que puedan mostrar resultados, incluso si la conclusión principal no lo hace.
A veces, para obtener resultados estadísticamente significativos, los investigadores ajustarán los análisis de manera que los logren. Esto se llama “p-hacking”. Cambiar resultados puede hacer que diferentes números de pacientes “califiquen” mediante criterios de inclusión y exclusión de tal manera que cambien los grupos reales que se estudian.
3) Ten cuidado al diseñar estudios y elegir resultados. Con demasiada frecuencia, cuando intentamos demostrar que los sujetos cambiaron su dieta o sus hábitos de ejercicio, simplemente les preguntamos si lo hicieron. Esto corre el riesgo de obtener resultados influidos por el sesgo del autoinforme. Si el enfoque de un estudio es una intervención educativa que les dice a los estudiantes que deben caminar más y mirar menos televisión, no debería sorprendernos que digan que lo hicieron, incluso cuando no hay cambios en el porcentaje de grasa corporal.
Como las intervenciones tienden a realizarse en grupos (asignación aleatoria por clases o escuelas), es importante que solo analicemos los resultados por grupos. Solo hay tantos “participantes” como grupos. Con demasiada frecuencia, los investigadores realizan estadísticas sobre las personas, y cuando ven mejoras, se debe a las diferencias entre los grupos, no a las intervenciones.
4) No significativo significa que no es significativo. Los resultados negativos, aquellos que no respaldan la hipótesis del investigador, no deben considerarse positivos. Los investigadores a menudo se sienten tentados a argumentar que estos resultados son clínicamente significativos, o que proyectan una “promesa”.
A veces, los investigadores quieren testar una intervención contra una que ya ha sido demostrada. Si encuentran que no hay diferencia, concluyen que las dos son igualmente efectivas. Esto puede ser un error.
5) No asumas que una intervención es mejor que nada. La mayoría de los estudios hacen un análisis bilateral. Esto significa que observan si una intervención es mejor o peor, luego consideran significativos los resultados si el valor p es menor a 0.05. Sin embargo, en algunos estudios, los investigadores suponen que las intervenciones solo pueden ayudar a las personas a perder peso, no a aumentarlo. Por lo tanto, realizan una prueba unilateral que efectivamente duplica el valor p permitido. Eso hace que los resultados que no habrían sido significativos se vuelvan significativos.
Los problemas importantes como la pobreza no se pueden solucionar con un par de talleres en una escuela o una visita al médico. La obesidad es un problema social importante que probablemente requiere una respuesta social importante. No podemos permitir que nuestro deseo de mejorar las cosas nos lleve a aceptar investigaciones de menor calidad que podrían convencernos de lo contrario.
Una selección de rebanadas de pizzas de restaurantes del área de Nueva York, el 6 de noviembre de 2002. (Tony Cenicola / The New York Times)