Epidemiología forense

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 EF está orientada a llenar el vacío entre el juicio clínico y los datos epidemiológicos para determinar la causalidad en demandas civiles y enjuiciamientos y defensas penales. ^{[1] [2] [3] [4]}

Los epidemiólogos forenses formulan conclusiones probabilísticas basadas en evidencias sobre el tipo y la cantidad de asociación causal entre una exposición dañina previa y el resultado de una lesión o enfermedad tanto en poblaciones como en individuos. Las conclusiones resultantes de un análisis de efectos forenses pueden respaldar la toma de decisiones legales sobre culpabilidad o inocencia en acciones penales y brindar un respaldo probatorio para los 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, agravios tóxicos o masivos, eventos adversos farmacéuticos, fallas de dispositivos médicos y productos de consumo, lesiones y muertes 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, exdirector adjunto del programa de armas biológicas soviético. El alcance de la epidemiología forense en ese momento se limitaba a la investigación de epidemias que podían ser 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 epidemiología funcional es más conocida y descrita como la aplicación sistemática de la epidemiología a cuestiones de causalidad controvertidas 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 estadounidenses, en particular en casos de responsabilidad civil por 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 los casos posteriores de síndrome de Guillain-Barré. ^[5]

Más recientemente, el método de efectos especiales también se ha descrito como un método basado en la evidencia para cuantificar la probabilidad de causalidad específica en individuos. El enfoque es particularmente útil cuando se cuestiona un enfoque de diagnóstico diferencial clínico para la causalidad. A continuación, en Ejemplos de preguntas de investigación abordadas por epidemiólogos forenses, se enumeran ejemplos que abarcan una amplia variedad de aplicaciones del método de efectos especiales.

La métrica de un análisis de causa de FE específico para cada caso es la razón 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 una 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 razón de probabilidades (OR) basados ​​en la población. Un ejemplo de un análisis 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 no usar el cinturón de seguridad en causar su lesión. Un análisis RR relevante consistiría en el examen de la frecuencia de lesiones graves en 1000 conductores sin cinturón de seguridad seleccionados al azar expuestos a una colisión frontal a 20 mph frente a la frecuencia de lesiones graves en 1000 conductores con cinturón de seguridad seleccionados al azar expuestos a la misma gravedad y tipo de colisión. Si la frecuencia de lesiones graves en el grupo expuesto al peligro presunto (no usar el cinturón de seguridad) fue de 0,15 y la frecuencia en el grupo no expuesto (con cinturón de seguridad) fue de 0,05, entonces el CRR sería lo mismo que el RR de 0,15/0,05. El diseño RR del análisis dicta que las poblaciones en las que 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 el no usar el cinturón de seguridad en el ejemplo. ^{[ cita requerida ]}

Sin embargo, en algunos casos que se dan en un entorno legal, el riesgo del numerador y del 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 extremidad inferior en un accidente de tráfico. Estas complicaciones a menudo son el resultado de coágulos de sangre que se forman 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 un CRR podría consistir en la comparación entre el riesgo de una EP después de una fractura de extremidad inferior (una tasa por evento) y el riesgo de EP a una semana en un paciente con TVP (una probabilidad dependiente del tiempo). ^{[ cita requerida ]}

Otro ejemplo de una CRR basada en poblaciones diferentes es cuando solo 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, para el 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 para los dos medicamentos.

La proporción atribuible bajo la exposición (PA _e ) es una indicación de la proporción de pacientes que estuvieron expuestos a la causa potencial y enfermaron debido a esta exposición. Solo se puede utilizar si el RR > 1 y se puede calcular por [(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 PA _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 límite inferior del intervalo de confianza del 95% de > 1,0), o el PA _e es > 50%. El PA _e también se conoce como la " Probabilidad de causalidad (PC) ", un 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 en el caso de lesiones u otras afecciones con un período de latencia relativamente corto entre la exposición y el resultado, se logra utilizando un enfoque de tres pasos, como se detalla a continuación: ^[6]

1. Plausibilidad: Este primer paso se ocupa de determinar si es biológicamente posible que el evento lesional haya causado la afección (también conocida como causalidad general) y sigue una aplicación especial de los puntos de vista establecidos por Hill (véase más adelante). Un hallazgo de plausibilidad no está relacionado con la frecuencia de la lesión, porque incluso si la lesión ocurre en solo 1 de cada 100 casos o menos de exposición al evento, sigue siendo plausible que sea causada por el evento. La plausibilidad es un obstáculo relativamente fácil de superar en un análisis causal y se satisface en gran medida por la falta de evidencia de improbabilidad de la relación. La plausibilidad se establece a menudo, pero no necesariamente, con datos o información epidemiológicos.
2. Temporalidad: Este segundo paso examina la evidencia clínica y de otro tipo del momento entre el inicio de los síntomas de la lesión y el evento de la lesión, y debe cumplirse para evaluar la causalidad específica. En primer lugar, debe establecerse que la secuencia de la lesión y el evento es apropiada; los síntomas no pueden estar presentes de manera idéntica antes del evento. Además, el inicio de los síntomas de la lesión no puede ser demasiado latente o insuficientemente latente, dependiendo de la naturaleza de la exposición y el resultado.
3. Falta de una explicación alternativa más probable: este paso final examina la probabilidad de que la lesión se presente en el mismo momento en el individuo, dado lo que se sabe sobre el individuo a partir de la revisión de los registros médicos y otras pruebas, pero en ausencia del evento de lesión (también conocido como diagnóstico diferencial). Primero, se debe evaluar la evidencia de eventos de lesión en competencia y comparar el riesgo (a menudo mediante el análisis de datos epidemiológicos). Luego, se debe evaluar la probabilidad de que la condición se presente de manera espontánea, dada la historia conocida del individuo.

