Modelos Versus Evidencia

Modelos Versus Evidencia
Traducción Libre  de Artículo de Jonathan Fuller










COVID-19 ha revelado ser un desafío entre 2 filosofías del conocimiento científico en competencia.
  Para Manejar la crisis se requieren ambas



El último ícono del COVID -19 será probablemente el gráfico asociado con el "aplanamiento de la curva". La imagen es ahora familiar: una distorsionada curva de Bell midiendo casos de Coronavirus que asciende como una torre sobre una línea horizontal - la capacidad del sistema de salud- solo para ser aplanada por una fuerza invisible representando las "intervenciones no farmacéuticas" tales como cierre de escuelas, distancia social y confinamientos totales.

¿Cómo los modelos del Coronavirus generando estas hipotéticas curvas cuadran con la evidencia?
¿Qué roles cumplen los modelos y la evidencia en una pandemia?

  Responder estas preguntas requiere reconciliar 2 filosofías compitiendo en la ciencia del COVID-19.

  En un campo están los epidemiólogos de enfermedades infecciosas, que trabajan muy cercanamente con instituciones de salud pública. Ellos han usado una multitud de modelos para crear mundos virtuales en los cuales virus simulados inundan poblaciones simuladas- algunas veces sin cesar, algunas veces contenidas por un dique de intervenciones sociales.

   Este diluvio de resultados (outcomes) simulados jugó un rol significativo en guiar a actores del gobierno a cerrar fronteras así como escuelas y negocios. Pero, las hipotéticas curvas son suaves, mientras en el mundo real los datos son rudos.

  Algunos detractores han cuestionado si tenemos buena evidencia para los supuestos en que los modelos descansan, y también si hay necesidad de los dramáticos pasos tomados para domar la pandemia. Entre estos campos hay varios epidemiólogos clínicos, que típicamente proveen guía para la práctica clínica-sobre, por ejemplo, la efectividad de intervenciones médicas- más que la salud pública.

   Este último campo ha ganado significativa atención de los medios en semanas recientes.


Bill Gates- cuya fundación da fondos para la investigación detrás de los más visibles Modelos de Brotes epidémicos (outbreak model) en USA, desarrollados por el Instituto para la Métrica y evaluación en Salud (IHME) en la Universidad de Washington- piensa  que COVID 19 pudiera ser la pandemia de este siglo.
  Un notable detractor de esta visión es el epidemiólogo clínico de Stanford John Ioannidis, meta investigador, y confiable escéptico que  abiertamente se ha preguntado si la
Pandemia de Coronavirus podría ser el fiasco de evidencia del Siglo. Arguye que mejores datos son necesarios para justificar las drásticas medidas acometidas para contener la pandemia en USA y otras partes.

Ioannidis reclama , en particular, que nuestros datos sobre pandemia son no confiables, guiando a exageradas estimaciones de riesgo.

  El también señala una revisión sistemática publicada en 2011 de "evidencia con relación a intervenciones físicas la meta reducir la diseminación de virus respiratorios, preocupándose de que la evidencia disponible no está randomizada y es proclive a sesgo. (Una sistemática revisión de evidencia específica a COVID 19) ha sido publicada y ocurre que la calidad de la evidencia es baja a muy baja y sin embargo, soporta el uso de cuarentena y otras medidas de salud pública.) De acuerdo a Ioannidis, los pasos que estamos tomando "no están basados en evidencia".

  Esta conversación de Evidencia sesgada o Intervención basada en evidencia es característica de la comunidad de EBM (evidence based medicine), un pariente cercano de la epidemiología clínica.
 En una serie de posteos de Blog, por ejemplo Tom jefferson y Carl Heneghan del Centro Oxford para EBM similarmente lamentaba la pobre calidad de datos y evidencia guiando acciones en la pandemia y aun sugiriendo que el confinamiento es una indicación errónea

    En la otra esquina, Marc Lipsitch de Harvard, un epidemiólogo de enfermedades infecciosas, está
        de acuerdo que carecemos de datos en muchos  aspectos. Considerando la duda de Ioannidis, sin embargo, Lipsitch responde: "Sabemos suficiente para poder actuar; verdaderamente hay un imperativo de actuar fuerte y rápidamente". De acuerdo a este argumento, podríamos no alcanzar a esperar por mejores datos cuando las consecuencias de retrasar la acción son desastrosas, y tuvimos razón suficiente para actuar decisivamente.
 
