Cuando se estudian los efectos de múltiples sustancias o agentes actuando simultáneamente sobre un sistema biológico, surge una pregunta fundamental: ¿cómo se combinan sus efectos individuales? ¿Simplemente se suman, o interactúan de formas más complejas? Comprender esta combinación es crucial en campos como la toxicología, la farmacología y la investigación biomédica.
Históricamente, han surgido diferentes enfoques para definir lo que significa una respuesta 'aditiva' o 'sumatoria'. Dos de las definiciones más prominentes y, a menudo, contradictorias, se basan en conceptos estadísticos y biológicos distintos. Este artículo busca aclarar estas ideas sin pretender ser un tratamiento matemático riguroso, basándose en la información proporcionada.
Para simplificar la discusión, consideraremos un escenario con dos agentes (llamémoslos A y B) y una única respuesta de interés. Esta respuesta puede ser de naturaleza dicotómica (sí/no, como muerte o ausencia de cáncer) o cuantitativa (un valor medible, como la pérdida de peso). Asumimos que la relación dosis-respuesta es monotónica para ambos agentes por separado (más dosis nunca disminuye la respuesta) y que las muestras de estudio son lo suficientemente grandes como para ignorar la variación aleatoria.
- Modelos de Respuesta Combinada: Más Allá de la Simple Suma
- Definición de Aditividad: Dos Perspectivas Principales
- Supuestos Clave de los Modelos
- Interpretación de Datos: Un Ejemplo Práctico
- ¿Cuál Definición Utilizar? Contexto y Propósito
- Concepto Distinto: El Efecto Aditivo en Psicología/Estadística de Modelos
- Preguntas Frecuentes
- ¿Qué significa "aditividad" en toxicología o farmacología?
- ¿Cuál es la diferencia clave entre aditividad de dosis y aditividad de respuesta?
- ¿Por qué es importante distinguir entre estos dos tipos de aditividad?
- Si una combinación es sinérgica bajo aditividad de dosis, ¿será sinérgica bajo aditividad de respuesta?
- ¿Estos conceptos se aplican solo a sustancias químicas?
- ¿Qué es el "efecto aditivo" en un modelo estadístico?
- Conclusión
Modelos de Respuesta Combinada: Más Allá de la Simple Suma
Visualizar la relación entre las dosis de dos agentes y la respuesta resultante puede hacerse de manera similar a un mapa topográfico. En este mapa, las dosis de los agentes A y B formarían los ejes (por ejemplo, eje X y eje Y), y la respuesta (por ejemplo, el porcentaje de individuos afectados o la magnitud de un cambio fisiológico) se representaría mediante contornos o curvas de nivel. El origen (dosis cero de ambos agentes) representa el nivel de respuesta de fondo, y los puntos a lo largo de los ejes (dosis cero de uno de los agentes) muestran las curvas dosis-respuesta habituales para cada agente por separado.
Designemos la respuesta observada a una dosis 'a' del agente A y una dosis 'b' del agente B como r(a,b). Así, r(0,0) es la respuesta de fondo, r(a,0) es la respuesta solo al agente A en dosis 'a', y r(0,b) es la respuesta solo al agente B en dosis 'b'.
Definición de Aditividad: Dos Perspectivas Principales
Existen dos modelos principales para definir la aditividad de efectos cuando se combinan dos agentes:
- Aditividad de Dosis
- Aditividad de Respuesta
Aunque ambos usan el término 'aditividad', se basan en lógicas muy diferentes y, por lo tanto, pueden conducir a interpretaciones opuestas sobre si una combinación es sinérgica o antagónica.
Aditividad de Dosis: El Modelo Basado en Contornos
La Aditividad de Dosis se centra en la idea de que un agente puede ser sustituido por una cantidad equivalente del otro agente en términos de efecto. Para entenderla, considere un punto específico (a,b) en nuestro mapa topográfico que produce una respuesta r(a,b). Esta respuesta r(a,b) se encuentra en un determinado 'contorno' de respuesta.
En el modelo de aditividad de dosis, se considera la línea recta que conecta los puntos en los ejes donde solo uno de los agentes produce el mismo nivel de respuesta que r(a,b). Si el punto (a,b) cae exactamente sobre esta línea recta que une los 'extremos' del contorno en los ejes, se dice que los agentes exhiben aditividad de dosis en ese punto.
