Dejar de Fumar, Terapia Cognitivo-conductual y Perfiles Diferenciales con Árboles de Decisión

Introducción

El tabaco es una de las mayores amenazas para la salud pública. Según la Organización Mundial de la Salud el tabaquismo es la principal causa prevenible de morbimortalidad en los países desarrollados y una de las mayores amenazas para la salud pública (OMS, 2017).

En los últimos años ha habido un creciente interés por conocer esta dependencia y la búsqueda de tratamientos eficaces para contribuir a su control y erradicación. Las guías de práctica clínica, entre ellas la National Institute for Health and Care Excellence (NICE), Public Health Guidelines NG92 (NICE, 2018), informan de diferentes intervenciones tales como ofrecer consejo breve (mínimo 10 minutos), terapias conductuales grupales o individuales (solas o combinadas con fármacos) y material de autoayuda (escrito o en formato electrónico), líneas telefónicas de asesoramiento o los programas de TV o radio que han demostrado un cierto grado de eficacia.

No obstante, dicha eficacia disminuye drásticamente en los seguimientos. Tras un año de tratamiento farmacológico combinando dos fármacos el éxito es del 25-30% (Ebbert et al., 2014), del 30% al 54% tras tratamiento único con terapia cognitivo-conductual (TCC) (Alonso-Pérez et al., 2014; Becoña, Miguez et al., 2010, p. 43), del 37.2% tratamiento combinado TCC con farmacológico (vareniclina, bupropion y TSN) (Raich et al., 2015) y en ausencia de tratamiento del 1.4% (Raich, et al., 2015).

Los diferentes estudios realizados ponen de manifiesto que tal vez el relativo éxito de los diferentes procedimientos resida en la diversidad de variables que potencialmente pueden actuar como predictoras de éxito en el tratamiento del tabaquismo.

En este sentido, otro tipo de variables que han sido estudiadas en el abandono del tabaco, tanto en fumadores que lograron la abstinencia como en aquellos que presentaron fracaso terapéutico, se refieren a variables sociodemográficas (sexo, edad de inicio al consumo, nivel socioeconómico y educativo) y/o variables relativas a la historia de tabaquismo (edad de inicio al hábito de fumar, dependencia a la nicotina, años que llevan fumando, vivir con fumadores, etc.). Sin embargo, estos resultados han sido cuestionados, ya que presentan datos contradictorios, indicando que variables que se muestran como predictoras de éxito en unos trabajos muestran resultados opuestos en otros (Gil et al., 2016).

Por otra parte, la comunidad científica insiste en que los fumadores presentan mayores niveles de ansiedad y estrés (Becoña, 2003; Wood et al., 2009) y una mayor dependencia a la nicotina, así como mayor incidencia de problemas psicopatológicos (Gutiérrez et al., 2013; Piñeiro y Becoña, 2012), por lo que los tratamientos se tornan más complejos. En esta línea, el hecho de ser fumadores con diagnóstico de ansiedad social (Buckner et al., 2016) y fumadores con trastornos afectivos como depresión mayor (Dahne et al., 2017; Matew et al., 2017) se ha asociado a altas tasas de recaídas en el intento de deshabituación, como también fracaso y poca adherencia al tratamiento.

Sin embargo, otros autores no encontraron diferencias significativas en los pacientes que dejan de fumar con altos niveles de ansiedad y/o depresión y la población general. Además, describen en sus seguimientos cómo estos niveles de ansiedad y depresión bajan tras el abandono del hábito, independientemente de la existencia de psicopatología (Almadana et al., 2016; Raich et al., 2015).

Variables sociodemográficas como el sexo, la dependencia a la nicotina y las variables emocionales influyen en la eficacia y adherencia al tratamiento. El conocimiento previo de estas variables nos permitirá determinar el perfil de paciente que más se va a beneficiar de este tipo de tratamiento. De esta manera, una evaluación previa que tuviera en cuenta dichas variables permitiría seleccionar los fumadores que más se pueden beneficiar de este tipo de tratamiento.

Por otra parte, la mayoría de las investigaciones optan por técnicas clásicas en el análisis de datos, por ejemplo, los análisis de regresión múltiple. Este estudio analiza los datos a través de árboles de decisión para intentar esclarecer cómo influyen las variables de tipo socio-demográfico (sexo y edad de inicio al consumo) y emocionales (ansiedad, depresión e ira) tanto en la adherencia al tratamiento como en el éxito o fracaso en un programa estructurado para dejar de fumar basado en TCC. Se analizan gráficamente y mediante reglas de decisión los perfiles o patrones de respuesta, relacionando las variables tanto de tipo emocionales y sociodemográficas, así como la historia de tabaquismo, con la adherencia y el éxito del tratamiento.

El presente estudio tiene como objetivo fundamental conocer el perfil del fumador que podría en mayor medida beneficiarse de una intervención TCC estandarizada.

Método

Participantes

La muestra está compuesta por 120 fumadores (71.7% mujeres), todos ellos mayores de 18 años y con una media de edad de 38.92 años (SD = 9.79), que habían acudido de forma voluntaria a consulta en demanda de un tratamiento psicológico para dejar de fumar en un hospital universitario público del Sistema Nacional de Salud español y aceptan participar en el estudio (muestreo intencional). Fueron excluidos los pacientes que acudían a esta unidad y eran tratados con tratamiento farmacológico, así como aquellos pacientes con diagnóstico psicopatológico grave o en tratamiento por problemas de ansiedad y/o depresión.