Los epidemiólogos de Salud Pública y los epidemiólogos clínicos tienen métodos y experticias que se traslapan; todos ellos buscan mejorar la salud a través del estudio de poblaciones. Además en alguna extensión, los epidemiólogos de Salud Pública y los epidemiólogos Clínicos constituyen tradiciones distintas en atención de salud, filosofías del conocimiento científico que compiten. La epidemiología de la salud pública, incluyendo la epidemiología de las enfermedades infecciosas, tiende a abrazar la teoría y la diversidad de los datos; es metodológicamente liberal y pragmático.

  La epidemiología clínica, por contraste, tienden a ser campeones de la evidencia y de la calidad de los datos; es comparativamente más conservadora y escéptica en su metodología. (Hay corrientemente un movimiento en la epidemiología de la salud pública que está en algunas formas cercana a la filosofía de la epidemiología clínica, pero no lo discutiré acá.)

Para ser claro, estas comparaciones son justas sólo en general; describen ortodoxia disciplinaria como un todo más que el trabajo de un epidemiólogo específico. Aun así, es posible discernir dos filosofías distintas en la epidemiología, y ambas tienen algo que ofrecer en la crisis del coronavirus sobre modelos y evidencia. Una comprensión más profunda del modelamiento (modelling=hacer modelos) y la evidencia es la clave no solo de reconciliar estos setting (encuadres) mentales divergentes sino también de la resolución de la crisis.

MODELOS

  La epidemiología de la salud pública usa teoría, especialmente teoría desde desde otras ciencias de la salud como la microbiología, para modelar la infección y comprender patrones y causas de enfermedad. Muchos de los modelos epidémicos  que el público y la salud pública por igual han estado vorazmente consumiendo- incluyendo modelos producidos por el IMPERIAL COLLEGE de Londres que informaron la respuesta de UK y USA al coronavirus- son modelos tipo SIR (Susceptible-Infectado-Recuperado, compartimentales). La teoría subyacente a estos modelos es vieja, se origina en la teoría de Kermack-McKendrick en los años 20 y 30, y todavía más temprano en la teoría de gérmenes en la segunda mitad del siglo XIX. La estructura de las particiones SIR separa una población en al menos 3 grupos: aquellos que son susceptibles de futuras infecciones (S), aquellos que están ya infectados (I), y aquellos que han sido removidos del grupo infeccioso a través de recuperación o muerte (R). Un modelo SIR usa un sistema de ecuaciones diferenciales para modelar la dinámica del brote (outbreak), el movimiento de individuos entre los varios grupos en el tiempo.
    Otros modelos en la familia SIR agregan grupos  adicionales a estos 3 básicos, tal como un grupo     de quienes están infectados, pero aún no infecciosos para otros. Modelos basados en el agente que también representan dinámicas de infección (como el número de casos cambiando en el tiempo), pero, lo hacen así para modelar conductas de cada miembro de la  población simulada individualmente.
   Modelos de Curva de Ajuste (Curve Fittings- Models) como los que usó IHME son menos teóricos; extrapolan desde curvas de infección previas para hacer predicciones acerca del futuro. Todos estos diferentes modelos han sido usados en la pandemia  de COVID-19.       
   La diversidad de las aproximaciones junto con estimados divergentes en parámetros de
 los modelos explica parcialmente el rango de predicciones que hemos visto.                                                La epidemiología de la salud pública también descansa en una diversidad de datos- desde múltiples regiones, usando una variedad de métodos- para responder cualquiera de las preguntas científicas.
 
En la pandemia de Coronavirus, en particular, los grupos de investigación han usado estimados de muchos parámetros clave del brote (outbreak) (tasa de infección, duración promedio de la enfermedad) derivado de múltiples settings (China , Italia) y produjeron varias clases de estudio (basados en poblaciones, basados en laboratorio, basados en clínica) para hacer proyecciones.
  La epidemiología de la salud pública es liberal en el sentido de que se sustenta en múltiples herramientas, incluyendo técnicas de modelamiento (el equipo del Imperial College ha usado varios modelos), y también en el sentido de simular varias posibilidades modificando supuestos de modelos.
  Finalmente, su filosofía es pragmática. Abraza la teoría, la diversidad de datos, y modela como un medio para alcanzar una decisión satisfactoria, a menudo en circunstancias donde la evidencia está lejos de lo definitivo, pero, límites de tiempo o restricciones prácticas se interponen en el camino de adquirir mejor evidencia.