Por ejemplo, si la mitad de la dosis letal 10% (LD10) del agente A combinada con la mitad de la LD10 del agente B resulta en una mortalidad del 10% (es decir, otra LD10), se dice que A y B muestran aditividad de dosis en esa combinación específica. La aditividad de dosis sobre un rango de respuestas (por ejemplo, todas las LDx) ocurriría si y solo si todos los contornos de respuesta en ese rango fueran líneas rectas.
Desde la perspectiva de la aditividad de dosis:
- Si el punto (a,b) cae por encima de la línea recta del contorno (es decir, la respuesta r(a,b) es mayor de lo esperado por simple sustitución de dosis), los agentes son sinérgicos.
- Si el punto (a,b) cae por debajo de la línea recta del contorno (la respuesta r(a,b) es menor de lo esperado), los agentes son antagónicos.
Este modelo está alineado con el concepto de 'acción similar' de los agentes, donde uno puede 'reemplazar' al otro en cierta proporción para lograr el mismo efecto.
Aditividad de Respuesta: El Modelo Basado en la Suma de Efectos
La Aditividad de Respuesta es una definición conceptualmente diferente y más cercana a la utilizada en otras áreas de la estadística y las matemáticas. Define la aditividad basándose en la suma de las respuestas producidas por cada agente por separado a las dosis administradas.
En su forma más simple, la aditividad de respuesta postularía que r(a,b) = r(a,0) + r(0,b). Sin embargo, esta definición a menudo se modifica, especialmente para respuestas dicotómicas (como la probabilidad de un evento), para reflejar conceptos de independencia estadística. Para respuestas dicotómicas y sin considerar una respuesta de fondo (r(0,0) = 0), la aditividad se define a menudo en términos de probabilidades:
P(respuesta a a,b) = P(respuesta a a,0) + P(respuesta a 0,b) - P(respuesta a a,0) * P(respuesta a 0,b)
Esta fórmula representa la probabilidad de que ocurra el evento si la acción de los dos agentes es estadísticamente independiente. Si consideramos una respuesta de fondo r(0,0) distinta de cero, la fórmula se ajusta redefiniendo las respuestas individuales como la respuesta incremental por encima del fondo, normalizada por el máximo posible por encima del fondo (1 - r(0,0)).
En el gráfico de contornos, la aditividad de respuesta se evalúa dibujando líneas horizontales y verticales desde el punto (a,b) hacia los ejes. Se examinan las respuestas en los cuatro puntos relevantes (el origen (0,0), (a,0), (0,b) y (a,b)) para determinar si la ecuación de independencia (o la suma simple para respuestas cuantitativas) se satisface.
Desde la perspectiva de la aditividad de respuesta:
- Si r(a,b) es mayor de lo calculado por la fórmula de aditividad (suma simple o fórmula de independencia), los agentes son sinérgicos.
- Si r(a,b) es menor de lo calculado por la fórmula de aditividad, los agentes son antagónicos.
Este modelo se relaciona más con el concepto de 'independencia' de la acción de los agentes, donde sus efectos se combinan de manera predecible si actúan por vías separadas.
Supuestos Clave de los Modelos
Es importante recordar los supuestos simplificadores bajo los que se discuten estos modelos en el texto de referencia:
- Solo se consideran dos agentes.
- Solo hay una única respuesta de interés (dicotómica o cuantitativa).
- La relación dosis-respuesta para cada agente es monotónica (nunca disminuye la respuesta al aumentar la dosis).
- Las muestras de estudio son lo suficientemente grandes como para ignorar la variación aleatoria.
Estos supuestos hacen que los modelos sean más manejables conceptualmente, pero las aplicaciones en el mundo real pueden ser más complejas.
Interpretación de Datos: Un Ejemplo Práctico
La diferencia fundamental entre la aditividad de dosis y la aditividad de respuesta se vuelve muy clara al interpretar datos experimentales. Los mismos datos pueden llevar a conclusiones opuestas dependiendo del modelo utilizado.
Consideremos el ejemplo proporcionado en el texto, que muestra la incidencia de cáncer (en porcentaje) a diferentes dosis de dos químicos, A y B:
| Incidencia de Cáncer (Porcentaje) a Dosis de A (µg/kg) | |||
|---|---|---|---|
| Dosis de B (µg/kg) | 0 | 10 | 20 |
| 0 | 5% | 19% | 22% |
| 100 | 17% | 27% | 39% |
| 200 | 25% | 42% | 61% |
Nos preguntamos: ¿Son los efectos de A a 10 µg/kg y B a 100 µg/kg aditivos, sinérgicos o antagónicos?
