La disciplina de la epidemiología forense ( EF ) es un híbrido de principios y prácticas comunes tanto a la medicina forense como a la epidemiología . La FE está dirigida a llenar el vacío entre el juicio clínico y los datos epidemiológicos para las determinaciones de causalidad en juicios civiles y enjuiciamientos y defensas penales. [1] [2] [3] [4]
Los epidemiólogos forenses formulan conclusiones probabilísticas basadas en evidencia sobre el tipo y cantidad de asociación causal entre una exposición dañina antecedente y el resultado de una lesión o enfermedad tanto en poblaciones como en individuos. Las conclusiones resultantes de un análisis de EF pueden respaldar la toma de decisiones legales sobre culpabilidad o inocencia en acciones penales y proporcionar un sustento probatorio para hallazgos de asociación causal en acciones civiles.
Las aplicaciones de los principios epidemiológicos forenses se encuentran en una amplia variedad de tipos de litigios civiles, incluidos casos de negligencia médica, daños tóxicos o masivos, eventos adversos farmacéuticos, fallas de dispositivos médicos y productos de consumo, lesiones y muerte relacionadas con accidentes de tránsito, identificación de personas y esperanza de vida.
El término Epidemiología Forense se asoció por primera vez con la investigación del bioterrorismo en 1999 y fue acuñado por el Dr. Ken Alibek, ex jefe adjunto del programa de armas biológicas soviético. El alcance de la FE en ese momento se limitaba a la investigación de epidemias potencialmente provocadas por el hombre. Después de los ataques con ántrax en Estados Unidos en 2001, el CDC definió la epidemiología forense como un medio para investigar posibles actos de bioterrorismo.
En la actualidad, la FE es más conocida y descrita como la aplicación sistemática de la epidemiología a cuestiones controvertidas de causalidad que se deciden en tribunales (principalmente) civiles, pero también penales. El uso de datos y análisis epidemiológicos como base para evaluar la causalidad general en los tribunales de EE. UU., particularmente en casos de daños tóxicos, se ha descrito durante más de 30 años, comenzando con la investigación de la supuesta relación entre la exposición a la vacuna contra la gripe porcina en 1976 y casos posteriores de síndrome de Guillain-Barré. [5]
Más recientemente, la EF también se ha descrito como un método basado en evidencia para cuantificar la probabilidad de una causalidad específica en individuos. El enfoque es particularmente útil cuando se cuestiona un enfoque de diagnóstico diferencial clínico de la causalidad. A continuación se enumeran ejemplos que cubren una amplia variedad de aplicaciones de FE en Ejemplos de preguntas de investigación abordadas por epidemiólogos forenses.
La métrica de un análisis de causa FE específico de un caso es el índice de riesgo comparativo (CRR). La CRR es una métrica exclusiva de FE; permite la comparación de probabilidades aplicables a las circunstancias investigadas de una lesión o enfermedad individual. Debido a que un CRR se basa en las circunstancias únicas que rodean la lesión o enfermedad de un individuo, puede o no derivarse de un riesgo relativo (RR) o de un odds ratio (OR) basado en la población. Un ejemplo de un análisis de RR que podría usarse como CRR es el siguiente: para un conductor sin cinturón de seguridad que resultó gravemente herido en un accidente de tránsito, una pregunta causal importante podría ser qué papel jugó el hecho de no usar el cinturón de seguridad en causar su lesión. . Un análisis de RR relevante consistiría en el examen de la frecuencia de lesiones graves en 1000 conductores sin cinturón seleccionados al azar expuestos a una colisión frontal a 20 mph versus la frecuencia de lesiones graves en 1000 conductores con sujeción seleccionados al azar expuestos a la misma gravedad y tipo de colisión. Si la frecuencia de lesiones graves en el grupo expuesto al presunto peligro (no usar el cinturón de seguridad) fuera de 0,15 y la frecuencia en el grupo no expuesto (con cinturón) fuera de 0,05, entonces el CRR sería lo mismo que el RR de 0,15. /0,05. El diseño del análisis del RR dicta que las poblaciones que constituyen el numerador y el denominador del CRR son sustancialmente similares en todos los aspectos, con la excepción de la exposición al peligro investigado, que fue la falta de uso del cinturón de seguridad en el ejemplo. [ cita necesaria ]
