¿Influye la información sanitaria recibida en la conducta de los pacientes con enfermedades crónicas? El caso de la diabetes mellitus de tipo dos

Alessio Gaggero, Joan Gil, Dolores Jiménez-Rubio, Eugenio Zucchelli

Antes de la pandemia del coronavirus, las enfermedades no transmisibles (ENT) constituían la principal causa de muerte en todo el mundo. Además, las cuatro principales ENT (enfermedades cardiovasculares, diabetes mellitus, cáncer y enfermedades respiratorias crónicas) se asociaban a un conjunto de estilos de vida no saludables evitables, como el consumo de tabaco y alcohol, la falta de ejercicio y la obesidad, entre otros (OMS, 2017). A modo de ejemplo, en una entrada  anterior de Nada es Gratis Beatriz González nos señalaba que al consumo de tabaco se le atribuían aproximadamente el 16% de las muertes en 2017, a la dieta el 12%, y al alcohol el 8%. Y también nos recordaba la autora que dichos factores de comportamiento son factores modificables tanto desde dentro como desde fuera del sistema sanitario, y que por tanto las políticas y estrategias para atajarlos deben ser globales e ir más allá del propio sistema sanitario. Por ejemplo, en esta entrada reciente Marcos Vera nos hablaba sobre el caso específico de la regulación de los anuncios publicitarios a los productos poco saludables y en esta otroa Judit Vall nos presentaba evidencia relacionada con los impuestos a las bebidas azucaradas basada en la experiencia de Cataluña.

En lo que respecta a la respuesta a las enfermedades crónicas desde el propio sistema sanitario, en relación a los riesgos conductuales, evitables o modificables, el papel de la información sanitaria está siendo el foco de atención de un creciente volumen de literatura sobre modelos económicos de inversión en salud. Así, si bien los modelos teóricos convencionales asumen que los individuos tienen información completa y un conocimiento perfecto sobre su estado de salud y basan sus decisiones en los costes y beneficios correspondientes (por ejemplo, Grossman, 1972; Becker y Murphy, 1988; Cawley y Rhum, 2011), numerosas contribuciones recientes en el campo de la economía han desafiado dichos supuestos (por ejemplo, Bhargava et al., 2017; Kettlewell, 2020, Arni et al., 2021). La cuestión sobre si los individuos pueden procesar de manera racional y perfecta la información sobre su salud es especialmente relevante en el caso de las enfermedades crónicas. Esto se debe a que la eficacia de la mayoría de los tratamientos para los pacientes afectados por enfermedades crónicas, como la diabetes o la hipertensión, depende en gran medida de la capacidad del individuo para cambiar los comportamientos de salud como respuesta a la nueva información adquirida a través de pruebas de detección y diagnóstico. Pero, ¿podemos realmente esperar que las personas con enfermedades crónicas cambien su comportamiento como consecuencia de la información sanitaria recibida?

Aunque este es un tema de estudio bastante recurrente tanto en el campo de la economía como en el de la medicina -sobre todo a raíz del creciente uso de los dispositivos portátiles-, la evidencia disponible es limitada y parece no ser concluyente en términos generales. Por lo tanto, la cuestión sobre si la información sanitaria recibida en base a un diagnóstico de salud podría tener un impacto causal y duradero en el tiempo sobre los estilos de vida sigue siendo una cuestión empírica abierta. Con el objetivo de arrojar algo de luz sobre esta cuestión, en un trabajo reciente explotamos la discontinuidad en el punto de corte del nivel de azúcar en sangre en el diagnóstico de la diabetes mellitus de tipo 2 (DM2) a través de un método de regresión discontinua (RD) fuzzy, y analizamos su impacto en el Índice de Masa Corporal (IMC), y en el cese en el consumo de alcohol y tabaco. Para el lector no familiarizado con este tipo de modelos, la idea subyacente de una RD fuzzy es que la probabilidad de recibir el tratamiento cambia de forma discontinua en el umbral en función de una variable de asignación continua y de otros factores estando por encima o por debajo de un punto de corte determinado. Así pues, como en un experimento aleatorio, para individuos justo por encima y por debajo del punto de corte previamente identificado, la asignación al tratamiento es casi tan buena como si fuese aleatoria y, por lo tanto, se pueden extraer conclusiones de causa-efecto. En nuestro caso, la variable clave para la implementación de una RD es la hemoglobina glucosilada (HbA1c), un biomarcador convencionalmente empleado para diagnosticar la DM2 cuando su valor es superior a 6.5%.

Como nos recordaban en este post, la DM2 se ha convertido en uno de los problemas sanitarios más importantes de nuestro tiempo, ya que se encuentra entre las enfermedades crónicas más extendidas en todo el mundo que actualmente afecta a 462 millones de personas (el 6,28% de la población mundial); es la novena causa principal de muerte a nivel mundial; y se prevé que su carga de morbilidad aumente a un ritmo cada vez más rápido tanto en los países en desarrollo como en los desarrollados (Khan et al., 2020). Resulta por tanto de vital importancia comprender cómo procesan estos pacientes crónicos la información relativa a su propia salud.

Los resultados de nuestro trabajo nos permiten ser moderadamente optimistas ya que apuntan a que la información sanitaria, en forma de un diagnóstico de DM2, puede tener un impacto considerable en la reducción del peso tanto a corto como a largo plazo (ver Figura 1 debajo). Más específicamente, encontramos reducciones estadísticamente significativas de 1.1, 1.3 y 2 kg/m2 en el IMC durante el primer, segundo y tercer año después del diagnóstico de DM2, respectivamente. Además, los efectos son particularmente notables para las personas con obesidad y los pacientes diagnosticados con depresión. Esto parece ser coherente con la capacidad de los individuos para procesar correctamente la información médica cuando toman decisiones relacionadas con la salud. Sin embargo, la misma información proporcionada por un diagnóstico de DM2 no parece afectar del mismo modo el consumo de alcohol o tabaco. Esto podría no ser del todo sorprendente, ya que el control del peso, a través de una dieta baja en carbohidratos y un régimen de ejercicio, es la principal estrategia recomendada para un control glucémico adecuado entre los pacientes con DM2 en sus etapas iniciales (Mata et al., 2013). Nuestros resultados sugieren que la implementación de estrategias que faciliten los contactos frecuentes entre pacientes y médicos, podría promover la adherencia a los tratamientos y asegurar mejoras sostenidas en la salud. Finalmente, dado que una proporción significativa de personas afectadas por DM2 no están diagnosticadas (por ejemplo, hasta el 40 por ciento de las personas con diabetes en Europa; Rojo-Martinez et al., 2020), promover controles frecuentes entre las personas con riesgo de diabetes podría ayudar a proporcionar información de salud oportuna y a tiempo a los pacientes y contribuir asimismo a reducir los costes de atención médica evitables (Liang et al, 2019).

Figura 1.Estimaciones polinomiales locales del Indice de Masa Corporal en el periodo t + 1, como función del biomarcador HbA1C en el periodo t.

Notas: Los valores del biomarcador han sido normalizados de tal forma que 0 representa el valor 6.5% (punto de corte para el diagnóstico de Diabetes Mellitus de Tipo 2)