Según la tabla, a 10 µg/kg de A y 100 µg/kg de B, la incidencia observada es del 27%. Los controles (dosis cero de ambos) tienen una incidencia del 5%.
Evaluación por Aditividad de Respuesta (considerando el fondo)
Primero, ajustamos las incidencias restando el fondo y normalizando por el máximo posible por encima del fondo (1 - 0.05 = 0.95). Las respuestas ajustadas son:
- r'(10,0) = (0.19 - 0.05) / 0.95 = 0.14 / 0.95 ≈ 0.147
- r'(0,100) = (0.17 - 0.05) / 0.95 = 0.12 / 0.95 ≈ 0.126
- r'(10,100) = (0.27 - 0.05) / 0.95 = 0.22 / 0.95 ≈ 0.232
Según el modelo de aditividad de respuesta (basado en independencia), la respuesta esperada ajustada a (10,100) sería:
r'esperada(10,100) = r'(10,0) + r'(0,100) - r'(10,0) * r'(0,100)
r'esperada(10,100) ≈ 0.147 + 0.126 - (0.147 * 0.126) ≈ 0.273 - 0.0185 ≈ 0.2545
Comparamos la respuesta observada ajustada (0.232) con la respuesta esperada ajustada (≈ 0.2545). La respuesta observada (0.232) es menor que la respuesta esperada (≈ 0.2545). Por lo tanto, según la Aditividad de Respuesta, los agentes A y B son antagónicos a estas dosis.
Evaluación por Aditividad de Dosis
Ahora, consideremos la aditividad de dosis. La respuesta observada es 27%. Buscamos en los ejes (dosis de un solo agente) qué dosis produciría aproximadamente un 27% de incidencia. Mirando la tabla:
- Para el agente A solo (Dosis B = 0): 19% a 10 µg/kg, 22% a 20 µg/kg. Un 27% ocurriría a una dosis de A mayor que 20 µg/kg.
- Para el agente B solo (Dosis A = 0): 17% a 100 µg/kg, 25% a 200 µg/kg. Un 27% ocurriría a una dosis de B mayor que 200 µg/kg.
La aditividad de dosis ocurriría si el punto (10, 100) cayera sobre la línea recta que conecta el punto en el eje A (dosis > 20 µg/kg) y el punto en el eje B (dosis > 200 µg/kg) que *ambos* producen un 27% de respuesta. Dado que las dosis observadas (10 de A y 100 de B) son *menores* que las dosis individuales requeridas para alcanzar el 27% (dosis > 20 de A y dosis > 200 de B), el punto (10, 100) cae en el lado del origen de la línea que une esos puntos de >20 y >200. Esto corresponde a la situación donde la respuesta observada (27%) es *mayor* de lo que se esperaría si el punto (10, 100) estuviera en la línea de aditividad de dosis.
Por lo tanto, según la Aditividad de Dosis, los agentes A y B son sinérgicos a estas dosis.
Este ejemplo ilustra claramente cómo los dos modelos pueden llevar a conclusiones opuestas sobre la naturaleza de la interacción (sinergia vs. antagonismo) a partir de los mismos datos experimentales. La pendiente de las curvas dosis-respuesta individuales influye en la aditividad de respuesta, pero no directamente en la aditividad de dosis, lo que contribuye a esta discrepancia.
¿Cuál Definición Utilizar? Contexto y Propósito
Ante dos definiciones válidas pero contradictorias, surge la pregunta: ¿Cuál debería usarse? El texto de referencia sugiere que ambas tienen usos sustanciales y válidos, y no se debería proscribir ninguna. Lo crucial es ser explícito sobre qué definición se está utilizando en cada contexto particular.
La elección del modelo (o definición) para la aditividad y para las desviaciones de la aditividad afecta profundamente la interpretación de los datos experimentales. Diferentes campos científicos pueden inclinarse por uno u otro modelo basado en sus perspectivas teóricas o la naturaleza de los fenómenos que estudian.
