Cambios de personalidad asociados con los trasplantes de órganos

El artículo aborda el cambio de paradigma en el diagnóstico de los trastornos neurocognitivos , especialmente en el contexto del envejecimiento y la demencia, destacando cómo las herramientas modernas han mejorado significativamente la precisión diagnóstica. Históricamente, el diagnóstico de enfermedades como el Alzheimer (AD) se basaba en criterios clínicos poco específicos, lo que llevaba a errores frecuentes. Autopsias han revelado que hasta un 17% de los pacientes diagnosticados con AD no tenían la patología correspondiente, y un 39% de los no diagnosticados sí la presentaban. Esto subraya la necesidad de una evaluación más precisa. El nuevo enfoque diagnóstico es multimodal , combinando: Evaluación clínica detallada: historia cognitiva, funcional y conductual, obtenida tanto del paciente como de cuidadores. Examen físico y neurológico: para detectar signos de enfermedades subyacentes. Pruebas cognitivas: como el MoCA, más sensible que el MMSE para detectar deterioro leve. Evaluación neuropsicológica: útil en casos complejos, aunque limitada por acceso y coste. Se destacan también los biomarcadores : Análisis de sangre: marcadores como Aβ42/40, p-tau181, p-tau217 y neurofilamento ligero están emergiendo como alternativas menos invasivas y más accesibles. Líquido cefalorraquídeo (LCR): sigue siendo útil para confirmar AD, aunque su uso está limitado por la invasividad. Genética: el alelo APOE ε4 indica riesgo, pero no debe usarse como diagnóstico en individuos asintomáticos. En cuanto a neuroimagen, se utilizan: MRI y CT: para detectar atrofias y lesiones características de distintos tipos de demencia. PET y DaTscan: para visualizar directamente placas de amiloide, tau o actividad dopaminérgica, según el tipo de demencia. Además, se mencionan herramientas complementarias como EEG, estudios del sueño y análisis de la marcha, útiles en casos específicos como la enfermedad de Creutzfeldt-Jakob o la hidrocefalia normotensiva. El artículo concluye que la precisión diagnóstica es clave para una planificación terapéutica adecuada, y que la integración de herramientas clínicas, de imagen y biomarcadores permite una mejor diferenciación entre síndromes superpuestos. Aunque existen barreras como el coste y el acceso, los avances actuales, especialmente en biomarcadores sanguíneos, prometen democratizar el diagnóstico y reducir las disparidades.

El artículo ofrece una guía práctica para evaluar la calidad de los ensayos clínicos aleatorizados (RCTs), considerados el estándar de oro en investigación médica. Dado que no todos los RCTs son igual de fiables, los autores proponen criterios clave para discernir cuáles merecen confianza. Principales puntos del análisis: Hipótesis primaria clara : Un buen RCT debe declarar explícitamente su hipótesis principal. La ausencia de esta declaración puede indicar HARK-ing (formular hipótesis después de conocer los resultados), lo que compromete la validez del estudio. Escepticismo ante hipótesis poco plausibles : Si la hipótesis parece improbable, se debe ser cauteloso con los resultados. Triple ciego : Idealmente, ni los pacientes, ni los clínicos, ni los evaluadores deben conocer la asignación de tratamiento para evitar sesgos. Aleatorización válida : Debe realizarse mediante métodos modernos, como programas informáticos, para asegurar grupos comparables. Características basales: El estudio debe mostrar una tabla con las características iniciales de los pacientes. Si estos no se parecen a los pacientes reales del clínico, la aplicabilidad del estudio disminuye. Duración adecuada del seguimiento: Muchos RCTs son demasiado cortos. Un resultado positivo a corto plazo no garantiza beneficios sostenidos. Tamaño muestral y tasa de abandono : Muestras grandes y bajas tasas de abandono aumentan la fiabilidad. Cuando hay abandonos, se suelen imputar datos (por ejemplo, usando el método LOCF), lo que puede distorsionar los resultados. Significación estadística vs relevancia clínica: Un resultado estadísticamente significativo no implica que sea clínicamente útil. Es crucial considerar el tamaño del efecto y no solo el valor p. Intervalos de confianza y de predicción: El intervalo de confianza estima dónde se encuentra el valor medio. El intervalo de predicción muestra la variabilidad de los resultados y permite calcular el número necesario a tratar (NNT). Número necesario a tratar (NNT) : Si, por ejemplo, el 20% de los pacientes logran un resultado clínicamente significativo, el NNT sería 5 (hay que tratar a 5 para que 1 mejore). Uso de escalas validadas : En psiquiatría, es común usar escalas de evaluación; estas deben estar bien validadas para que los resultados sean fiables. Aplicación práctica : El artículo incluye hojas de trabajo para ayudar a los clínicos y a sus estudiantes a practicar el análisis de RCTs.