Sin embargo, en algunos casos que se encuentran en un entorno legal, el riesgo del numerador y el denominador debe derivarse de poblaciones diferentes para ajustarse a las circunstancias de una lesión o enfermedad investigada. En tal caso, el CRR no puede derivarse ni de un RR ni de un OR. Un ejemplo de tal situación ocurre cuando el numerador es un riesgo por evento y el denominador es un riesgo por tiempo (también conocido como riesgo acumulativo). Un ejemplo de este tipo de análisis sería la investigación de una embolia pulmonar (EP) que se produjo una semana después de que un paciente sufriera una fractura de una extremidad inferior en un accidente de tráfico. Estas complicaciones a menudo resultan de la formación de coágulos de sangre en las piernas y luego viajan a los pulmones. Si el paciente tenía antecedentes de trombosis venosa profunda (TVP) en las extremidades inferiores antes del accidente, entonces una CRR podría consistir en la comparación entre el riesgo de EP después de una fractura de una extremidad inferior (una tasa por evento) y el 1 -Semana de riesgo de EP en un paciente con TVP (una probabilidad dependiente del tiempo). [ cita necesaria ]
Otro ejemplo de una CRR basada en poblaciones diferentes es cuando sólo hay un número limitado de causas potenciales para comparar. Un ejemplo es la investigación de la causa de una reacción adversa en una persona que tomó dos medicamentos diferentes al mismo tiempo, los cuales podrían haber causado la reacción (y que, por ejemplo, no interactúan entre sí). En tal situación, la CRR aplicable a las circunstancias únicas experimentadas por el individuo podría estimarse comparando la tasa de reacciones adversas de los dos fármacos.
La proporción atribuible bajo exposición (AP e ) es una indicación de la proporción de pacientes que estuvieron expuestos a la causa potencial y enfermaron debido a esta exposición. Sólo se puede utilizar si el RR >1 y se puede calcular mediante [(RR-1)/RR X 100%]. Cuando el CRR se basa en un RR, estas fórmulas también se aplican al CRR. El resultado del análisis, dado como RR, CRR o AP e , cumple con el estándar legal de lo que es “ más probable que sea cierto que no ”, cuando el RR o CRR es >2,0 (con un intervalo de confianza del 95%, límite inferior de >1,0), o la APe es >50%. La AP e también se conoce como " Probabilidad de Causación (PC)", término que se define en el Código de Regulaciones Federales de EE. UU. (Registro Federal / Vol. 67, No. 85 / Jueves, 2 de mayo de 2002 / Reglas y Regulaciones p.22297) y en otros lugares.
El análisis de la causalidad, en particular de lesiones u otras afecciones con un período de latencia relativamente corto entre la exposición y el resultado, se logra mediante un enfoque de tres pasos, de la siguiente manera: [6]
La metodología de los tres pasos fue impugnada en el Tribunal de Distrito de los Estados Unidos para el Distrito de Colorado en Etherton v Auto-Owners Insurance Company .[1] El acusado cuestionó, entre otras cosas, la confiabilidad y adecuación de los métodos descritos por el experto. Después de un extenso examen y discusión del proceso de tres pasos utilizado por el experto, el tribunal concluyó que la metodología se ajustaba adecuadamente a los hechos específicos del caso y que un enfoque basado en la población (epidemiológico) era una parte apropiada de la metodología causal. . El tribunal denegó la moción del acusado de anular el testimonio del perito en la orden, que se registró el 31 de marzo de 2014.