 Un momento científico formativo para la tradición de la epidemiología de la salud públicas fué la investigación epidemiológica sobre fumar y cáncer de pulmón en los 50 y 60. Aunque el cáncer de pulmón no es una enfermedad infecciosa y el modelo SIR no jugó ningún rol estelar en esta investigación, caracterizó un una aproximación científica similar y un enfoque filosófico. La filosofía de la epidemiología de la salud pública es especialmente necesaria tempranamente en un brote de un patógeno nuevo, cuando supuestos no testeados mayormente sobrepasan los datos, y todavía predicciones y decisiones deben ser hechas.
 

Neil Ferguson, uno de los epidemiólogos líderes detrás de los modelos del Imperial College describe el modelamiento epidémico como " Construyendo representaciones simplificadas de la realidad."

  La caracterización es apta porque los modelos tipo SIR tienen variables y ecuaciones quiere decir que representan características reales de los modelos de poblaciones. (Otros tipos de herramientas científicas, tales como cajas negras de redes neuronales usadas en aprendizaje de máquinas, trabajan de modo diferente, no intentan ser espejo del mundo sino simplemente predecir su conducta). Podríamos, por lo tanto, preguntar que tan bien un modelo tipo SIR refleja la realidad. Sin embargo, el uso primario de los modelos, especialmente temprano en la epidemia, es predecir el futuro del brote, más que ayudar a explicarlo o entenderlo. Como resultado, la más importante pregunta que podemos hacer de un modelo de brote epidémico durante una crisis no es si sus supuestos son precisos sino, cuanto se acerca a predecir el futuro-un duro cuestionamiento práctico más que uno teórico.

La Epidemiología de la Salud Pública es pragmática. Abraza la Teoría, la diversidad de los datos y el modelado como medios de recomendar políticas (policies)




   De hecho, el poder predictivo no está totalmente desvinculado de la precisión de un modelo                representacional. Una vía para mejorar la capacidad   predictiva del modelo es salir y                   recolectar datos que puedan confirmar o negar  la precisión de sus supuestos. Pero, eso no es                 el único camino. Corriendo muchas  simulaciones del mismo modelo bajo diferentes  supuestos (llamado análisis sensitivo), un modelador puede determinar cuan sensitivas  son las predicciones del modelo   a cambios en las suposiciones previas. Por aprendizaje de múltiples modelos diferentes, un científico  puede triangular, por así decirlo, sobre una predicción más robusta esto es menos susceptible a las fallas de un único modelo. Ambas estrategias fueron usadas en determinar la política de Coronavirus en UK.
   Finalmente, a menudo una sola, más precisa predicción basada en evidencia de alta calidad es menos útil que un rango de predicciones modeladas que capturen los escenarios  de el peor y el mejor caso (tal como el rango de conteo de muertes de la White House Coronavirus task force presentada a fines de marzo). Podría ser prudente planear para el peor caso y no solo la posibilidad más probable. 
 Una filosofía pragmática generalmente sirve a los que toman decisiones de salud pública.

 Sin embargo, cuando ciertas predicciones basadas en supuestos de modelos plausibles llevarían a los encargados de decisiones (decision makers) a recomendaciones políticas (policies) radicalmente diferentes, los supuestos deberían ser investigados con evidencia adicional.

 Un equipo de la Universidad de Oxford, por ejemplo, desarrolló modelado de brotes epidémico (outbreaks) específicamente para ilustrar qué proyecciones preocupantes dependen crucialmente sobre estimados del número de individuos previamente infectados y ahora inmunes al virus . Es esta clase de incerteza la que sirve como alimento para los devotos de la evidencia.

( Nota: en inglés a diferencia del español hacen diferencia entre las palabras politics que se refiere al juego político partidista y Policy o policies que se refiere a diseños de gestión y procesos desde lo
administrativo de gobierno, nosotros tenemos la palabra política en ambos usos).

EVIDENCIA

Los epidemiólogos clínicos están jugando su parte en la pandemia: están diseñando las pruebas clínicas de tratamientos del COVID-19, tal como el Solidarity Trial de la OMS multinacional.

En consonancia con los altos estándares del movimiento de EBM, estos trials son randomizados:
los individuos son distribuidos al azar para recibir un tratamiento u otro (o una diferente combinación de tratamientos). Aunque las opiniones sobre randomización varían suavemente, la idea más popular es que la randomización elimina el sesgo de selección, resultando grupos de prueba que son más representativos o comparables en términos de características de trasfondo causalmente relevantes. estudios randomizados son preferidos por que pueden generar evidencia que es menos sesgada y más
precisa.
(Nota: Randomizacion son metodologías que permiten generar distribuciones al azar de grupos
que participan como sujetos de trials [pruebas o testeos]).

