Acceso usuarios
Jesús García-Foncillas López, Eva Bandrés Elizalde
Una ciencia mejor es el camino hacia la medicina personalizada. Parece que éste es el momento justo para que los médicos aporten una perspectiva “biológica” y se hagan más partícipes de las controversias, los debates y las discusiones suscitados en torno a la medicina personalizada. Éste es un campo, no obstante, compartido con los bioestadísticos, los investigadores y otros, expertos en las metodologías de medición/estimación y en el diagnóstico/progresión de la enfermedad, respectivamente. La medicina personalizada supone verdaderamente un esfuerzo multidisciplinario. En concreto, hay muchas oportunidades de utilizar los principios fundamentales de la medicina clínica (p. ej., dosis-exposición-respuesta) para abordar las preocupaciones y las incertidumbres que rodean a las asociaciones entre genes, variantes genéticas (p. ej., biomarcadores), y observaciones clínicas, y para proporcionar un modelo de trabajo biológico, mecanicístico y cuantitativo que sea útil para las futuras tomas de decisión en el campo de la farmacogenética.
Entre otras cuestiones, existe la necesidad de reexaminar cuidadosamente la calidad y las ventajas de los estudios observacionales de relación entre genes. La idea de que todas las pruebas de asociaciones farmacogenéticas concluyentes necesarias para la prescripción médica (es decir, certeza empírica) se obtendrán a partir de ensayos clínicos aleatorios por razones de coste y tiempo, no es práctica.
También es ingenuo pensar que los estudios observacionales asociativos y los modelos matemáticos (es decir, certeza causal) convencerán por sí solos a los médicos de que hagan uso de la farmacogenética para tratar a sus pacientes. Los médicos pueden abordar mejor la falta de fiabilidad percibida respecto a los modelos y a los estudios asociativos aportando datos cuantitativos en forma de modelos fármaco-enfermedad que puedan: 1) determinar la fuerza de la evidencia de replicación a partir de estudios genéticos asociativos, y 2) hacer frente a las incertidumbres respecto a los estudios genéticos asociativos proporcionando las probabilidades operativas para las decisiones clínicas, como la selección de la prescripción y los resultados clínicos previstos.
Better science is the way to personalized medicine. It seems like the right time for clinicians to bring a "biological" perspective to the table and to become more engaged in the controversies, debates, and discussions around personalized medicine. This is their domain, albeit a shared domain, with biostatisticians, researchers, and others who are experts in measurement/estimation methodologies and disease diagnosis/progression, respectively.
Personalized medicine is truly a multidisciplinary effort. In particular, there are numerous opportunities to utilize the core principles of clinical medicine (e.g., dose–exposure–response) to address the concerns and uncertainties surrounding the associations between genes, genetic variants (e.g., biomarkers), and clinical observations, and to provide a biological, mechanistic, quantitative, and model-based framework to deal with future decision-making in pharmacogenetics. Among other issues, there is a need to thoughtfully reexamine the quality and merits of observational gene association studies. It is impractical to think that all of the needed conclusive evidence of pharmacogenetic associations for drug dosing decisions (i.e., empirical certainty) will come from RCT because of the cost and time involved. It is also naïve to think that observational association studies and mathematical models (i.e., causal certainty) alone will convince those in clinical practice to utilize pharmacogenetics in patient care.
Clinicians can better address the perceived unreliability of association studies and believability of models by bringing quantitation to the table in the form of drug–disease models that can (1) assess the strength of evidence of replication from genetic association studies, and (2) address uncertainties around genetic association studies by providing operational probabilities for clinical decisions such as dose selection and expected clinical outcomes.
