MODELOS   COMPLEJOS   DE   ENFERMEDAD:   NOTAS   Y   ESBOZO   DE   APLICACIÓN   AL  HIV/SIDA  

 

Naomar  de  Almeida  Filho1  

 

 

Introdución  

En   términos   conceptuales   y   epistemológicos,   una    Teoría   General   de   la   Salud/   Enfermedad/Cuidado   no   se   sostene   sin   una   “teoría  restricta”  de  la  enfermedad  

Concepto  clásico  de  ‘enfermedad’:  defecto  en  la  estructura  molecular  de  células,  con  lesión  en  nivel  tissular,  resultando  en  alteración  de  funciones  de  órganos  y  sistemas,  produciendo   patologia,   expresa   objetivamente   como   signos   y   síntomas   en  indivíduos   que,   acumulados   aditivamente   en   grupos   enfermos,   conforman  morbilidad  en  poblaciones.  

Límites  del  Concepto  de  Enfermedad  

 Reificación    

 Fragmentación  del  Sujeto  

 Individualismo  

Tecnologización  de  la  atención  

Modelos  explicativos:  germe,  ambiente,  estilo  de  vida,  genética  

Reduccionismo:  poblaciones  humanas  =  suma  de  indivíduos  =  conjuntos  funcionales  de  órganos  y  sistemas  =  tejidos  diferenciados  formados  por  células  =  micro-­‐fábricas  bioquímicas  productoras  de  moléculas  

La   idea   de   complejidad   puede   ser   tomada   como   el   eje   principal   que   unificaría  parcialmente   diversas   contribuciones   en   dirección   a   un   paradigma   científico  alternativo.  Se   trata  de  una  aplicación  generalizada  de   la  premisa  que,  al  contrario  del   abordaje   reduccionista   del   positivismo,   que   tiene   como   objetivo   una  simplificación  de   la   realidad  en  busca  de   su  esencialidad,   la   investigación  científica  dentro   de   un   nuevo   paradigma   pretende   respetar   la   complejidad   inherente   a   los  procesos  concretos  de  la  naturaleza,  de  la  sociedad  y  de  la  historia.  

Varias   posibilidades   se   presentan   en   el   sentido   de   la   definición   de   complejidad   a  partir   de   una   perspectiva   epistemológica   más   rigurosa.   Primero,   podemos  conceptuar  la  complejidad  como  pluralidad  y  jerarquización  de  niveles  de  ocurrencia  de   procesos,   tanto   en   el   sentido   ontológico   como   en   el   sentido   cognitivo.   En  segundo   lugar,   el   término   complejidad   se   puede   referir   a   la   diversidad   de   las  relaciones   entre   los   elementos   componentes   de   un   dado   objeto  modelo.   En   este  

                                                                                                               1  Ph.D.  em  Epidemiologia.  Professor  Titular  de  Epidemiologia,   Instituto  de  Saúde  Coletiva  da  UFBA.  Pesquisador  I-­‐A  do  Conselho  Nacional  do  Desenvolvimento  Científico  e  Tecnológico.    

aspecto,   es   posible   introducir   una   distinción  fundamental   entre   complicado   y  complejo.   Complicado   es   un   sistema   que   apenas   multiplica   nexos   de   la   misma  naturaleza   (por  ejemplo,   causales)  entre  elementos  del   sistema  de  un  mismo  nivel  jerárquico.  En  tercer  lugar,  la  complejidad  de  un  modelo  puede  ser  entendida  como  su  naturaleza  no  finalística  o  iterativa,  correspondiendo  en  el  lenguaje  de  la  teoría  de  los  sistemas  a  la  propiedad  de  retroalimentación  de  modelos  explicativos  sistémicos.  Esta  última  definición  corresponde  a  una  de   las  acepciones   restrictas  del   concepto  de  no  linealidad,  como  veremos  más  adelante.  

¿Qué  es  un  objeto  complejo?  Para   responder  a  esta  pregunta  debemos  considerar  que  la  atribución  de  complejidad  puede  asumir  distintas  manifestaciones.  En  primer  lugar,  el  objeto  complejo  es  mínimamente  un  objeto  modelo  sistémico,  o  sea,  forma  parte   de   un   sistema   de   totalidades   parciales   y   puede   ser   comprendido   él   mismo  como   un   sistema,   también   incorporando   totalidades   parciales   de   nivel   jerárquico  inferior.   En   segundo   lugar,   podemos   llamar   objeto   complejo   a   aquel   que,   en   su  forma   de   objeto   heurístico,   no   puede   ser   explicado   por   modelos   lineales   de  determinación.   En   otras   palabras,   se   trata   de   un   objeto   modelo   sometido   a  funciones   de   determinación   no   lineal.   Por   eso,   el   objeto   complejo   no   posibilita   la  predicción,   ni   a   partir   de   él   se   puede   generar   tecnología.   En   tercer   lugar,  metodológicamente,   el   objeto   complejo   es   aquel   que   puede   ser   aprehendido   en  múltiples  estados  de  existencia,  dado  que  opera  en  distintos  niveles  de   la  realidad.  Por  último,  el  objeto  complejo  es  multifacetado,  blanco  de  diversas  miradas,  fuente  de  múltiples  discursos,  extravasando  los  recortes  disciplinares  de  la  ciencia.    