El demandado apeló el fallo del Tribunal de Distrito y, en julio de 2016, el Tribunal de Apelaciones de los Estados Unidos del Décimo Circuito afirmó que la metodología causal de tres pasos era generalmente aceptada y bien establecida para evaluar la causalidad del daño, según el estándar Daubert . Véase Etherton contra Auto-Owners Insurance Company , No. 14-1164 (10th Cir, 19/7/16)[2].
La plausibilidad de una asociación investigada puede evaluarse en una investigación de EF, en parte, mediante la aplicación de los criterios de Hill , llamados así por una publicación de 1965 de Sir Austin Bradford-Hill, en la que describió nueve "puntos de vista" mediante los cuales una asociación descrita en un Se podría evaluar la causalidad mediante un estudio epidemiológico. [7] Hill se negó a llamar "criterios" a sus puntos de vista para que no fueran considerados una lista de verificación para evaluar la causalidad. Sin embargo, el término "criterios de Hill" se utiliza ampliamente en la literatura y por conveniencia se utiliza en la presente discusión. De los nueve criterios, hay siete que son útiles para evaluar la plausibilidad de una relación causal específica investigada, a saber:
Autores posteriores han agregado la característica de Desafío/Desafío/Reexposición para circunstancias en las que la exposición se repite a lo largo del tiempo y existe la capacidad de observar la respuesta de resultado asociada, como podría ocurrir con una reacción adversa a un medicamento. Consideraciones adicionales al evaluar una asociación son el impacto potencial de la confusión y el sesgo en los datos, que pueden oscurecer una relación verdadera. La confusión se refiere a una situación en la que una asociación entre una exposición y un resultado es total o parcialmente el resultado de un factor que afecta el resultado pero no se ve afectado por la exposición. El sesgo se refiere a una forma de error que puede amenazar la validez de un estudio al producir resultados que son sistemáticamente diferentes de los resultados reales. Dos categorías principales de sesgo en los estudios epidemiológicos son el sesgo de selección , que ocurre cuando los sujetos del estudio se seleccionan como resultado de otra variable no medida que está asociada tanto con la exposición como con el resultado de interés; y sesgo de información , que es un error sistemático en la evaluación de una variable. Si bien es útil al evaluar una asociación previamente inexplorada, no existe una combinación o un número mínimo de estos criterios que deban cumplirse para concluir que existe una relación plausible entre una exposición conocida y un resultado observado.
En muchas investigaciones de EF no es necesario realizar un análisis de plausibilidad causal si está bien establecida una relación causal general. En gran medida, la plausibilidad de una relación se considera una vez que se ha rechazado la improbabilidad. Los dos criterios restantes de Hill son la temporalidad y la fuerza de asociación. Si bien ambos criterios tienen utilidad para evaluar la causalidad específica, la temporalidad es la característica de una asociación que debe estar presente, al menos con respecto a la secuencia ( es decir , la exposición debe preceder al resultado), para poder considerar una relación causal. La proximidad temporal también puede ser útil en algunas evaluaciones de causalidad específicas, ya que cuanto más cerca en el tiempo estén la exposición investigada y el resultado, menos oportunidades habrá para que actúe una causa interviniente. Otra característica de la temporalidad que puede desempeñar un papel en una evaluación de causalidad específica es la latencia. Un resultado puede ocurrir demasiado pronto o demasiado tiempo después de una exposición para considerarlo causalmente relacionado. Por ejemplo, algunas enfermedades transmitidas por los alimentos deben incubarse durante horas o días después de la ingestión y, por lo tanto, una enfermedad que comienza inmediatamente después de una comida y que luego se descubre que es causada por un microorganismo transmitido por los alimentos que requiere más de 12 h de incubación no se consideró. causada por la comida investigada, incluso si una investigación revelara el microorganismo en el alimento ingerido. La fuerza de asociación es el criterio que se utiliza en la causalidad general para evaluar el impacto de la exposición en la población y, a menudo, se cuantifica en términos de RR. En una evaluación de causalidad específica, la fuerza de la asociación entre la exposición y el resultado se cuantifica mediante la CRR, como se describió anteriormente.
