¿La mayoría de las investigaciones médicas están equivocadas? ¿Por qué o por qué no?

Entonces, esta es una discusión interesante. La pregunta fue publicada por alguien con un sesgo claro en contra de la investigación médica (al menos hasta el punto de haber respondido negativamente a su propia pregunta) y respondida por 3 personas que no parecen ser investigadores médicos. De estos, el Sr. VanLang es perfecto. Gran parte de lo que “escuchas” es una interpretación de un periodista; algunos son buenos en esto, otros no. La otra parte del problema es que la mayoría del público justificadamente no puede leer la literatura primaria y debe confiar en dichos reporteros. Además, las organizaciones de noticias, particularmente las electrónicas, carecen de la razón y el espacio para debatir a fondo el diseño e interpretación del estudio. ¿Qué hacer? Lea múltiples fuentes, esté mejor informado y tome su propia decisión.

Los conceptos de que el sistema está equivocado, los datos son incorrectos, o que es en gran parte placebo son simplemente erróneos. La ciencia es en gran medida autocorrectiva. Es decir, los hallazgos importantes se determinan rápidamente como verdaderos (reproducibles) o no, verdaderos, aunque no necesariamente falsos. Los científicos son escépticos por naturaleza y cuando alguien publica un hallazgo notable, media docena de laboratorios competidores intentarán repetirlo. No solo para verificar los resultados, sino para aprender su impacto en su propia investigación.

El proceso de autocorrección, por cierto, es cómo se descubren la mayoría de los informes fraudulentos; la comunidad científica los descubre, los informa y disciplina a los perpetradores (censura, despido, pérdida de fondos del NIH, etc.). Por supuesto, la mala conducta científica ocurre, como ocurre en cualquier otro campo; el científico es humano Sin embargo, ocurre mucho menos de lo que el Sr. Y’barbo implicaría. También me gustaría señalar que, solo porque un informe falsificado sobre un tema ocurra no significa que la relación no existe. Particularmente en la investigación clínica, los criterios de valoración son difíciles de controlar y se necesitan múltiples estudios para obtener respuestas claras. El uso del metanálisis ahora permite que múltiples estudios divergentes sean estudiados retroactivamente para proporcionar una mejor comprensión.

Una nota final. Los datos son los datos. Las interpretaciones varían. Si el estudio fue bien diseñado, configurado correctamente y es reproducible en otros laboratorios / clínicas, entonces nos corresponde a nosotros descubrir qué nos dicen los datos.

PD: soy un investigador biomédico con más de 25 años de experiencia dirigiendo laboratorios clínicos, académicos y de biotecnología de entre 10 y 30 personas

Esta es una pregunta interesante y una discusión interesante. Estoy escribiendo esto como una persona que ha llevado a cabo docenas de ensayos clínicos, y también como una persona que resultó ser negativa en su doctorado. tesis: una negativa que muchas compañías ignoraron y ahora está causando dolor a muchos pacientes.

Para los comentarios a continuación, me centraré en la investigación médica epidemiológica en lugar de una evaluación individual del paciente. Las soluciones que funcionan en general pueden ser inapropiadas para un paciente individual, y viceversa.

Creo que hay dos factores distintos en juego:

El primero es: Dificultad para interpretar y analizar datos:
Esto ha sido bien discutido anteriormente. Todo el mundo quiere que las estadísticas sean fáciles, no lo es. Cuando se trata de múltiples entradas, muchas de las cuales varían en diferentes grados, es difícil llegar a conclusiones definitivas. Como otros han señalado anteriormente, la investigación científica se autocorrige en gran medida A LO LARGO DEL TIEMPO. Eso es parte del proceso científico que los no científicos tienen dificultades para entender, que puede llevar décadas confirmar o corregir un hallazgo.

El segundo factor es más insidioso ya que afecta a los datos brutos en sí: el fuerte sesgo sistemático hacia la generación de datos positivos.
Las tres razones detrás de esto son los sospechosos habituales: dinero, poder y fama. Por ejemplo, es muy difícil obtener una subvención NIH sin datos preliminares positivos. Intente obtener un presupuesto de investigación en una compañía farmacéutica sin datos positivos fuertes. Intente decir “No, no creo que el diseño de implantes funcione” cuando sus tres competidores estén hundiendo $ 100M en esas áreas. Esto lleva a los casos de abuso como los citados anteriormente. No quiero minimizar el impacto de estos abusos: impactan la vida de las personas, alejan el dinero de los puntos de investigación válidos y, en casos extremos, incluso pueden dañar o dañar a las personas.

Yo diría que, en general, el establecimiento científico médico es mejor que la mayoría de los errores de autorregulación y corrección A LO LARGO DEL TIEMPO. También argumentaría que el tiempo de corrección ha ido disminuyendo constantemente a medida que las herramientas científicas y las herramientas estadísticas han mejorado.

Finalmente, la comunicación científica de los científicos debe mejorar. Deben citar el número de estudios que han corroborado sus hallazgos y los estudios que no están de acuerdo. Deben citar el número de años que la evidencia ha tenido.
Además, sería útil un mecanismo que genere fondos (que no sean demandas legales) para recompensar la publicación e investigación de datos negativos.