Los datos no tienen significado por sí mismos, sino en relación a un modelo conceptual del fenómeno que los produce. Las manzanas venían cayéndose de los árboles mucho antes de que Newton estableciese las ecuaciones del movimiento de caída libre de los cuerpos; la circulación de la sangre se comportaba de igual forma antes y después de Harvey; las estrellas y planetas se movían en el espacio de igual manera en los tiempos de Ptolomeo, de Galileo, de Copérnico, de Kepler, del mismo Newton, o de Einstein. Los datos relativos al movimiento de los planetas recogidos en las diferentes épocas, salvo por diferencias en la capacidad de la instrumentación existente en el momento, eran similares; lo que fue evolucionando a lo largo del tiempo es el modelo conceptual establecido por cada científico para explicar el fenómeno.
Aunque en la historia de la ciencia, desde un punto de vista formal, durante mucho tiempo solo existieron modelos de tipo determinista, en los que el fenómeno se expresaba mediante leyes matemáticas perfectamente formuladas, de tal manera que conocidas las variables que intervenían en el modelo y su valor, el resultado quedaba completamente determinado, y solo más recientemente se empezó a plantear modelos de tipo probabilístico, en los que conocidas las variables únicamente se calculaba la probabilidad de aparición de un resultado, y en los que se introducía por tanto un margen de incertidumbre, realmente este tipo de modelos probabilísticos ha venido siendo utilizado desde siempre, sin una formulación matemática expresa, por el ser humano, quién en su toma de decisiones se ha basado en la estimación de la probabilidad de que algo ocurra en base a lo que ha observado que ocurrió con anterioridad en situaciones similares, aunque lo que a veces nos dicta lo que conocemos como "sentido común" se ha revelado en muchas ocasiones como contrario a la realidad científica.
La construcción de modelos de riesgo de aparición de un suceso es de gran importancia en medicina, tanto para intentar conocer las variables que influyen en que se presente ese suceso, como para analizar el mecanismo que lo produce y para predecir su aparición. En el primer caso, el conocimiento de las variables que influyen nos permitirá establecer medidas preventivas o terapéuticas, y en el segundo mediante el modelo podemos efectuar cálculos relacionados con la aparición del suceso, por ejemplo para determinar las necesidades de recursos. Precisamente la teoría matemática para el cálculo de modelos de riesgo tiene su origen probablemente en este último aspecto, y más concretamente en el campo de la ingeniería, donde la demanda creciente de equipos que funcionen cada vez mejor y a un menor coste lleva aparejada la necesidad de disminuir las probabilidades de fallo de éstos, lo que posibilitó el estudio y desarrollo de modelos probabilísticos para analizar la naturaleza de esos fallos y minimizar así la probabilidad de que ocurran, lo que en ingeniería se conoce como teoría de la fiabilidad (reliability) y en medicina habitualmente comoanálisis de supervivencia (survival analysis).
Cualquier construcción matemática, por sencilla que ésta sea, constituye un modelo y como tal una simplificación de la realidad, útil pero simplificación al fin y al cabo. Así en términos de supervivencia es habitual utilizar la mediana como dato resumen. La mediana es el valor que deja el 50% de los datos a cada lado de la distribución. Evidentemente en este caso se trata de una simplificación tremenda y probablemente un mejor modelo de la realidad lo constituya una estimación de la supervivencia a lo largo del tiempo, quizás obtenida mediante el método de Kaplan-Meier, lo cual no obstante sigue siendo una gran simplificación, ya que en ese modelo para el cálculo de la supervivencia solo interviene el tiempo y ninguna característica del paciente, las cuales sin ninguna duda pueden influir decisivamente en el resultado, por lo que el modelo se podrá mejorar incluyendo en el mismo el efecto de variables que se cree pueden afectar a la probabilidad de aparición del evento. No debiéramos olvidar nunca que, a diferencia de los modelos deterministas propios de las leyes físicas, los modelos biológicos son en su gran mayoría modelos probabilísticos, sujetos a incertidumbre, que además se trata de simplificaciones de la realidad y que efectúan cálculos generales para valores promedio, mientras que la práctica clínica se ejerce sobre pacientes concretos con sus características individuales.
En línea con esa idea recomiendo la lectura del artículo "The median isn't the message", escrito por Stephen Jay Gould, prestigioso biólogo, que fue profesor en la Universidad de Harvard, a quien le diagnosticaron un cáncer abdominal, para el que en su inquietud comprobó en la literatura del momento que la mediana de supervivencia era de 8 meses. En sus reflexiones plasmadas en ese artículo, plantea que a la mayor parte de la gente si se le dice que la mediana de supervivencia en la enfermedad que padece es de 8 meses, lo que realmente oirán es que probablemente van a morir en 8 meses, y sin embargo, tal y como agudamente comenta en su artículo, hay que analizar el asunto con más detenimiento, puesto que de entrada hay al menos ya una versión positiva del dato: la mitad de los enfermos viven más de ocho meses. Precisamente hay que conocer más sobre la distribución de probabilidad, y sobre todo cómo es la cola del lado derecho de la distribución. Y también qué características individuales pueden influir en el resultado. En el caso concreto del Dr. Gould, vivió 20 años más después del diagnóstico y tratamiento de ese cáncer.
Los modelos matemáticos constituyen sin ninguna duda valiosísimas herramientas para el conocimiento, interpretación y en su caso modificación de los fenómenos, pero casi siempre se trata de modelos transitorios, sujetos a verificación y perfeccionamiento, y como todo en el mundo de la ciencia solo pueden ser aceptados con una cierta dosis de escepticismo y con una mentalidad crítica.