 

Formas  elementales  de  la  ‘determinación’    

a)  Metáfora  cinética:  el  agente,  el  hacedor,  el  que  se  aplica   la  fuerza.  Sin  embargo,  Aristóteles   en   su   mejor   forma   ...   Ejemplo   clásico   de   las   bolas   de   billar.   La   única  diferencia  parece  del  proceso  son  nuevas  posiciones,  que  la  trans-­‐posición  (así  como  la  correspondencia  en  el  dominio  de  la  lengua,  ver  etimología  metáfora).  

b)  Metáfora  termodinámica:  el  cambio  de  estado,   las  propiedades  del  objeto,  pero  sigue   siendo   el   mismo.   Alteración   pero   no   la   alteridad   (Castoriadis).   Ejemplo   de  transiciones  de  fase  macroscópica  de  agua.  Ejemplo  Estético:  el  anamorfose  en  Los  Embajadores  de  Hans  Holbein.  

c)  Metáfora   química:   partes   de   adición   que   crea   en   su   conjunto,   que   a   su   vez   es  diferente   de   sus   componentes   en   todas   las   propiedades.   El   nuevo   objeto   es   el  producto   de   una   síntesis.   Ejemplo   de   una   reacción   química   ...   El   concepto   de  valencia  gobernar  este  proceso  de  producción.  

d)   Metáfora   mecánico:   los   factores   o   variables   de   trabajo   para   producir   una  transformación  en  un  objeto.   El   efecto   es   un  nuevo  objeto.  Hay  dos   versiones  del  funcionalismo:    

a)   funciones  causales   inequívoca  y  absoluta.  Un  ejemplo:   los  tradicionales  modelos  clínicos  de  la  enfermedad  de  la  causalidad;  

b)   funciones  probabilísticas:  estocásticas  o  probabilísticas.   Ejemplo  B:   la   red  de   los  riesgos  epidemiológicos  de  la  convencional.  

e)  La  metáfora  poética  o  "teoría  del  caos".  

 

 

 

Cuadro  1:  Formas  elementales  de  la  ‘determinación’    

 

Modelos   simples:   sin   producir   nuevo   objeto,   en   un   solo   nivel,   monótona   y   lineal  (vector)  finalista.  

 

TRANSPOSICIÓN  Agente  movimiento  

La  equivalencia  =  A  y  A  'y  entre  B  y  B'.  

(No  es  importante  para  PS  ...)  

 

Figura  1:  Representación  esquemática  de  la  Transposición  

 

 

 

 

Anamorphose  Condición  del  cambio    

c  Representa  la  condición  o  restricción,  el  cambio.  

=  Equivalente  a  la  anamorfosis,  donde  A  *  implica  alterado,  pero  aún  A.  

 

Figura  2:  Representación  esquemática  de  la  Anamorphose  

 

 

 

 

 

COMPOSICIÓN  Resumen  del  Componente  

=  Equivalencia  entre  la  suma  de  las  partes  A  +  B  y  E.  totales  

 

Figura  3:  Representación  esquemática  de  la  Composición  

 

 

 

VARIACIÓN  función  de  factor  de  

Representa   el   factor   x,   desconocido   o   asumidos,   que   puede   causar   una   S  transformación   para   producir   el   nuevo   objeto   R.   S   es   el   cuerpo   humano   a   las  enfermedades  o  situaciones  de  salud  R  S  y  R,  dado  el  riesgo  estimado.  

 

Figura  4:  Representación  esquemática  de  la  Variación  

 

   

 

 

EMERGENCIA  Atractor?  creación  

Podemos   criticar   su   posición   allí,   porque   no   son   lineales   ni   monótono   ...   pero  compleja  relación!  Por  otra  parte,  en  un  nivel  único  ...  

 

Figura  4:  Representación  esquemática  de  la  Emergência  

 

 

 

Para   evaluar   las   posibilidades   de   utilizar   modelos   complejos   para   el   análisis   del  riesgo  en  epidemiología,  primero  debemos  revisar  brevemente  algunos  principios  de  lo  que  se  ha  denominado  teoría  de  la  complejidad.  En  el  marco  central  de  la  teoría  de   sistemas,   son   formas   elementales   de   la   determinación   en   cualquier   modelo  explicativo:  

Composición   -­‐  partes  de  una  articulación   (A  +  B)  Los  componentes  de  un  todo  (D).  Esto   corresponde   a   una   metáfora   trajo   el   concepto   de   la   química   de   síntesis.   La  formalización  matemática  no  es  más  que  la  suma  de  los  elementos:  

A  +  B  =  D  

Anamorfosis  -­‐  transformación  o  deformación  de  un  componente  de  un  modelo  que  figura  en  las  distintas  formas  de  uno  mismo,  sin  perder  sus  propiedades  esenciales.  Puede  ser  un  cambio  en  el  estado  (por  ejemplo  hielo  a  líquido  a  vapor,  pero  el  agua  siempre)  o  una  variable  en  un  proxy  de  red  explicativa.  Su  representación  puede  ser:  

A  ~  A  *  

Cambio  -­‐  es  la  representación  principal  de  la  causalidad  en  la  ciencia,  como  metáfora  trajo  el  campo  de  la  dinámica  de  la  física.  El  modelo  básico  de  esta  forma  elemental  de  determinación  es  la  siguiente:  factor  x,  actuando  de  una  S  de  situación  de  salud  particular,  produce  el   resultado  R   (riesgo  de  significado,  para  nuestros  propósitos).  Aquí   tenemos   la   forma  básica  del   riesgo  epidemiológico  objeto  en  su  presentación  

convencional.  La  formalización  matemática  es  el  caso  más  simple  de  una  ecuación  de  la  función,  con  un  solo  término:  

R  =  f  (X).  

Emergencia   -­‐   proceso   de   sobredeterminación   (Freud,   1893,   1900)   que   describe   la  apariencia   de   algo   que,   como   tal,   no   estaba   en   el   sistema   antes   de   considerar   las  determinaciones   causales  múltiples   y   dinámicas.  Una   discontinuidad   en   el   sistema  dinámico,   generando   una   nueva   variante   del   cálculo   llamado   "desastres",   según  Thom  (1985).  Es  aquí,  en  su  forma  más  básica,  una  categoría  aristotélica  de  rescate  de   la   contingencia.   Dado   que   no   formalización   está   disponible   para   este   tipo   de  acontecimientos,  R  surge  de  fuentes  desconocidas  para  determinar:  

ð  ==>  R  

En  este  juego  de  definiciones,  "simplicidad"  es  el  resultado  de  procesos  de  ana-­‐lisis,  es   decir,   la   fragmentación   o   la   descomposición   de   una   cosa   en   sus   componentes  básicos.  El  sistema  se  describe  mediante  la  implementación  de  lo  más  simples  en  sus  formas  elementales  de   la  determinación.  Esto  es  equivalente  a   la   reducción  de   las  relaciones   cartesianas   y   procesos   sistémicos.   La   transición   de   la   simplicidad   a   la  complejidad  no  es  lineal  y  directa,  a  través  de  la  "complicación  'como  un  supervisor  de  nivel.  