La metodología de 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 demandado impugnó, entre otras cosas, la fiabilidad y la adecuación de los métodos descritos por el experto. Después de un examen y debate exhaustivos del proceso de tres pasos utilizado por el experto, el tribunal determinó que la metodología se ajustaba adecuadamente a los hechos específicos del caso y que un enfoque basado en la población (epidemiológico) era una parte adecuada de la metodología causal. El tribunal denegó la moción del demandado de eliminar el testimonio del experto en la orden, que se dictó el 31/3/14.

El demandado apeló la sentencia del Tribunal de Distrito y, en julio de 2016, el Tribunal de Apelaciones del Décimo Circuito de los Estados Unidos afirmó que la metodología causal de tres pasos es generalmente aceptada y bien establecida para evaluar la causalidad de las lesiones, según el estándar Daubert . Véase Etherton v. Auto-Owners Insurance Company , n.º 14-1164 (10.º Cir., 19/7/16)[2].

La plausibilidad de una asociación investigada se puede evaluar 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 se podía evaluar la causalidad de una asociación descrita en un estudio epidemiológico. ^[7] Hill se negó a llamar a sus puntos de vista "criterios" para que no se los considerara 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 tienen utilidad para evaluar la plausibilidad de una relación causal específica investigada, como sigue:

• Coherencia: Una conclusión causal no debe contradecir el conocimiento sustantivo actual. Debe "tener sentido" dado el conocimiento actual.
• Analogía: Los resultados de una relación causal previamente descrita pueden ser trasladables a las circunstancias de una investigación actual.
• Coherencia: La observación repetida de la relación investigada en diferentes circunstancias o en varios estudios otorga fuerza a una inferencia causal.
• Especificidad: El grado en que la exposición está asociada con un resultado particular.
• Plausibilidad biológica: el grado en que la asociación observada puede explicarse mediante principios científicos conocidos.
• Experimento: En algunos casos puede haber evidencia de experimentos aleatorios ( es decir , ensayos de medicamentos)
• Respuesta a la dosis: la probabilidad, frecuencia o gravedad del resultado aumenta con una mayor cantidad de exposición.

Autores posteriores han agregado la característica de desafío/desafío/redesafío para circunstancias en las que la exposición se repite en el tiempo y existe la capacidad de observar la respuesta del 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 verdaderos. 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 el sesgo de información , que es un error sistemático en la evaluación de una variable. Si bien son útiles para 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 un análisis de plausibilidad causal si se establece bien una relación causal general. En gran parte, se considera la plausibilidad de una relación una vez que se ha rechazado la inverosimilitud. Los dos criterios de Hill restantes son la temporalidad y la fuerza de la 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 considerar que una relación es causal. La proximidad temporal también puede ser útil en algunas evaluaciones de causalidad específicas, ya que cuanto más cerca estén en el tiempo la exposición investigada y el resultado, menos oportunidades hay de que actúe una causa interviniente. Otra característica de la temporalidad que puede tener 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 considerarse causalmente relacionado. Por ejemplo, algunas enfermedades transmitidas por alimentos deben incubarse durante horas o días después de la ingestión, y por lo tanto, una enfermedad que comienza directamente después de una comida, y que luego se descubre que es causada por un microorganismo transmitido por alimentos que requiere >12 h de incubación, no fue 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 por el CRR, como se describió anteriormente.

La investigación de la precisión de las pruebas es una práctica estándar en la epidemiología clínica. En este contexto, se examina una prueba diagnóstica para determinar mediante diversas medidas la frecuencia con la que un resultado de la prueba es correcto. En la epidemiología clínica 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 las 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 de la prueba representa verdaderamente el estado real que se está probando. Para cualquier prueba o criterio, normalmente hay cuatro resultados posibles: (1) un verdadero positivo (VP), en el que la prueba identifica correctamente a los sujetos evaluados con la afección de interés; (2) un verdadero negativo (TN), en el que la prueba identifica correctamente a los sujetos evaluados que no tienen la afección de interés; (3) un falso positivo (FP), en el que la prueba es positiva aunque la afección no esté presente, y; (4) un falso negativo (FN) en el que la prueba es negativa aunque la afección esté presente. La figura 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:

• Sensibilidad (la tasa en la que la prueba es positiva cuando la condición está presente) TP/(TP + FN)
• Especificidad (la tasa en la que la prueba es negativa cuando la condición está ausente) TN/(TN + FP)
• Valor predictivo positivo (la tasa en la que la condición está presente cuando la prueba es positiva) TP/(TP + FP)
• Valor predictivo negativo (la tasa en la que la condición está ausente cuando la prueba es negativa) TN/(TN + FN)

La probabilidad se utiliza para caracterizar el grado de creencia en la verdad de una afirmación. La base de dicha creencia puede ser un sistema físico que produce resultados a un ritmo uniforme en el tiempo, como un dispositivo de juego como una ruleta o un dado. Con un sistema de este tipo, el observador no influye en el resultado; un dado de seis caras que se lanza suficientes veces caerá en cualquiera de sus caras 1/6 de las veces. Una afirmación de probabilidad basada en un sistema físico se puede comprobar fácilmente con suficiente experimentación aleatoria. Por el contrario, la base de un alto grado de creencia en una afirmación afirmada puede ser una perspectiva personal que no se puede comprobar. Esto no significa que la afirmación sea menos verdadera que una que se puede comprobar. Por ejemplo, uno podría afirmar con veracidad que "si como un plátano hay una alta probabilidad de que me dé náuseas" basándose en una experiencia desconocida para todos excepto para uno mismo. Es difícil comprobar tales afirmaciones, que se evalúan mediante pruebas colaterales de plausibilidad y analogía, a menudo basadas en una experiencia personal similar. En el ámbito forense, las afirmaciones de creencia suelen caracterizarse como probabilidades, es decir, lo que es más probable , para un conjunto dado de hechos. Para las circunstancias en las que existen diversas 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 o ley de Bayes en el que se basa el enfoque. En términos más simples, la ley de Bayes permite una cuantificación más precisa de la incertidumbre en una probabilidad dada. Tal como se aplica 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 las pruebas de ADN, varios autores han descrito el uso del razonamiento bayesiano para otras aplicaciones en la 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 pre-test de la condición de interés. Esta ecuación se presenta en el recuadro de la derecha:

La ecuación da como resultado un valor predictivo positivo para una prevalencia previa al evento o previa a la prueba dada. 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.

• ¿Cuál es la probabilidad de que la exposición al asbesto que experimentó el Sr. X durante su empleo en la empresa Z causara su cáncer de pulmón?
• ¿Qué probabilidad hay de que el ADN encontrado en la escena forense pertenezca al Sr. X? ¿Cuál es la probabilidad de que usted esté equivocado? ¿Podría, en su cálculo de probabilidad, tener en cuenta las demás pruebas que apuntan a la identificación del Sr. X?
• ¿Podría estimar la probabilidad de que la amputación de la pierna de la Sra. Y se hubiera podido evitar si no se hubiera producido el retraso en el diagnóstico?
• ¿Qué probabilidad hay de que la insuficiencia cardíaca de la Sra. Y fuera efectivamente causada por el efecto secundario de este medicamento?
• ¿Cuál es la probabilidad de que la muerte que siguió a la administración del opiáceo durante 20 minutos se debiera al fármaco y no a otros factores (desconocidos)?
• ¿Cuál es la probabilidad de que el Sr. X hubiera necesitado una cirugía de cuello si no hubiera sufrido un accidente de tránsito menor el mes anterior?
• ¿Qué probabilidad hay de que el cáncer de vejiga de la Sra. Y fuera causado por el tabaquismo pasivo durante su encarcelamiento, dado que ella misma era una ex fumadora?
• ¿Qué porcentaje de responsabilidad es razonable en las circunstancias dadas?
• ¿Cuál sería la esperanza de vida del Sr. X en el momento de su muerte si no se hubiera producido la muerte por negligencia?
• ¿Cuánto tiempo se espera que sobreviva el Sr. X, dada su lesión cerebral y de la médula espinal, en base a una probabilidad mayor que la mínima?
• Dada la evidencia médica y no médica disponible sobre las circunstancias de este accidente de tránsito, ¿cuál es la probabilidad de que la Sra. Y fuera la conductora?
• Dada la evidencia médica y no médica disponible sobre las circunstancias de este accidente automovilístico, ¿cuál es la probabilidad de que el Sr. X estuviera usando el cinturón de seguridad?
• ¿Cuál es la probabilidad de que la necesidad de cirugía de la Sra. Y fuera resultado del accidente, versus la probabilidad de que hubiera ocurrido al mismo tiempo si el accidente no hubiera ocurrido?

• Meilia; Dianita Ika, Putri; Freeman, Michael D.; Zeegers, Maurice P. (2018). "Una revisión de la diversidad en taxonomía, definiciones, alcance y roles en medicina forense: implicaciones para la práctica basada en evidencia". Ciencia, medicina y patología forense . 14 (4): 460–68. doi : 10.1007/s12024-018-0031-6 . PMC  6267374 . PMID  30276619.

• Asociación Internacional de Epidemiología
• Equipo de Epidemiología Forense, Universidad de Maastricht, Michael Freeman y Maurice Zeegers
• Revista de Medicina Legal y Forense