La regresión a la media es un fenómeno por el cual, de forma natural, las puntuaciones inicialmente muy altas tienden a disminuir y, a la inversa, las bajas tienden a aumentar; es decir, los valores extremos tienden a normalizarse.
Por ejemplo, si estudiamos a un grupo de pacientes con ansiedad en dos momentos distintos a lo largo del tiempo, puede ocurrir que, en la evaluación inicial, algunos pacientes presenten niveles de ansiedad superiores a los habituales debido a factores transitorios (un mal día, un problema puntual). Así, en la segunda evaluación, cuando estos factores ya hayan desaparecido, estos pacientes mostrarían niveles de ansiedad más bajos y más cercanos a los habituales. Del mismo modo, algunos pacientes podrían presentar inicialmente niveles de ansiedad inferiores a los habituales debido a factores transitorios (un día tranquilo, una pequeña alegría) y, en la segunda evaluación, mostrar niveles de ansiedad más altos, más próximos a los habituales. Por tanto, dado que quienes obtienen puntuaciones altas al inicio tienden a disminuir y quienes obtienen puntuaciones bajas tienden a aumentar, un modelo podría parecer capaz de predecir la evolución de la ansiedad a partir de la ansiedad inicial cuando, en realidad, solo estaría captando la tendencia natural de los valores extremos a acercarse a la media. En este caso, el modelo aparentaría tener una buena capacidad predictiva sin haber identificado información realmente útil sobre la evolución de los síntomas.
Cuatro investigadores del Clínic-IDIBAPS, Joaquim Raduà, Eduard Vieta, Vincenzo Oliva y Michele De Prisco, de los grupos de investigación en Imagen de los trastornos relacionados con el estado de ánimo y la ansiedad (IMARD) y Trastornos bipolares y depresivos, han publicado un comentario metodológico en la revista Nature Mental Health que explica este problema mediante ejemplos conceptuales, simulaciones y una ilustración con datos reales de 942 personas con medidas repetidas de ansiedad y depresión. Sin embargo, el problema es el mismo en cualquier especialidad médica, independientemente de si se utiliza inteligencia artificial o no.
Joaquim Raduà explica que "el trabajo no implica un cambio inmediato en la atención a los pacientes, pero pretende evitar que se difundan herramientas de predicción, como las basadas en inteligencia artificial, que parezcan más precisas de lo que realmente son y, de este modo, evitar que se tomen decisiones clínicas basadas en predicciones que aparentan ser mejores de lo que en realidad son".
En el artículo se propone un procedimiento sencillo para comprobar si las herramientas de predicción aportan información predictiva real más allá de este fenómeno estadístico. Los investigadores proponen aplicar este criterio en futuros estudios, incorporarlo a las recomendaciones metodológicas sobre la creación de modelos de predicción de síntomas y revisar hasta qué punto algunos resultados publicados pueden estar influidos por este artefacto estadístico.