 

Modelos  Complicados  

Modelo   complicado   (de   primer   orden),   sin   producir   objeto   en   un   solo   nivel,  monótona  y  lineal  (vector)  finalista.  

Estos   modelos   son   complicados   porque   tienen   más   que   los   elementos   mínimos  requeridos.  A,  B,  C  y  por  encima  de  nN;  cn  la  misma  a  la  parte  inferior.  

Pueden  ser  considerados  como  de  "primer  orden  complicada"  por  su  único  nivel  de  jerarquía.  

 

 

Figura  5:  Representación  esquemática  de  Modelos  Complicados  (no  complejos)  

 

 

 

 

 

Estos   modelos   son   complicados   porque   tienen   más   que   los   elementos   mínimos  requeridos.  A,  B,  C  por  encima  de  la  parte  inferior  xi  xn  arriba.  

 

Modelo   complicado   (de   segundo   orden),   sin   producir   objetos,   multi-­‐nivel,  monótono,  lineal  (vector)  finalista.  

 

Estos   modelos   son   complicados   porque   tienen   más   que   los   elementos   mínimos  requeridos:  A,  B,  C.  ..  N.  

 

Pueden   ser   considerados   como  modelos   complicados   "de   segundo   orden   "   por   su  nivel  de  jerarquía  múltiple.  

 

 

 

 

   

 

Figura  6:  Modelos  complicados  "de  segundo  orden  "  

 

Estos   modelos   de   anamorfosis   son   complicados   porque   tienen   más   que   los  elementos  mínimos  necesarios:  es  hasta  cn.  

Estos   modelos   de   composición   son   complicados   porque   tienen   más   que   los  elementos  mínimos  requeridos:  A,  B,  C.  ..  N,  pero  todavía  monotono.  

¿Qué   significa   complicación?   Echemos   un   vistazo   a   la   Figura,   un   "modelo  complicado"   que,   entre   otras   cosas,   demuestra   que   la   multiplicación   de   los  elementos   de   un   sistema   dado   no   es   suficiente   para   "introducir"   la   complejidad.  Considere  la  posibilidad  de  una  variación  multi-­‐factorial  de  S  ==>  R,  determinado  por  factores   x1   xn.   La   formulación  matemática   no   es  más   que   la   famosa   ecuación   de  regresión   lineal   múltiple   generalizado   R   =   f1   (x1)   +   f2   (x2)   ...   fn   (x).   Este   modelo  también   se   puede   tomar   como   una   vívida   presentación   de   la   definición  epidemiológica   de   la   multicausalidad   que   por   cierto   no   es   el   resultado   de   la  complejidad,  pero  complicación  en  el  modelado.  Los  sistemas  de  este  tipo  están  muy  lejos   de   la   complejidad   en   ellos,   porque   no   hay   una   consideración   de   la   compleja  diversidad  de  la  realidad.  

Se   puede   ver   que   en   la   figura   comprende   submodelos,   variando   de   dos   niveles   y  describe  matemáticamente  mediante  un  sistema  de  ecuaciones  de  regresión  lineal:  

R  =  f1  (x1)  +  f2  (x2)  +  f3  (x3)  

x2  =  f1  (x1)  +  f4  (x4)  

x3,  x4  =  fn  (x)  

Como   tal,   los   pasos   pueden   ser   introducidos   en   el   modelo   que   se   convierte   así  organizados   jerárquicamente.   Sin   embargo,   todas   las   interconexiones   entre   sus  componentes  son  del  mismo  tipo,  por   lo  que  es  un  sistema  tedioso,  sin  respetar   la  diversidad  de  parámetros.  Esta  es  otra  faceta  del  modelaje  reduccionismo  realidad,  

porque   esto   reduce   la   diversidad   de   las   conexiones   que   existen   en   cualquier  fenómeno  o  proceso  a  una  serie  de  relaciones  unificadas.  Un  ejemplo  inmediato  de  este  tipo  de  modelo  de  riesgo  epidemiológico  teoría  es  el  clásico  "red  de  causalidad"  (Krieger,  1994).  

La  introducción  de  varias  formas  elementales  de  la  determinación  de  un  modelo  sólo  refuerza  su  calidad  de  "modelo  complicado".  En  esta  familia  de  modelos  que  vemos  un   enfoque   intuitivo   a   la   determinación   conjunta   de   diferentes   formas,   incluso   la  transformación  de  los  factores  componentes  de  la  definición  de  las  variables  proxy.  Para   construir   y   operar   esos   modelos,   metodologías   inter   y   transdisciplinaria   es  definitivamente  necesario.  Los  objetos  de  este  tipo  puede  convertirse  en  prototipo  de   la   deseada   integración   entre   las   ciencias   sociales   (por   ejemplo,   para   macro  procesos  sociales  representados  en  forma  de  composiciones  en  el  modelo  base),   la  lógica   y   la   semántica   (anamorfosis   justifica   la   vinculación  del   nivel   básico   al   factor  submodelo)  y   ciencias  o   centros  de   salud   (responsable  de  modelar  el   resultado  de  riesgo  para  la  salud  o  R).  La  formulación  matemática  posible  se  basa  más  en  la  lógica  de  que  en  el  cálculo  aplicado.  Sin  embargo,  el  potencial  de  esta  familia  de  modelos  de  procesos  de  aprendizaje  de  la  realidad  todavía  se  considera  inadecuado  debido  a  su  direccionalidad.  En  realidad,  todas  las  relaciones  internas  son  convergentes  con  el  resultado,  bien  considerado  final  (desenlace  o  resultado)  procesos.  

A   pesar   del   poder   heurístico   de   seguridad   de   estos  modelos   vis-­‐à-­‐vis   los  modelos  anteriores,  siguen  operando  en  el  área  de  complicación  (pero  no  la  complejidad)  ya  que  no  es  posible  ningún  cambio  en  el  tratamiento  o  fenómenos  dependientes  del  tiempo.  