La Tradición de la Epidemiología Clínica advierte que la teoría puede a veces guiarnos mal- por ello contrabandear supuestos sin pruebas, que no han sido empíricamente establecidos en poblaciones humanas



El concepto de evidencia es central a la epidemiología clínica y también a la EBM. La investigación de la epidemiología clínica produce evidencia, mientras los expertos de EBM críticamente lo evalúan.
Buena evidencia, dice esta tradición, consiste principalmente en los resultados de estudios epidemiológicos. La tradición es generalmente sospechosa de la teoría, incluyendo razonar sobre  fisiopatología y modelos de enfermedad. A menudo advierte  que la teoría puede a veces mal guiarnos- por instancia, contrabandeando supuestos no probados que no han sido empíricamente establecidos en poblaciones humanas.
 
En el caso del coronavirus , los modelos asumen- basados en la experiencia con otros patógenos, pero no evidencia concreta con el nuevo coronavirus- que los individuos que se recuperan de la infección desarrollarán inmunidad contra reinfección, al menos en el corto plazo.
 
Una preocupación central para esta filosofía no es la diversidad sino la calidad de los datos. Un principio fundador de eBM es que las mejores decisiones médicas son aquellas que están basadas en la mejor evidencia disponible, y la evidencia es mejor si consiste de datos de alta calidad. EBM provee guía sobre que evidencia es mejor, pero los métodos de epidemiología clínica tales como metaanalisis no permiten amalgamar diversas clases de evidencia.
   La tradición es también conservadora en lo de basar conclusiones solo en resultados empíricos bien establecidos más que modelos especulativos, prefiriendo estudios randomizados "gold standard" a las simulaciones hipotéticas. Finalmente, esta tradición es escéptica, desafiando supuestos, autoridad, y dogma, siempre en busqueda errores de diseño de estudios y rápida para apuntar las limitaciones de la investigación.

  Un momento formativo para la tradición de la epidemiología clínica fue el trial del British Medical Research Council 1948 de Estreptomicina para Tuberculosis, ampliamente considerado como uno de los primeros trials clínicos modernos randomizados. Esta filosofía puede ser especialmente útil en un brote epidémico de un nuevo patógeno que evoluciona, en la medida que mejor evidencia llega a ser disponible para someter a escrutinio supuestos previos y resolver preguntas no respondidas. La epidemiología clínica tiene la experticia para contribuir con mucha de esta evidencia.

Al abogar por medidas de salud pública basadas en evidencia, Ioannidis sugiere someter intervenciones como las medidas de distanciamiento a pruebas randomizadas. Su sugerencia puede no ser factible en USA dados los múltiples niveles de governancia sobre las políticas de distanciamiento social, entre otras dificultades logísticas. Pero, la sugestión de que debería ser estudiada la efectividad de nuestra política de intervenciones de salud pública es tan importante como es obvio, y la epidemiología clínica esta bien posicionada para contribuir a este desafío. Mientras la epidemiología de la salud pública es adepta a estudiar las distribuciones y determinantes de la enfermedad, la epidemiología clínica está en casa estudiando la efectividad de las intervenciones de la atención de salud (healthcare) . (No significa que sugiera que la epidemiología de la salud pública carezca de recursos para estudiar sus propias intervenciones. Considerar el estudio de impacto del Imperial College de londres[ Report 13 - Estimating the number of infections and the impact of non-pharmaceutical interventions on COVID-19 in 11 European countries está en español]).

Medir los efectos de las medidas de salud pública está lejos de ser trivial. El distanciamiento social no es una intervención: es una bolsa mezclada de conductas individuales, algunas voluntarias, algunas involuntarias. Estas conductas son representadas en modelos epidémicos de brotes (outbreaks) simulando interacciones sociales reducidas. Estos modelos a veces suponen que ciertas intervenciones específicas, tales como cierre de escuelas o cierre de negocios, producirán patrones particulares de combinaciones sociales (social mixing).  Pero, los efectos de intervenciones específicas sobre patrones de mezcla social no es el target de un modelo clásico de SIR. El modelador ingresa (inputs) patrones de interacción social; el modelo no los expulsará (spit out) por sí solo. (Sin embargo, modelos (Disease-behavior) de comportamiento de la enfermedad hacen modelos dinámicos sociales junto con dinámicas virales). Es necesaria rigurosa investigación para separar los efectos de intervenciones individuales que han sido a menudo implementadas simultáneamente y son difíciles de desvincular de cambios de conducta independientes. Más aún nuestras intervenciones podrían tener efectos independientes (sobre la salud, sobre la economía), y un modelo de brote epidémico no es lo suficientemente amplio en su mirada para predecir estos efectos.

