¿Por qué la medicina no es una ciencia “exacta”? Lo cierto es que ni siquiera las matemáticas son una ciencia exacta, por eso el grado ha cambiado su nombre, para incluir a la estadística, pero la pregunta es buena. ¿Por qué no logramos teorías médicas tan precisas y predictivas como lo son las de la física? La teoría cuántica de campos, por ejemplo, es capaz de hacer predicciones con un grado de precisión equivalente a medir la distancia entre Madrid y Nueva York y equivocarse por el grosor de un pelo humano. ¿Cómo es posible que todavía no podamos predecir con exactitud quién desarrollará un cáncer y quién no? La clave está en la complejidad, pero un grupo de científicos del MIT acaban de publicar una investigación que podría empezar a cambiar las tornas.

Un equipo de investigación del Instituto Tecnológico de Massachusetts, acaba de publicar en la prestigiosa revista Nature Communications un artículo titulado “Descomponiendo la causalidad en sus componentes sinérgicos, únicos y redundantes” que podría cambiar cómo abordamos las ciencias más “blandas” que, en realidad, son las más complejas. En muy resumidas cuentas, han desarrollado un algoritmo capaz de procesar grandes cantidades de datos, detectar cuándo unos influyen directamente en otros (como el número de predadores en la esperanza de vida de las presas) y clasificarlos para comprender mejor el tipo exacto de relación.

Relación o causalidad

Esto, que puede sonar abstracto, sería una herramienta fabulosa para mejorar el diseño de aviones, haciéndolos más eficientes. De hecho, eso es lo que pretenden, pero sus aplicaciones son casi infinitas, desde la medicina hasta la economía. Y es que, en realidad, las supersticiones en general no son otra cosa que errores al atribuir relaciones de causa efecto a dos variables que, en realidad, no están relacionadas o, al menos, no como nosotros pensamos. Esta algoritmo podría ayudar a ponerles fin. Para entenderlo un poco mejor, digamos que estos investigadores se han enfrentado a la gran pregunta de las ciencias: ¿estoy midiendo correlación o causalidad? Dicho de una forma más llana sería: ¿estos cambios que he medido son pura casualidad o realmente son consecuencia de lo que quiero estudiar?

Por ejemplo: puede que la mayoría de los días que me pongo un jersey cene sopa, pero una cosa no es causa de la otra, no es causal, es casual, una mera correlación. El motivo por el que se presentan juntas es porque ambas son causa (al menos parcial) de que haga frío. Esa es la relación que realmente me interesa estudiar: entre temperatura y ropa y, por otro lado, entre temperatura y comida. No obstante, ya existían algoritmos capaces de desvelar relaciones causales entre distintas variables, pero para estos investigadores les faltaba algo: el tipo de relación causal.

Única, sinérgica y redundante

Las relaciones causales más básicas serían las “únicas”, donde una variable es necesaria y suficiente para generar el efecto, por ejemplo: la sal es capaz de salar nuestros guisos por ella misma. Algunas variables, no obstante, solo tienen efecto cuando se presentan agrupadas y a esas las llamamos “sinérgicas”. Por ejemplo: hay sustancias que solo actúan cuando las mezclamos, como los pegamentos bicomponentes, esos que vienen en dos tubos separados. Por separado no hacen nada, pero cuando se aplican juntos, generan un efecto adhesivo poderosísimo. En este caso, el efecto solo se produce si las dos variables están presentes y eso sucede con mucha frecuencia en farmacología, donde dos tratamientos pueden potenciarse, anularse o cambiar su efecto.

El otro caso es la relación causal redundante. De hecho, es muy frecuente, porque rara vez encontramos que una causa esté generada por una única variable. Por ejemplo: tanto la actividad física como la dieta saludable tienen un efecto positivo sobre la salud cardiovascular. Si el individuo realiza ejercicio o mantiene una dieta saludable, obtendrá una mejora en la salud cardiovascular, y el efecto de ambas variables es similar. Este efecto es redundante, pues cualquiera de las dos variables podría causar un resultado similar sin necesitar a la otra.

Un mapa del metro

El resultado de aplicar el algoritmo a los datos medidos para un gran número de variables es, algo así, como un mapa del metro. Cada variable sería una parada y si hay una línea que las une es que existe relación causal. En función del grosor de esa línea y de la dirección podemos deducir cuánto efecto tiene una variable sobre otra e, incluso, deducir si estamos ante una causalidad única, sinérgica o redundante. Es más… el algoritmo puede incluso deducir cuándo los cambios de una variable son demasiados para que los podamos explicar a partir del resto de variables que hemos medido. Eso nos da la pista de que deben existir otras variables relevantes que se nos han pasado por alto.

Por ejemplo: si la temperatura ha bajado dos grados desde ayer, pero la gente ha pasado de llevar camiseta de tirantes a abrigos de plumas, a nuestra explicación le falta algo, porque un grado no puede influir tanto. Ahora, imagina el potencial que tiene una herramienta así para abordar problemas de disciplinas como la medicina, la ecología, la sociología o la economía. Ramas del saber que estudian sistemas muy complejos en el sentido más estricto de la palabra: compuestos por multitud de piezas que influyen unas en las otras. Con suerte, esto podría ser uno de los muchos pasitos que, poco a poco, nos acercarán a una revolución de las ciencias complejas y, con ello, un aumento del bienestar.

QUE NO TE LA CUELEN:

• Que una ciencia sea más compleja no significa que sea más difícil, sino que, simplemente, estudia sistemas compuestos por multitud de partes con efectos entre sí. Sin duda, un átomo está compuesto de muchas subpartículas, tiene su complejidad, pero una molécula está compuesta de varios átomos, una célula de muchas moléculas, un tejido de muchas células, los órganos de tejidos, los sistemas de órganos, los seres vivos de sistemas, las poblaciones de seres vivos...

REFERENCIAS (MLA):

• Martínez-Sánchez, Á., Lozano-Durán, A., & Arranz, G. (2023). Decomposing causality into its synergistic, unique, and redundant components. Nature Communications, 14(1), 1234. https://doi.org/10.1038/s41467-023-01234