 

Modelos  Complejos  

La  complejidad  se  relaciona  con  el  movimiento  dialéctico-­‐permanencia.  Ninguno  de  los  modelos   anteriores,   incluso   los   sofisticados   y   elocuente,   considera   que   el   flujo  del   tiempo.   Incluso   en   sus   versiones   más   sofisticadas,   todavía   muestran  reduccionista,  monótono,   o   finalistics   y,   sobre   todo,   conocer   la   realidad   compleja  mediante  la  congelación  de  sus  procesos,  es  decir,  por  la  parálisis  de  su  función  más  básica,  la  naturaleza  dinámica  del  evento.  Un  sistema,  incluso  la  más  complicada  de  todas,  que  siempre  converge  a  la  producción  fijo  misma,  no  es  un  sistema  dinámico.  Por  eso,  la  noción  de  feedback  se  ha  convertido  en  crucial  para  la  teoría  de  sistemas.  Del  mismo  modo,  esto  explica  por  qué  la  idea  de  la  repetición,  no  reproducción,  es  fundamental  definir  la  no  linealidad  de  los  sistemas  dinámicos.  

Considere   la  posibilidad  de  un  "complejo  modelo  de  primer  orden".  Se  trata  de  un  modelo   plural   (con   diversidad   de   determinación),   jerárquica   multinivel   y   no  direccional,   construido  a  partir  de   la  primera  definición  de   la   complejidad  como   la  dinámica  de  sistematicidad.  En  este  modelo,  la  salida  en  el  tiempo  1  significa  entrada  en  el  momento  2.  Además,  todavía  es  un  modelo  discreto  (Based-­‐On-­‐límites,  hechas  de  un  solo  componente)  y   la  no  sensible  al  contexto.  Los  modelos  de  este  tipo  son  susceptibles   de   descripciones   matemáticas,   basado   en   sistemas   de   ecuaciones  diferenciales.   La   formulación  algebraica  de  este   tipo  de   la   complejidad  del  modelo  tiene  una  esencialmente  descriptivo   y  útil,   sin   embargo,   revela   la   característica  de  retro-­‐acción  iteración  para  incluir  términos  (c1,  c2):  

R  =  f1  (x1)  +  f2  (x2)  +  f3  (x3)  

X1  =  F  |  c1;  X2  =  f  (X1  +  X4),  X3  =  G  |  c2;  X4  =  E  

E  =  D  +  C  +  B  '-­‐  G  

B  *  ~  B  

c1,  c2  =  f  (R)  

Al   permitir   "feedback   conservador"   (o   homeostasis),   estos   modelos   fueron  considerados  anteriormente  como  ejemplos  paradójicos  de  complejidad  lineal.  Pero  pronto  las  crecientes  capacidades  computacionales  permitido  a  los  investigadores  a  descubrir  el  caos  en  las  ecuaciones  relativamente  simples,  tales  como  las  ecuaciones  para  predecir  el  tiempo  Lorenz  (1993).  

Para  los  modelos  complejos  nuestro  tema  de  riesgo,  esto  puede  ser  demostrado  de  una   manera   muy   sencilla,   mediante   la   incidencia   de   una   enfermedad   D   como  ejemplo.   Considere   una   evaluación   del   ciclo   simple   de   un   sistema   epidemiológico  particular.  En  este  caso,  Rn   (riesgo  de  una  vez)  es  diferente  de  Rn  +1   (riesgo  en  el  tiempo  segundo).  Dado  que  la  medida  de  la  incidencia  I  es  R,  una  relación  depende  del  tamaño  de  una  población  P,  considerar  también  que  Pn  +1  =  Pn  estableciendo  así  el   cambio   de   parámetros   de   la   población.   Esta   es   la   forma   más   sencilla   para  representar  iteración  de  este  tipo  particular  de  sistema  dinámico.  El  objetivo  último  de  la  investigación  epidemiológica  es  medir  realmente  la  variación  de  la  "volumen"  de   D   (número   de   pacientes   expuestos   entre)   en   el   tiempo,   lo   que   significa  básicamente  evaluar  Dn  ==>  Dn  +1.  Las  aplicaciones  de  este  modelo  para  el  análisis  de  riesgo  en  epidemiología  han  sido  muy  fructíferos,  especialmente  con  respecto  a  los  brotes  de  enfermedades  infecciosas.  

El   clásico   modelo   SEIR   (Susceptibilidad-­‐Exposición-­‐Infección-­‐Recovery)   ha  representado  un   intento  de  describir   la  dinámica  epidemiológica  de  enfermedades  infecciosas  a  través  de  un  sistema  de  ecuaciones  diferenciales,  incluso  dentro  de  un  modelado   lineal   esperada   de   discontinuidad   (Anderson,   1982).   Según   Struchiner   y  Halloran   (1991),   la  noción  de  "evento  dependiente"  propuesto  por  Sir  Ronald  Ross  en   1910   ya   anticipó   el   concepto   de   efectos   no-­‐linealidad   en   iteración   como   un  sistema   dinámico.   Grenfell,   Bolker   y   Kleckowski   (1995),   utilizando   técnicas   de  simulación   parametrizadas   desarrollado   una   interesante   demostración   de   la  presencia  de  no  linealidad  en  modelos  SEIR  bajo  estacionalidad  intervalos  diferentes.  

Koopman   y   Longini   (1994)   presentaron  un  modelo   teórico   de   la   relación   entre   los  niveles   de   exposición   de   los   hogares   a   los  mosquitos   y   el   riesgo   de   infección   por  dengue   en  México,   donde   el   análisis   epidemiológico   convencional,   lineal,  medidas  básicas   individuales   reveló   relativamente   estable   no   asociación.   Cuando   se  incorporan  en  el  modelo  un  factor  de  dependencia  de  la  exposición  como  resultado  de  la  incidencia  (es  decir,  un  tipo  de  "retroalimentación"  de  la  epidemia),  se  observó  un  incremento  no  lineal  en  la  tasa  de  infección.  