El Escepticismo institucionalizado es importante en ciencia y
diseño de políticas  (policies). Demasiado escepticismo es paralizante, pero, puede proveer control sobre el ethos pragmático de la epidemiología de la Salud Pública.



   Ioannidis también sugiere una solución al problema de las imprecisas estadísticas pandémicas: testear muestras de poblaciones representativas, más que depender de muestras sujetas a sesgo de muestreo. Con objeto de estimar el número e infectados y el crecimiento de la pandemia en el tiempo, podemos repetitivamente muestrear desde claves demográfica y desempeñar testeo diagnóstico.
 
  Las muestras representativas y mediciones de anticuerpos pueden también estimar el número de individuos previamente infectados que pueden ser inmunes a reinfección. Esta información puede ayudar a descartar el Escenario Oxford (Fundamental principles of epidemic spread highlight the immediate need for large-scale serological surveys to assess the stage of the SARS-CoV-2 epidemic
https://doi.org/10.1101/2020.03.24.20042291) en el cual la población susceptible es mucho, mucho más pequeña de lo que pensamos. También, puede ayudar a estimar la tasa de fatalidad a infección, la proporción de pacientes COVID-19 que mueren de su infección. Ioannidis argumenta que la tasa de mortalidad a infección ha sido enormemente sobreestimada en ciertos contextos debido al sesgo de testeo. El testeo de anticuerpos ya ha empezado en USA y otros países, incluyendo un estudio de Ioannidis y colegas (aún no revisado por los pares) estimando una prevalencia mucho más alta de infecciones pasadas de COVID-19 en Condado de Santa Clara que el conteo oficial. Irónicamente, el estudio fue inmediatamente criticado por científicos por su estrategia de reclutamiento en Facebook sobre el fundamento de que habría resultado en una muestra sesgada.
  
La clave para hacer propiamente muestreo representativo es el slogan favorito de la epidemiología: ¡randomizalo! muestra al azar es lo que vence el sesgo de muestreo que ha plagado las proyecciones de modelaje siguiendo el Coronavirus. La tradición de la epidemiología clínica atravesada por la evidencia no sesgada, provee una solución preparada para un problema urgente encarado por la epidemiología de la salud pública.

 El don final que la epidemiología clínica ofrece es su disposición escéptica. El escepticismo institucionalizado
es importante en ciencia y creación de políticas (policymaking). Demasiado de ello es paralizante, especialmente en contextos de pobreza de información que exige pragmatismo- como el inicio de una pandemia involucrando un nuevo patógeno, cuando no tenemos evidencia "gold standard"que nos guíe , pero, la inacción porta el riesgo de extremas consecuencias. Pero la orientación escéptica de la epidemiología clínica puede proveer una verificación sobre el ethos pragmático de la epidemiología de la salud pública, previniendo acciones desde evidencia aventajada, o al menos ayudando a obtener evidencia.

  Al mismo tiempo, un foco miópico sobre evidencia sola haría un mal servicio a la epidemiología. Ya sea que conduzcamos trials randomizados de las intervenciones de salud pública, la evidencia generada sería inherentemente local- específica al contexto en el cual los trials se llevan a cabo-porque los efectos de las intervenciones de la salud pública (realmente, todas las intervenciones) dependen de que otros factores causales están en juego. 
  
No podemos simplemente extrapolar estadísticas de infecciones de de un lugar a otro; todos estos parámetros- el número reproductivo, la tasa de ataque, la tasa de fatalidad de infección- son sensibles al contexto. Ninguna de estas estadísticas es una propiedad intrínseca del virus o de nuestras intervenciones; emergen de interacciones entre intervenciones, patógenos, población y lugar.

Es teoría, junto con confianza sobre un diverso rango de datos, que hacen que la evidencia reunida en un  lugar sobre Coronavirus sea relevante para otro. La evidencia para los efectos de las intervenciones sobre interacciones sociales debe ser combinada con modelos de brotes epidémicos representando esas interacciones. 

