Vamos a concluir esta serie de artículos relacionados con la disyuntiva entre vacunarse o fortalecer el sistema inmunitario, con un análisis de sensibilidad de la respuesta inmune a la vacuna de la influenza.
Al finalizar la tercera parte de este trabajo establecimos que el escenario puede cambiar, al alterar una o más de las variables que componen el proxy del modelo predictivo. Así, la respuesta inmune que un día el modelo de regresión logística pronosticó como favorable, podría cambiar meses después a deficiente, como resultado de la variación de un biomarcador, de haber desarrollado un trastorno psicogénico, por haber consumido fármacos durante un tiempo prolongado, o bien debido a una combinación de las tres razones anteriores.
Un análisis de sensibilidad con cuatro posibles escenarios (ensayos)
Para ilustrar cómo la calidad de la respuesta inmune puede cambiar de favorable a deficiente en cuestión de meses, considere de nuevo los 7 casos que analizamos en la tercera parte de este reportaje. Esos casos corresponden a las instancias que aparecen ahora en la parte superior de la figura 1 (primer bloque de datos). Para darle mayor claridad a la exposición, he resaltado en amarillo las celdas en donde las variables anticuerpos IgG y enfermedades psiquátricas experimentaron cambios. Tomando como punto de partida los valores de ese primer bloque de datos, notamos que en el primero y segundo ensayos la respuesta inmunitaria no se ha modificado, a pesar de haber alterado tanto el nivel de los anticuerpos IgG en las instancias 3, 4, 5 y 6 del ensayo No. 1, como el estado de las enfermedades psiquiátricas en las instancias 3 y 4 del ensayo No. 2.
Figura 1. Los dos primeros ensayos del análisis de sensibilidad de la respuesta inmune
Figura 2. Entre el tercer y el cuarto ensayo, la calidad de la respuesta inmune cambió de favorable a deficiente en las instancias 7 y 4, como resultado de un aumento de las vacunas anteriores y una disminución de la vitamina B12.
Analicemos ahora lo que sucede en los ensayos 3 y 4. En la figura 2, la calidad de la respuesta inmune o variable de salida ha cambiado en virtud de la variación que sufrieron ahora las vacunas anteriores (instancia 7 en el ensayo No. 3) y la vitamina B12 (instancia No. 4 en el ensayo No. 4). Observe que en el ensayo No. 3 la calidad de la respuesta inmune correspondiente a la instancia/caso No. 5 no fue sensible al cambio en la cantidad de vacunas anteriores.
Si bien este análisis de sensibilidad no ha sido del todo exhaustivo, viene a reforzar la idea de que la respuesta inmune no depende de una sola variable. Como vimos, el que una variable de entrada cambie, no necesariamente redunda en un cambio en la variable de salida. Así, es evidente que la respuesta inmune tiene un carácter holístico, en el sentido de que no es posible estudiarla sin considerar el efecto sinérgico que produce la combinación de los biomarcadores con las demás variables de entrada. De ahí la necesidad y lo útil del modelo predictivo. ¿Y si no contáramos con un modelo como el que describí en la tercera parte de esta serie, qué alternativa tendríamos para tomar una decisión informada?
Cómo tomar una decisión informada sin tantos vericuetos científicos
Hay una forma más sencilla aunque ciertamente menos científica de abordar el problema. Pero antes de plantear esa otra solución, quisiera dejar claro que siendo una versión simplificada del modelo que presenté durante la segunda y tercera partes de esta iniciativa, este otro método carece por el momento de un medio apropiado para calcular su precisión. Si bien constituye una ayuda rápida para tomar una decisión más o menos informada, su precisión no podría equipararse con la que ofrece el modelo de regresión logística, que como vimos en la tercera parte de esta serie, es casi del 81%. En realidad, la esencia de esta otra forma de tomar la decisión se desprende de los resultados obtenidos y la experiencia adquirida durante la construcción del modelo de aprendizaje automático.