Aunque  el  modelo  de  la  figura  satisfacen  la  definición  fundamental  de  la  complejidad  -­‐  no-­‐linealidad  (a  través  de  retro-­‐acción  RF),  no  incluye  otras  propiedades  complejas,  tales   como   emergencia,   fractalidad   y   borrosidad.   En   la   Figura   3   se   presenta   un  ejemplo   gráfico   de   un   "modelo   II   nivel   de   complejidad".   Este   es   un   multi-­‐modal,  

multi-­‐nivel  y,  al  mismo  tiempo,  no  finalista,  no   lineal,  que  muestra  diversos  puntos  en  su  red  de  emergencia  explicativo.  Por  tanto,  es  un  modelo  de  forma  simultánea  iterativo  e  interactivo  integrado  en  la  complejidad  ajuste  segundos,  mientras  que  la  situación   de   emergencia.   El   correspondiente   sistema   de   ecuaciones   ese   orden  segundo  modelo  de  complejidad  trae  útil  descriptivo  sino  que  también  incorpora  los  términos  de  interacción  o  de  emergencia  (i,  j,  k):  

S  ~  R  =  [f1  (x1)  +  f2  (x2)  +  f3  (x3)]  +  (i  +  j  +  k)  |  (c1.  ..  cn)  

X1  =  F  |  c1;  X2  =  f1  (x1)  +  f3  (x3)  +  ei;  X3  =  1/2  (E);  X4>  1/2  (E  |  c2);  X6  =  f  (R)  

i>  (X1  +  X2  +  X3)  j  <(X3  +  X4  +  X5)  y  k>  (X4  X6  +  +  X7)  

E>  D  +  C  +  B  '  

B  *  ~  B  

c1,  c2  =  f  (R)  

En   cuanto   a   la   emergencia   considerando   múltiples   variables   enlaces   internos,   el  efecto  combinado  ei,  j,  k  es  igual  a  mayor  que  la  suma  de  los  efectos  individuales  (X1  +  X2  +  X3),   (X4  +  X3  +  X5)  y   (X6  +  X4  +  X7).  De  hecho,  esto  ocurre  en  condiciones  reales   cuando   el   resultado   es   a   menudo   mayor   que   la   suma   de   las   variables  individuales.   En   esta   interpretación,   cuando   se   introduce   en   el   modelo,   estas  interacciones  tienen  un  impacto  en  la  variación  evaluó  como  el  efecto  resultante  en  la  producción  de  convencionalmente  predijo  el  riesgo  de  R.  

Efectos   de   los   factores   de   riesgo   en   exceso   generalmente   producidos   por   los  procesos  de   interacción  sinérgica  se  pueden  considerar  como  casos  de  sistemas  de  emergencia  epidemiológicos.  Estas  son  algunas  de  las  conclusiones  de  los  efectos  de  interacción  de  género,  clase  social  y   la  raza  /  origen  étnico  sobre   la  prevalencia  de  los  trastornos  depresivos  (Almeida  Filho  et  al,  2004).  En  este  estudio,  el  sexo  siguió  un  patrón  confirma  en  diferentes  países  y  de  investigación:  las  mujeres  en  situación  de   riesgo   de   depresión   dos   veces   tan   alto   como   los   hombres.   Cada   una   de   las  variables  por  separado  mostraron  menores  estimaciones  de  riesgo:  clase  social  llegó  a   un   riesgo   relativo   estimado  de   1,6   y   raza   /   etnia   solo   alcanzaron  niveles   aún  de  significación  estadística.  Teniendo  en  cuenta  los  tres  factores  juntos  expresadas  por  las  estimaciones  del  riesgo  relativo  de  género,  la  clase  social  y  la  raza  /  etnia,  la  suma  de   los   efectos   individuales   sería   4,6   (=   2,0   +   1,6   +   1,0,   respectivamente).   La  interpretación  de  esta  proyección  es  aproximadamente  el  siguiente:  el  subgrupo  que  superpone   el   mayor   riesgo   (mujeres,   pobres   y   negro)   tienen   un   riesgo   4,6   veces  mayor   de   depresión   que   la   que   combina   el   más   bajo   riesgo   (hombres,   ricos   y  blanco).  De  hecho,  la  odds  ratio  se  encuentra  en  el  análisis  de  los  datos  fue  el  doble  de  lo  esperado:  el  riesgo  de  depresión  en  mujeres  negras  pobres  es  9  veces  superior  a   la   de   los   hombres   blancos   y   ricos.   Este   exceso   de   riesgo,   aunque   no   predice   o  explica  por  el  modelo  emerge  de  la  referencia  concreta  del  proceso  de  investigación,  los  datos  aparecen  y  no  se  puede  negar  o  reprimir  su  ocurrencia.  

Entre  los  conceptos  menos  conocidos  de  nuevos  enfoques  paradigmáticos  asociados  con   la   teoría   de   la   complejidad,   abre   perspectivas   de   ruptura   formal   con   la   lógica  sigue  siendo  hegemónica  en  la  ciencia  contemporánea.  En  este  disco,  se  encuentra  "establecer  borrosos  teoría"  [Septiembre  teoría  difusa],  propuesta  por  Lofti  Zadeh  a  

principios  de  1960  (McNeill  y  Freiberger,  1993).  Una  actualización  interesante  sobre  el   tema   fue   publicado   recientemente   por   Sadegh-­‐Zadeh   (2000),   que   propone  precisamente   aplicar   los   marcos   teóricos   y   prácticos   de   la   lógica   difusa   en   la  construcción  de  modelos  de  salud  y  enfermedad.  

Conjuntos   Borrosos   teoría   implica   una   noción   de   límite   crítico   y   la   precisión   son  esenciales  para   la   teoría  de  conjuntos,  que  establece   la  ciencia  analítica   formal.  En  este   caso,   como   se   muestra   en   la   Figura,   se   reconoce   que   los   límites   entre   los  factores   de   componentes   xe   A.   ..   N   son   de   hecho   borrosos   (o   imprecisa),   será  arbitrada  por  el  promotor  del  modelo.  La  formalización  matemática  de  este  tipo  de  complejidad   del   modelo   requiere   la   aplicación   de   la   no-­‐lógicos   conjuntistas,  exigiendo  formas  descriptivas  y  analíticas  de  expresión,  de  la  siguiente  manera:  

c1,  c2  =  f  (S  ~  R)  

E>  D  U  B  U  C  '  

