La regressió de la mitjana és un fenomen pel qual, de forma natural, les puntuacions inicialment molt altes tendeixen a baixar, i viceversa, les baixes a pujar, és a dir, que els valors extrems tendeixen a normalitzar-se.
Per exemple, si estudiem un grup de pacients amb ansietat dos cops al llarg del temps, pot ser que a l’avaluació inicial alguns pacients tinguin nivells d’ansietat superiors als seus nivells habituals degut a factors passatgers (un mal dia, un problema puntual). De manera que, a la segona avaluació, quan aquests factors ja haurien desaparegut, aquests pacients mostrarien nivells d’ansietat més baixos, més pròxims als seus habituals. I a la inversa, alguns pacients podrien presentar a l’inici nivells d’ansietat inferiors als seus habituals degut a factors passatgers (un dia tranquil, una petita alegria) i a la segona avaluació mostrarien nivells d’ansietat més alts, més pròxims als seus habituals. Llavors, com que els que puntuaven alt a l’inici tendeixen a baixar i els que puntuaven baix tendeixen a pujar, un model podria semblar capaç de predir l’evolució de l’ansietat a partir de l’ansietat inicial, quan en realitat només estaria captant la tendència natural dels valors extrems a apropar-se a la mitjana. Per tant, en aquest cas, el model hauria aparentat una bona capacitat predictiva sense haver identificat informació realment útil sobre l’evolució dels símptomes.
Quatre investigadors del Clínic-IDIBAPS, Joaquim Raduà, Eduard Vieta, Vincenzo Oliva i Michele De Prisco, dels grups de recerca en Imatge dels trastorns relacionats amb l'estat d'ànim i l'ansietat i Trastorns bipolars i depressius, han realitzat un comentari metodològic publicat a la revista Nature Mental Health que explica aquest problema mitjançant exemples conceptuals, simulacions i una il·lustració amb dades reals de 942 persones amb mesures repetides d’ansietat i depressió. El problema, però, és el mateix en qualsevol especialitat mèdica i tant si s’usa IA com si no.
Joaquim Raduà explica que “el treball no implica un canvi immediat en l’atenció als pacients, però pretén evitar que es difonguin eines de predicció, com ara les basades en intel·ligència artificial, que semblin més precises del que realment són, i així evitar que es prenguin decisions clíniques basades en prediccions que semblen més bones del que realment són”.
A l’article es proposa un procediment senzill per comprovar si les eines de predicció aporten informació predictiva real més enllà d’aquest fenomen estadístic. Els investigadors proposen aplicar aquest criteri en futurs estudis, incorporar-lo a les recomanacions metodològiques sobre la creació de models de predicció de símptomes i revisar fins a quin punt alguns resultats publicats poden estar influïts per aquest artefacte estadístic.