 La evidencia para tasa de fatalidad de infección estratificada por edad debe ser combinada con datos locales de estructura de edad de una población para ser de utilidad en predecir fatalidades en esa población. En un brote epidémico, los modelos sin evidencia son ciegos, mientras la evidencia sin modelos es inerte.

  ¿Donde nos deja este choque sensibilidades? en mi propio trabajo he modelado la predicción en EBM como una cadena de inferencias. Cada inferencia individual es un eslabón forjado desde supuestos o presunciones en necesidad de evidencia, la cadena se rompe si cualquier supuesto se quiebra. En su libro Evidence Based Policy (2012), la filósofa Nancy Cartwright y el economista Jeremy Hardie representan predicciones sobre la efectividad de una política usando una pirámide, en cuyo vértice va la hipótesis que la política trabajará en un contexto local, descansa en varios presunciones, que se apoyan en posteriores supuestos, y así. 
  Si no hay evidencia para los supuestos asumidos inicialmente y se cae la estructura entera.

Deberíamos dar la bienvenida a ambas filosofías de la
epidemiología en competencia. La cooperación en la sociedad
debería ser asociada a la cooperación a través de disciplinas divididas.

  Ninguna representación sería buena metáfora para la relación entre evidencia y modelos. La evidencia es necesaria para soportar los supuestos del modelaje para generar predicciones que sean más precisas y certeras. La evidencia es también necesaria para descartar presuposiciones  alternativas, y así predicciones alternativas.
  
Los modelos representan un multiverso de futuros hipotéticos. La evidencia nos ayuda a predecir cual futuro se materializará directamente completando sus contornos, e indirectamente borrando otros hipotéticos mundos.
  
La necesidad por evidencia y modelaje no se disolverá cuando la situación se calme en nuestro futuro mundo. Al evaluar las elecciones que hemos hecho y la efectividad de nuestras políticas (policies), necesitaremos predecir que habría pasado bajo otras circunstancias. Tal juicio envuelve comparar mundos: el mundo real materializado y algunos mundos hipotéticos. ¿Cuántas muertes por COVID-19 previno nuestra medida de distanciamiento social? Podemos estimar el número de muertes por COVID-19 en nuestro mundo real socialmente distanciado haciendo el conteo, pero predecir el número de muertes COVID-19 en un mundo no escogido sin distanciamiento social necesitaremos desempolvar nuestros modelos y evidencia.
  
Así como deberíamos abrazar ambos modelos y evidencia, deberíamos también dar la bienvenida a ambas filosofías de la epidemiología en competencia. Esto puede sonar como una conclusión aburrida, pero en la pandemia del coronavirus no hay gloria, no hay ganadores. La cooperación en la sociedad debería ser combinada a la cooperación a través de disciplinas divididas. El proceso normal de escrutinio científico y revisión de pares ha cedido el espacio a un fast track desde las oficinas de investigación a los titulares de los medios y paneles de política (policy). Todavía la necesidad de ser crítico desde diversas formas de pensar permanece.
  Mencioné que el descubrimiento de que  fumar causa cáncer pulmonar fue un logro definitoria para la salud pública, mientras el British Medical Research Council del trial de Estreptomicina fue un episodio formativo en la historia de la epidemiología clínica. El epidemiólogo Austin Bradford Hill jugó un rol en ambos alcances científicos. Promovió la prueba Clínica en Medicina y también proveyó nueve criterios ( puntos de vista de Hill) todavía usados en epidemiología de salud pública para hacer inferencia causal desde los datos.
  Como Hill, la epidemiología debería poseer 2 enfoques mentales. Debe combinar la teoría con la evidencia y hacer uso de diversos datos mientras, la demanda de datos de más alta calidad se va logrando. Debe ser liberal en sus razonamientos pero, conservadora en sus conclusiones, pragmática en sus tomas de decisiones
( decision making) mientras permanece escéptica sobre su propia ciencia. Debe ser como un splitted brain un cerebro separado en 2 mitades en vivo ( secciones del cuerpo calloso con funcionamiento de cada hemisferio por separado en pruebas de espejo), actuando con una mano mientras recolecta más información con la otra. Solo tomando prestado de ambas formas de pensar tendremos la mentalidad correcta para enfrentar una pandemia.


(Nota: puntos de vista o recomendaciones de Hill para investigaciones:1) Fuerza, debe haber fuerte correlación 2) Consistencia 3) Especificidad 4) Temporalidad 5) Gradientes Biológicos 6) Plausibilidad
7) Coherencia 8) Experimento 9) Analogía)