B  *  ~  B  

x1  =  F  |  c1  UE;  x2  =  f1  (x1)  +  f3  (x3)  +  f6  (x6),  x3  =  1/3  (FUE)  

x4>  1/3  (E  |  F  U  c2);  x6  =  f  (S-­‐R)  +  (~  x3)  

i>  f1  (x1)  +  f2  (x2)  +  f3  (x3),  y  j  <f3  (x3)  +  f4  f5  +  (x4  (x5)  y  f4  k>  (x4)  +  f6  (x6)  +  f7  (x7)  

S  ~  R  =  {f1  (x1)  +  f2  (x2)  +  (x2-­‐x  7)  +  (x3  x6  ~)}.  (I  +  j  +  k)  |  (c1.  ..  cn)  

 

Esto   rompe   con   la   lógica   de   diseño   clásico   que   define   los   fundamentos  epistemológicos   del   conocimiento   basado   en   los   principios   de   identidad,   no  contradicción   y   del   tercero   excluido   (COSTA,   1980).   Como   corolario   a   romper  propuesta,   habría   tres   tipos   de   incertidumbre   -­‐   la   contradicción,   la   confusión   y   la  ambigüedad  -­‐  no  se  prestan  a  la  lógica  formal  y  las  matemáticas,  así  que  fuera  de  los  límites   de   la   racionalidad   científica   clásica.   A   estos,   se   suman   la   "confusión"  [borrosidad],   la   propiedad   privada   de   los   sistemas   complejos   en   cuanto   a   la  arbitrariedad   de   los   límites   impuestos   a   las   infraestructuras   eventos   sistémicos  (unidades   del   sistema)   y   el   propio   sistema   (Zadeh,   1971),   en   inter-­‐sistémicas  relaciones   con   otros   sistemas,   con   los   sistemas   de   súper-­‐(contextos)   y   sus  observadores.  

 

 

 

Figura  7  –  Diagrama  de  um  Modelo  Complicado  

 

 

Figura  8  –  Modelo  Complexo  Grau  I  –  Não-­‐linearidade  

 

 

 

Figura  9  –  Modelo  Complexo  Grau  II  –  Emergência  

 

 

 

Figura  10  –  Modelo  Complexo  Grau  III  –  Borrosidade  

 

 

•Borrosidad  tipo  1  –  referencia  a  los  límites  entre  los  eventos  en  el  tiempo  o  entre  elementos  en  el  sistema  

•Borrosidad  tipo  2  –  referencia  a  los  límites  entre  sistema  y  contexto  

•Borrosidad  tipo  3  –  referencia  a  los  límites  entre  observador,  sistema  y  elementos  del  sistema  

Sadegh-­‐Zadeh  (Artificial  Intelligence  in  Medicine,  1999,  2000,  2006)  .    

•la  enfermedad  es  un  "prototipo  paradigmático"  

•salud   y   la   enfermedad   no   son   contradictorios   ni   opuestos.   No   es   cierto   que   un  individuo  solo  puede  estar  sano  o  enfermo.  Posible  estar  sano  y  enfermo.  

•entidades   que   en   una   sociedad   se   denominan   "enfermedades"   pueden   ser  representadas   como  puntos   alrededor  de  un  núcleo  en  un  espacio   topológico  que  comprende  en  particular  las  condiciones  de  prototipos  humanos  indeseables  en  una  dada  sociedad.  

 

Modelos  Complejos  en  Salud  

Modelos  complejos  en  salud  aplicados  al  tema  HIV/SIDA  

 

 

 

Figura  11:  Modelo  causal  (clínico-­‐epidemiológico)  de  HIV/Sida  

 

 

 

Figura  12:  Modelo  de  Riesgo  (sócio-­‐epidemiológico)  de  HIV/Sida  

 

 

 

Figura  13:  Modelo  estructural  de  Vulnerabilidad  en  HIV/Sida  

 

 

Figura  14:  Modelo  Sistémico  del  HIV/Sida  

 

Figura  15:  Modelo  Prototípico  (Semiológico)  del  HIV/Sida  

 

Concepto  complejo  ‘enfermedad’:  El  objeto  “enfermedad”  es  plural  y  multifacetado,  simultaneamente    defecto,   lesión,   alteración,  patología,   enfermedad,   riesgo,  daño;  regido   por   una   lógica   de   complejidad,   sometido   tanto   al   orden   biodemográfico  cuanto  al   orden   sóciocultural;   estructurado  bajo   la   forma  de  una   ‘red  de   redes’,   a  distintos  niveles.  

En   otra   vertiente   se   presenta   la   posibilidad   de   desarrollar   un   enfoque   más  abiertamente   metafórico   para   la   construcción   de   esta   faceta   de   los   objetos  complejos   o,  mejor   dicho,   de   los   objetos  modelo   integrales,   prescindiendo,   por   lo  tanto,   de   expresiones   de   orden   formal.   En   la   instancia   de   los   procesos  hermenéuticos,  productores  de  objetos  modelo  sintéticos,  imágenes,  figuras  (en  un  sentido   wittgensteiniano   estricto).   En   el   dominio   de   lo   particular   se   considera   la  posibilidad  de  la  “emergencia”,  en  el  sentido  de  la  generación  de  lo  nuevo,  de  lo  que  efectivamente  resulta  de   la  síntesis  más  allá  de   las  determinaciones   (incluso  de   las  determinaciones   múltiples).   En   el   dominio   de   la   generalización,   se   trata   de   los  procesos  praxeológicos  de  construcción  de  lo  cotidiano  (en  cierto  plano  parcial).  En  ambos  casos,  proponemos  considerar  una  nueva  forma  elemental  de  determinación,  que   hasta   ahora   había   sido   más   conocida   en   el   campo   de   la   estética,   que   es   la  “anamorfosis”,   capaz   de   expresar   incluso   en   forma   incipiente   la   transición   de   la  praxis   y   de   la   emergencia   a   las   imágenes   figura.  Huelga   decir   cuán   insuficiente   ha  sido  el  tratamiento  de  esta  faz  del  objeto  “integrales  salud-­‐enfermedad-­‐atención”  en  la   práctica   científica   contemporánea.   De   todos   modos,   se   puede   proponer   una  definición   “imaginaria”   de   la   salud   desde   este   punto   de   vista:   formas   sintéticas,  condensación  de  instancias,  dominios,  niveles,  lógicas,  modelos,  productos,  objetos.  Salud-­‐enfermedad-­‐atención  será,  por  consiguiente,  una  configuración,  una  de  estas  formas  sintéticas  que,  debido  a  aquello  a   lo  que  se  refieren  en  el  mundo  concreto,  solamente  tienen  sentido  en  cuanto  integral.  

