Efectos heterogéneos del tratamiento

Cuando probamos un tratamiento —un medicamento, un programa de formación o un cambio de política—, el efecto promedio puede ocultar que algunas personas se benefician mucho, mientras que otras apenas se benefician o incluso salen perjudicadas. Esta variación entre personas o subgrupos se llama efectos heterogéneos del tratamiento. El pequeño beneficio promedio del programa para perder peso ocultaba que funcionaba bien para los participantes más jóvenes, pero no para los mayores. Entender esta variación nos ayuda a dirigir los tratamientos a quienes realmente se beneficiarán y a evitar desperdiciar recursos o causar daño a quienes no se beneficiarán. Prueba esto: Cuando veas un resultado promedio, pregúntate si distintos grupos podrían haber tenido resultados muy diferentes.

Cómo funcionan los efectos heterogéneos

Primero, los investigadores calculan el efecto promedio del tratamiento para todas las personas del estudio. Esta única cifra te dice qué ocurre en promedio, pero puede ocultar diferencias importantes. El mecanismo clave es que las características individuales —edad, estado de salud, antecedentes y contexto— interactúan con el tratamiento y producen resultados distintos. Cuando estas diferencias varían de forma sistemática entre subgrupos, hablamos de efectos heterogéneos del tratamiento.

Por qué importa

En medicina, un fármaco podría prolongar la vida de pacientes con un perfil genético y acortarla en otros. Un programa educativo podría mejorar las calificaciones de estudiantes que ya tienen una buena base, pero resultar abrumador para quienes van rezagados. Una campaña de marketing por correo electrónico podría impulsar las compras de clientes nuevos y, a la vez, molestar a los actuales. En cada caso, el efecto promedio podría parecer pequeño o incluso nulo, y ocultar que el tratamiento es muy eficaz para ciertos grupos y perjudicial para otros.

Cómo encontrar los patrones

Los investigadores identifican efectos heterogéneos mediante pruebas que buscan diferencias entre subgrupos —comparando los resultados de hombres y mujeres, o de jóvenes y mayores— o mediante aprendizaje automático para descubrir qué características predicen quién se beneficia más. El principal riesgo es el problema de las comparaciones múltiples: si analizas suficientes subgrupos, encontrarás algunas diferencias por puro azar. Por eso, los investigadores deben definir de antemano qué subgrupos examinarán o usar métodos que ajusten los resultados para tener en cuenta las múltiples pruebas.

Aplicaciones prácticas

En la atención sanitaria, los efectos heterogéneos permiten personalizar la medicina: asignar tratamientos a los pacientes con más probabilidades de beneficiarse. En las empresas, orientan las decisiones sobre a quién dirigirse, como mostrar anuncios solo a clientes con probabilidades de responder. En las políticas públicas, revelan si un programa funciona mejor en entornos urbanos o rurales, en hogares de ingresos altos o bajos, o en distintos contextos culturales. La clave es ir más allá de «¿funciona esto en promedio?» y preguntar «¿para quién funciona?». Esa pregunta transforma cómo distribuimos los recursos y diseñamos las intervenciones.

La investigación sobre los efectos heterogéneos del tratamiento se centra en estimar los efectos promedio condicionales del tratamiento (CATE, por sus siglas en inglés) —el efecto promedio en subgrupos definidos por características específicas— y en desarrollar métodos para descubrir estos patrones sin caer en falsos positivos por realizar múltiples pruebas. Los métodos de aprendizaje automático, como los bosques causales, los árboles de regresión aditiva bayesiana (BART) y las máquinas de vectores de soporte, automatizan la búsqueda de efectos heterogéneos mientras controlan las tasas de error estadístico. Este campo ha pasado de las comparaciones sencillas entre subgrupos al descubrimiento flexible de patrones complejos a partir de los datos.

• Imai y Ratkovic (2013): Desarrollaron un método para estimar efectos heterogéneos del tratamiento que concentra la potencia estadística en detectar qué subgrupos se benefician más y mantiene una inferencia estadística válida entre múltiples subgrupos [1].
• Athey y Wager (2019): Aplicaron bosques causales para estimar efectos heterogéneos del tratamiento en un estudio observacional. Mostraron cómo estos bosques usan puntuaciones de propensión estimadas para ser más robustos frente a los factores de confusión y tener en cuenta los errores agrupados [2].
• VanderWeele y Knol (2011): Aclararon la distinción entre las diferencias descriptivas entre subgrupos y las afirmaciones causales sobre variables moderadoras, mostrando que la mayoría de los análisis de subgrupos en ensayos aleatorizados son descriptivos y no causales [3].

Las comparaciones múltiples generan un riesgo serio: analizar muchos subgrupos garantiza que algunos resultados parecerán estadísticamente significativos por puro azar. Los análisis tradicionales de subgrupos son especialmente vulnerables a este problema. Los métodos de aprendizaje automático ayudan, pero requieren muestras grandes para detectar la heterogeneidad de forma fiable. Los efectos descubiertos sin una justificación teórica sólida podrían no reproducirse en nuevas poblaciones. Además, muchos estudios no tienen suficiente potencia estadística para detectar efectos heterogéneos, aunque existan: centrarse solo en el efecto promedio requiere muestras más pequeñas que buscar variaciones entre subgrupos. Por último, las características que definen los subgrupos suelen estar correlacionadas —como la edad y el estado de salud, o los ingresos y el nivel educativo—, lo que dificulta identificar qué característica realmente produce el efecto heterogéneo.