La investigación de la precisión de las pruebas es una práctica estándar en epidemiología clínica. En este entorno, se analiza una prueba de diagnóstico para determinar mediante diversas medidas con qué frecuencia el resultado de la prueba es correcto. En FE se utilizan los mismos principios para evaluar la precisión de las pruebas propuestas que conducen a conclusiones que son fundamentales para las determinaciones de culpabilidad o inocencia de los investigadores en investigaciones penales y de causalidad en asuntos civiles. La utilidad de una prueba depende en gran medida de su precisión, que se determina mediante una medida de la frecuencia con la que un resultado positivo o negativo representa realmente el estado real que se está probando. Para cualquier prueba o criterio, normalmente hay cuatro resultados posibles: (1) un verdadero positivo (TP), en el que la prueba identifica correctamente a los sujetos evaluados con la condición de interés; (2) un verdadero negativo (TN), en el que la prueba identifica correctamente a los sujetos de prueba que no tienen la condición de interés; (3) un falso positivo (FP), en el que la prueba es positiva aunque la condición no esté presente, y; (4) un falso negativo (FN) en el que la prueba es negativa aunque la condición esté presente. La Fig. 3.19 es una tabla de contingencia que ilustra las relaciones entre los resultados de la prueba y la presencia de la condición, así como los siguientes parámetros de precisión de la prueba:
La probabilidad se utiliza para caracterizar el grado de creencia en la verdad de una afirmación. La base de tal creencia puede ser un sistema físico que produzca resultados a un ritmo uniforme a lo largo del tiempo, como un dispositivo de juego como una ruleta o un dado. Con un sistema así, el observador no influye en el resultado; un dado justo de seis caras que se lanza suficientes veces caerá en cualquiera de sus caras 1/6 de las veces. Una afirmación de una probabilidad basada en un sistema físico se prueba fácilmente con suficiente experimentación aleatoria. Por el contrario, la base para un alto grado de creencia en una afirmación afirmada puede ser una perspectiva personal que no se puede probar. Esto no significa que la afirmación sea menos cierta que otra que pueda comprobarse. Como ejemplo, uno podría afirmar sinceramente que “si como un plátano hay una alta probabilidad de que me dé náuseas” basándose en una experiencia desconocida para cualquiera excepto para uno mismo. Es difícil poner a prueba tales afirmaciones, que se evalúan mediante pruebas colaterales de plausibilidad y analogía, a menudo basadas en experiencias personales similares. En entornos forenses, las afirmaciones de creencias a menudo se caracterizan como probabilidades, es decir, lo que es más probable , para un conjunto dado de hechos. Para circunstancias en las que existe una variedad de condiciones que pueden modificar o "condicionar" la probabilidad de un resultado o escenario particular, un método para cuantificar la relación entre las condiciones modificadoras y la probabilidad del resultado emplea el razonamiento bayesiano , llamado así por el teorema de Bayes. o Ley en la que se basa el enfoque. En pocas palabras, la ley de Bayes permite una cuantificación más precisa de la incertidumbre en una probabilidad determinada. Aplicada en un entorno forense, la Ley de Bayes nos dice lo que queremos saber dado lo que sabemos. Aunque la Ley de Bayes es conocida en las ciencias forenses principalmente por su aplicación a la evidencia de ADN, varios autores han descrito el uso del razonamiento bayesiano para otras aplicaciones en medicina forense, incluida la identificación y la estimación de la edad.
La probabilidad post-test es una ecuación bayesiana muy útil que permite calcular la probabilidad de que una condición esté presente cuando la prueba es positiva, condicionada por la prevalencia pretest de la condición de interés. Esta ecuación se muestra en el cuadro de la derecha:
La ecuación da como resultado un valor predictivo positivo para una determinada prevalencia previa al evento o previa a la prueba. En una circunstancia en la que la prevalencia previa a la prueba se considera "indiferente", los valores de prevalencia y (prevalencia 1) se cancelan, y el cálculo se simplifica a un valor predictivo positivo.