Por  último,  los  “integrales  salud-­‐enfermedad-­‐atención”  constituyen  objetos-­‐modelo,  polisémicos,   polifacéticos,   plurales,   a   la   vez   modelos   ontológicos   y   heurísticos  

capaces   de   transitar   (y   de   ser   transitados)   por   distintas   instancias   y   dominios,  referidos   a   distintos   niveles   de   complejidad,   construidos   para   referencia   (y   por  referencia)   a   los   hechos   producidos   por   las   ciencias   de   la   Salud   Colectiva.   En   ese  sentido,   los   integrales  constituyen  objetos  de  conocimiento  “metasintéticos”,  o  sea  que   expresan   algo   más   que   una   “síntesis   de   múltiples   determinaciones”,  incorporando   en   un  mismo  objeto  modelo   varias   clases   de   referencia:   a)  modelos  proposicionales,  que  asumen  formas  lógicas,  especificando  elementos,  propiedades  y  relaciones;  b)  modelos  icónicos:  esquemas,  representaciones  gráficas  y  visuales;  c)  modelos  metafóricos,   que   resultan   de   la   transitividad   de   un  modelo   propositivo   o  icónico   de   un   dominio   a   otro;   d)   modelos   metonímicos,   que   resultan   de  dislocaciones   y   sustituciones,   igualmente  de  un  dominio   a   otro.   Ejemplo   (parcial   y  provisorio):   el   SIDA   es   algo  más   que   una   “enfermedad”   en   el   sentido   clínico,   algo  más   que   una   “lesión”   en   el   sentido   estructural   histopatológico,   algo   más   que   un  “riesgo  1”  en  el  sentido  epidemiológico,  algo  más  que  un  “riesgo  2”  desde  el  punto  de   vista  de   la   salud  ambiental,   algo  más  que  un   “proceso   complejo”  en  el   sentido  socioecológico,   algo  más   que   un   “prototipo”   en   el   sentido   “semiológico”,   y   no   se  reduce   a   una   “forma”,   componente   de   lo   imaginario   social.   El   SIDA   es   todo   eso   y  también   la   transformación   (la   historicidad,   no   podemos   olvidar)   de   cada   una   de  estas  faces  de  un  objeto  modelo  totalizado.  

 

 

 

Referências  Bibliográficas:  

1. ALMEIDA   FILHO,   Naomar.   Paradigmas   em   epidemiologia.   1º   Congresso   Brasileiro   de  Epidemiologia  -­‐  Epidemiologia  e  Desigualdade  Social:  Os  desafios  do  final  do  século.  Anais,  Campinas-­‐SP,  2  a  6  de  setembro  de  1990.  

2. ALMEIDA  FILHO,  Naomar.  A  clínica  e  a  epidemiologia.   Salvador-­‐Rio  de   Janeiro:  APCE-­‐ABRASCO,  1992.  

3. ALMEIDA  FILHO,    Naomar.  A  ciência  da  saúde.  São  Paulo:  Hucitec,  2000.  

4. ALMEIDA  FILHO,  Naomar.  A  saúde  e  o  paradigma  da  complexidade.  Cadernos  IHU,  São  Leopoldo,  v.  4,  n.  15,  p.4-­‐45,  2006.  

5. ANDERSON,  Ronald.  Population  dynamics  of   infectious  disease:  theory  and  application.  London:  Chapman  and  Hall  Press,  1982.  

6. ATLAN,  Henry.  Entre  le  crystal  et  la  fumée.  Paris:  Seuil,  1981.  

7. ATTINGER,  Ernst.  Dynamic  modeling  and  health  policy  research.  Technical  Papers  WHO/RPD/SOC,  Genebra,  1985.  

8. BECK,   Ulrich.   La   Sociedad   del   Riesgo.   In:   BECK,   Ulrich   et   al.   Las   consecuencias   perversas   de   la  modernidad:  modernidad,  contingencia  y  riesgo.  Barcelona:  Anthropos,  1996.  

9. BIBEAU,  Gilles.  L'Univers  du  SIDA.  Quebec:  Université  Laval  Press,  1992.  

10. BOULDING,  Kenneth.  General  Systems  Theory  -­‐  The  Skeleton  of  Science.  Management  Science,  n.  2,  p.197-­‐208,  1956.  

11. BUNGE,  Mario.  El  principio  de  la  causalidad  en  la  ciencia  moderna.  Buenos  Aires:  Eudeba,  1969.  

12. CASTELLANOS,   Pedro.   Avances   metodológicos   en   Epidemiología.   I   Congresso   Brasileiro   de  Epidemiologia.  Anais.  Campinas,  ABRASCO,  1990.  

13. CASTIEL,   Luis   David.   Debate   sobre   o   artigo   de   Almeida-­‐Filho   “Transdisciplinaridade   e   Saúde  Coletiva”.  Ciência  &  Saúde  Coletiva,  Rio  de  Janeiro,  v.  II,  n.1/2,  p.  27-­‐30,  1997.  

14. COSTA-­‐CAPRA,   Rada.   Fuzzy   Logic   and   Epidemiologic   Reasoning.   III   Congresso   Brasileiro   de  Epidemiologia,  Resumos,  Salvador,  ABRASCO,  1995,  p.  305.  

15. GRENFELL,  Bryan;  BOLKER,  Ben;  KLECKOWSKI,  Adam.  Seasonality,  demography  and  the  dynamics  of  measles   in  developed  countries.   In:  MOLLISON,  Denis   (Ed.).  Epidemic  models:   their   structure  and  relation  to  data.  Cambridge:  Cambridge  University  Press,  1995.  

16. HACKING,  Ian.  The  Taming  of  Chance.  Cambridge:  Cambridge  University  Press,  1990.  

17. HALLORAN,   Elizabeth;   STRUCHINER,   Claudio.   Study   designs   for   dependent   happenings.  Epidemiology,  n.  2,  p.  331-­‐8,  1991.  