- Para farmacólogos y toxicólogos, el concepto de adición puede implicar algo sobre las dosis (concentraciones) o sobre las respuestas (efectos) de los tóxicos actuando juntos.
- Para los bioestadísticos, la adición de dosis se alinea con el concepto de 'acción similar', mientras que la adición de respuestas se relaciona con la 'independencia' de la acción.
- Los epidemiólogos a veces incluyen el concepto de 'multiplicación' de respuestas, que también puede interpretarse como un tipo de independencia de acción.
Es raro que los agentes sean aditivos en ambos sentidos simultáneamente, y las condiciones bajo las cuales esto ocurre pueden ser demasiado restrictivas para tener valor práctico. En la práctica, a menudo es necesario elegir uno u otro modelo.
Concepto Distinto: El Efecto Aditivo en Psicología/Estadística de Modelos
Es importante distinguir las definiciones de aditividad discutidas en el contexto de la combinación de agentes (toxicología, farmacología) de un concepto relacionado pero distinto utilizado en estadística y, a veces, en psicología al hablar de modelos predictivos.
En el contexto de un modelo estadístico, un 'efecto aditivo' se refiere simplemente al papel de una variable que puede ser sumada a otros términos del modelo para determinar su influencia en la variable dependiente. Esto se contrasta con un 'efecto de interacción', donde el efecto de una variable depende del nivel de otra variable (no son simplemente sumatorios). Esta definición se refiere a la forma matemática del modelo, no a la interacción biológica o toxicológica de sustancias.
Preguntas Frecuentes
¿Qué significa "aditividad" en toxicología o farmacología?
Significa que el efecto combinado de dos o más sustancias es igual a la suma o combinación esperada de sus efectos individuales, según un modelo definido. Los dos modelos principales son la aditividad de dosis y la aditividad de respuesta.
¿Cuál es la diferencia clave entre aditividad de dosis y aditividad de respuesta?
La aditividad de dosis se basa en la intercambiabilidad o sustitución de dosis de agentes para lograr el mismo nivel de respuesta, visualizado a menudo con contornos en un gráfico dosis-dosis-respuesta. La aditividad de respuesta se basa en la suma esperada de los efectos o probabilidades individuales, a menudo considerando la independencia de acción.
¿Por qué es importante distinguir entre estos dos tipos de aditividad?
Es crucial porque los mismos datos experimentales pueden ser interpretados como sinérgicos según un modelo y antagónicos según el otro. La conclusión sobre la interacción de las sustancias depende directamente del modelo de aditividad que se elija.
Si una combinación es sinérgica bajo aditividad de dosis, ¿será sinérgica bajo aditividad de respuesta?
No necesariamente. Como demuestra el ejemplo práctico con la incidencia de cáncer, una combinación puede ser sinérgica bajo aditividad de dosis y antagónica bajo aditividad de respuesta, o viceversa. Los modelos son conceptualmente distintos.
¿Estos conceptos se aplican solo a sustancias químicas?
Los modelos descritos se aplican a la combinación de 'agentes', que comúnmente son sustancias químicas (fármacos, tóxicos). Sin embargo, conceptualmente, podrían aplicarse a la combinación de otros tipos de exposiciones o estímulos si cumplen los supuestos del modelo (dos agentes, respuesta única, monotonicidad, etc.).
¿Qué es el "efecto aditivo" en un modelo estadístico?
En un modelo estadístico, un efecto aditivo significa que el impacto de una variable en el resultado se suma directamente al impacto de otras variables, sin que el efecto de una dependa del nivel de la otra. Es un concepto diferente de la aditividad en la combinación de efectos biológicos de sustancias.
Conclusión
La definición de aditividad en el contexto de la combinación de agentes no es un concepto único y simple. Los modelos de Aditividad de Dosis y Aditividad de Respuesta ofrecen perspectivas fundamentalmente diferentes sobre cómo evaluar la interacción entre sustancias. Comprender las bases de cada modelo y reconocer que pueden llevar a interpretaciones contradictorias (sobre si una interacción es sinergia o antagonismo) es esencial para la investigación y la interpretación de datos en toxicología, farmacología y campos relacionados. La elección del modelo debe ser informada por el contexto biológico o toxicológico específico y ser comunicada claramente para evitar ambigüedades.
Si quieres conocer otros artículos parecidos a Aditividad de Efectos: Dosis vs Respuesta puedes visitar la categoría Neurociencia.