Figura 3. Tendencia para cada una de las variables de entrada en el modelo que pronostica la calidad de la respuesta inmune a la vacuna de la influenza: 323 respuestas deficientes (en azul) vs 677 respuestas favorables (en rojo)
Gracias a él, nos dimos cuenta de que la sensibilidad de la respuesta inmune no radica tanto en los valores que el propio modelo establece como puntos de verificación (como en el caso del árbol de decisión J48 de la segunda parte de esta entrega), sino en el hecho de que los biomarcadores sobrepasen sus límites, ya sea por exceso (altos) o por defecto (bajos). De acuerdo con esto, lo que tenemos que hacer es poner más atención en las tendencias de las variables del proxy. En la figura 3 por ejemplo, observamos que si la depuración de creatinina y la vitamina B12 tienden a bajar, la respuesta inmune termina siendo por lo regular deficiente (barras azules). Análogamente, en esa misma figura advertimos que entre más altos sean los valores del resto de las variables del proxy, mayor será el riesgo de obtener una respuesta inmune deficiente (áreas azules en los respectivos histogramas).
El método de las 9 preguntas dicotómicas
Dicho lo anterior, si usted prefiere optar por un método más práctico, más sencillo pero menos preciso que el de la regresión logística, puede ordenar unos análisis de sangre para saber por dónde andan sus biomarcadores y responder con un SÍ o con un NO a las siguientes 9 preguntas dicotómicas:
1. ¿Le han aplicado 2 o más vacunas anteriormente? (SÍ/NO)
2. ¿Está padeciendo alguna enfermedad psiquiátrica? (SÍ/NO)
3. ¿Reporta anticuerpos IgA asociados al H. pylori altos? (SÍ/NO)
4. ¿Anticuerpos IgG asociados al H. pylori altos? (SÍ/NO)
5. ¿% de eosinófilos altos? (SÍ/NO)
6. ¿Depuración de creatinina baja? (SÍ/NO)
7. ¿Beta globulinas altas? (SÍ/NO)
8. ¿Vitamina B12 baja? (SÍ/NO)
9. ¿Prolactina alta? (SÍ/NO)
Si respondió que NO a 6 o más preguntas, lo más sensato es que se vacune. Si contabilizó menos de 6 respuestas negativas, lo mejor que puede hacer es fortalecer su sistema inmunitario. ¿Qué cómo se hace eso?, se estará usted preguntando. Pues tomando los nutracéuticos apropiados en las dosis correctas (ortomoleculares).
¿Se puede aplicar el método de las preguntas dicotómicas a la vacuna del COVID-19?
Todavía no contamos con suficientes datos como para saber si el método que acabo de proponer es aplicable a la vacuna del COVID-19, o incluso a las vacunas contra otro tipo de virus. La campaña de vacunación contra el coronavirus apenas está comenzando, y se necesitan más estudios como el de Majnaric et al. [1] y el que reseñamos a lo largo de estos cuatro reportajes, para determinar si con esas mismas variables de entrada es posible abordar el problema desde una perspectiva más práctica. Lo más seguro es que las variables sean otras, o que debamos agregar a las ya existentes, algunas variantes de las que analizamos aquí. Sea como fuere, siempre habrá manera de aprovechar lo que una máquina aprende, para sacar provecho de esa inteligencia artificial que algunos gobiernos han subestimado por estar supeditados a lo establecido por un respetable número de consorcios farmacéuticos.
¿Qué quieres… rapidez o exactitud? … frase coloquial probablemente de origen mexicano
© Sergio López González. Fundación MicroMédix. 13 de abril de 2021
Reseña este artículo y únete a nuestro equipo de teletrabajo
REFERENCIAS
[1] L. Trtica-Majnaric et al. Prediction of influenza vaccination outcome by neural networks and logistic regression/ Journal of Biomedical Informatics 43 (2010) 774–781
Terapias Naturales 