18. HAYES,  Michael.  On   the   epistemology   of   risk:   language,   logic   and   social   science.  Social   Science  and  Medicine,  London,  v.  4,  n.  35,  p.  401-­‐7,  1992.  

19. KOOPMAN,  James;  LONGINI,  Ira.  The  ecological  effects  of  individual  exposures  and  nonlinear  disease  dynamics  in  populations.  American  Journal  of  Public  Health,  Washington,  n.  84,  p.  836-­‐42,  1994.  

20. KOOPMAN,  James.  Comment:  Emerging  Objects  and  Methods  in  Epidemiology.  American  Journal  of  Public  Health,  Washington,  v.  5,  n.  86,  p.  630-­‐2,  1996.  

21. KRIEGER,   Nancy.   Epidemiology   and   the   web   of   causation:   has   anyone   seen   the   spider?   Social  Sciences  &  Medicine,  London,  v.  7,  n.  39,  p.  887-­‐903,  1994.  

22. LEVY,  Becca.  Editorial:  Toward  a  holistic  approach  to  public  health  surveillance.  American  Journal  of  Public  Health,  Washington,  v.  5,  n.  86,  p.  624-­‐5,  1996.  

23. LORENZ,  E.  The  essence  of  chaos.  Chicago:  University  of  Chicago  Press,  1993.  

24. MASSAD,  Eduardo;  STRUCHINER,  Claudio.  Fuzzy  logic  and  risk  assessment  in  environmental  Studies.  São  Paulo,  1996  (xerox).  

25. MATURANA,   Humberto;   VARELA,   Francisco.   El   árbol   del   conocimiento.   Santiago:   Editorial  Universitaria,  1984.  

26. MCNEILL,  David;  FREIBERGER,  Paul.  Fuzzy  logic.  New  York:  Simon  &  Schuster,  1993.  

27. MEZZICH,   Juan;   ALMEIDA-­‐FILHO,   Naomar.   Epidemiology   and   diagnostic   systems   in   psychiatry.  Acta  Psychiatrica  Scandinavica,  Stockholm,  n.  90  (suppl.  385),  p.  61-­‐5,  1994.    

28. NEWMAN,   Mark,   BARABÁSI,   Albert-­‐Laszló,   WATTS,   Duncan   (Eds.)   The   structure   and   dynamics   of  networks.  Princeton:  Princeton  University  Press,  2006.  

29. PERCIVAL,   Ian.   Chaos:   a   science   for   the   real   world.   In:   HALL,   N.   (Ed.)   Exploring   chaos.   New   York:  Norton,  p.11-­‐22,  1994.    

30. PHILIPPE,   Pierre.   Teoria   do   caos   e   sistemas   complexos   em   epidemiologia.   In:   ALMEIDA-­‐FILHO,  Naomar;   BARATA,   Rita;   BARRETO,   Maurício;   VERAS,   Renato   (Eds).   Teoria   epidemiológica   hoje:  Fundamentos,  tendências,  perspectivas.  Rio  de  Janeiro:  Editora  Fiocruz  /  ABRASCO,  1998.  

31. PRIGOGINE,  Illya;  STENGERS,  Isabelle.  La  nouvelle  alliance.  Paris:  Gallimard,  1986.  

32. RUELLE,  David.  Hasard  et  chaos.  Paris  :  Odile  Jacob,  1991.  

33. SAMAJA,  Juan.  Epistemología  y  metodología.  Buenos  Aires:  Eudeba,  1994.  

34. SADEGH-­‐ZADEH,   Kazem.   Fuzzy   health,   illness,   and   disease.   Journal   of   Medicine   &   Philosophy,  London,  v.  5,  n.  25,  p.  605-­‐38,  2000.  

35. SCHRAMM,   Fermin;   CASTIEL,   Luis   David.   Processo   Saúde/Doença   e   Complexidade   em  Epidemiologia.  Cad.  Saúde  Pública,  Rio  de  Janeiro,  v.  4,  n.  8,  p.  379-­‐90,  1992.  

36. SUSSER,  Mervyn.  Epidemiology,  health  &  society  -­‐  Selected  papers.  New  York:  Oxford  Univ.  Press,  1987.  

37. SUSSER,  Mervyn.  The  logic  in  ecological:  I.  The  logic  of  analysis.  American  Journal  of  Public  Health,  Washington,  v.  5,  n.  84,  p.  825-­‐9,  1994.  

38. SUSSER,   Mervyn;   SUSSER,   Ezra.   Choosing   a   future   for   epidemiology:   I.   eras   and   paradigms.  American  Journal  of  Public  Health,  Washington,  n.  86,  p.  668-­‐73,  1996.  

39. SUSSER,  Mervyn;  SUSSER,  Ezra.  Choosing  a  future  for  epidemiology:  II.  From  black  box  to  Chinese  boxes  and  eco-­‐epidemiology.  American  Journal  of  Public  Health,  Washington,  n.  86,  p.  674-­‐7,  1996.  

40. THOM,  René.  Paraboles  et  catastrophes.  Paris:  Flammarion,  1985.    

41. VINEIS,  Paolo.  Prima  della  malattia:  per  un’etica  della  prevenzione.  Venecia:  Marsilio,  1997.  

42. VINEIS,  Paolo.  Nel  crepuscolo  della  probabilità.  La  medicina  tra  scienza  ed  ética.  Torino:  Einaudi,  1999.  

43. VON  BERTALANFFY,  Ludwig.  General  systems  theory:  a  critical  review.  General  Systems,  n.  7,  p.  1-­‐20,  1962.  

44. WEED,  Douglas.  On  the  logic  of  causal  inference.  American  Journal  of  Epidemiology,  v.  6,  n.  123,  p.  965-­‐79,  1986.  

45. ZADEH,   Lofti.   Toward   a   theory   of   fuzzy   systems.   In:   KALMAN,   R;  DECLARIS,  N   (Eds.)  Aspects   of  network  and  systems  theory.  New  York:  Holt,  Rinehart  &  Winston,  1971.  

46. ZOURABICHVILI,   François.   Deleuze.   Une   philosophie   de   l’événement.   Paris  :   PUF,   coll.  Philosophies,  1994.