Procedimiento

Los pacientes solicitaron tratamiento en la consulta de otorrinolaringología del hospital. El tratamiento fue aplicado por un grupo de terapeutas previamente entrenados (psicólogos y estudiantes de los últimos cursos de Psicología). Tras el consentimiento informado, se realizó una primera evaluación formada por una entrevista semiestructurada (donde se recogen datos sociodemográficos e información sobre la conducta de fumar del sujeto) y los cuestionarios numerados en el apartado instrumentos, con la evaluadora presente. A su vez se realizó una cooximetría para la evaluación del monóxido de carbono del aire espirado.

Tratamiento Cognitivo-conductual para Dejar de Fumar (TCC)

La terapia TCC utilizada es un programa compuesto por 6 sesiones individuales, de una sesión semanal de 30 minutos de duración con seguimientos de un año. Estos programas están formados por 3 fases (preparación para dejar de fumar, abandono de los cigarrillos y prevención de la recaída) y han demostrado ser eficaces para dejar de fumar (Alonso-Pérez et al., 2014; Becoña et al., 2014). Los programas incorporan diferentes componentes: psicoeducación, reestructuración cognitiva, solución de problemas, relajación y apoyo social, alrededor de una estrategia básica de abandono como es la reducción progresiva de la cantidad de nicotina y alquitrán, un 30% menos semanal (ver contenido abreviado de las sesiones en la Tabla 1).

Variables e Instrumentos

Se utilizó como medida objetiva de abstinencia el nivel de monóxido de carbono (CO) en aire (abstinente si CO ≤ 6) (Middleton y Morice, 2000) realizada mediante un cooxímetro (Mini Smokerlyzer, Bedfont instruments, Sittingbourne, Kent, UK).

Para la evaluación de las variables sociodemográficas se utilizó una entrevista semiestructurada formada por: 1) historia de tabaco y médica (edad de inicio del hábito, número de cigarrillos y marca, periodos de abstinencia y método utilizado, motivos por los que quiere dejar de fumar, antecedentes médicos y tratamiento médico actual) y 2) hábitos y costumbres de la vida cotidiana.

El grado de dependencia nicotínica se evalúa mediante el Test de Fagerström de Dependencia de la Nicotina (FTND) (Heatherton et al., 1991) en su versión española validada por Becoña, López et al. (2010). Este instrumento tiene una buena confiabilidad en el test-retest (.88).

Se midió el grado de motivación para dejar de fumar mediante el Test de Richmond (Richmond et al., 1993). La fiabilidad es alta (α de Cronbach = .80).

Para evaluar la depresión se utilizó el Inventario de Depresión de Beck I (BDI-I) (Beck et al., 1979; Vázquez y Sanz, 1997). Este cuestionario tiene un coeficiente alfa que en diferentes estudios de validación ha alcanzado valores entre .76 y .95. Su contenido se refiere, fundamentalmente, al componente cognitivo, si bien igualmente incluye sintomatología depresiva manifestada en el sistema de respuesta fisiológico y motor.

Para evaluar la variable ansiedad se utilizó el Inventario de Situaciones y Respuestas de Ansiedad (ISRA) (Miguel-Tobal y Cano-Vindel, 1986), un autoinforme para la evaluación multidimensional e interactiva de la ansiedad que permite la evaluación de los tres sistemas de respuesta (cognitivo, fisiológico y motor), además del rasgo general de ansiedad. La fiabilidad del rasgo general de ansiedad utilizado en este estudio alcanzó un coeficiente de fiabilidad igual a .91, calculado mediante alfa de Cronbach.

Para la emoción ira se usó el Inventario de la Expresión de la Ira Estado-Rasgo (STAXI) (Spielberger, 1988). Este cuestionario de 44 ítems con 4 alternativas de respuesta define concretamente la ira rasgo como la tendencia o disposición general y estable a experimentar estado de ira con mayor frecuencia e intensidad ante un rango de situaciones amplio y a lo largo de más tiempo. En sus valores de validación ha obtenido coeficiente alfa entre .82 y .93.

Análisis Estadísticos

Se utilizó la técnica de análisis de los árboles de decisión como una forma de representar una serie de reglas que conducen a una clase (árbol de clasificación) o valor (árbol de regresión) con el objetivo de obtener modelos que nos ayuden a comprender la realidad bajo estudio. Un árbol de decisión es una colección de nodos de decisión, conectados por ramas, con estructura descendente y cuyo objetivo es predecir el valor de salida de la variable respuesta a partir de los posibles valores de un conjunto de variables predictoras.

La posición relativa de una variable predictora en la estructura de árbol determina su peso predictivo (capacidad de discriminación) sobre la variable respuesta: las variables asociadas a los nodos superiores (más cercanos al nodo raíz) tienen mayor peso que las variables asociadas a nodos inferiores (más alejados del nodo raíz). Por otro lado, cuanto más alejado el nodo tiende a disminuir la cobertura de la regla (disminuye el número de casos representados). Además, el árbol permite obtener fácilmente las reglas que describen el perfil o características de un grupo de casos (subpoblación) en los que se ha observado un determinado valor de la variable respuesta.

En particular, se utilizó el algoritmo CART (acrónimo de Classification And Regression Trees; Breiman et al., 1984) para obtener modelos de clasificación (árboles binarios) sobre la adherencia de los sujetos al programa de tratamiento y éxito del programa. Una medida útil para comparar el alcance predictivo de las reglas asociadas a nodos es su valor lift: división del porcentaje de casos en los que ocurre el suceso de interés en la submuestra asociada a la regla (nodo concreto) entre el porcentaje de casos del suceso en la muestra global (nodo raíz o nodo 0).

Finalmente, con el objetivo de maximizar la calidad de los datos y el rendimiento del algoritmo, es relevante indicar que la muestra utilizada en el estudio no presenta valores faltantes en ninguna de las variables introducidas en el algoritmo (los casos que no cumplían con dicha condición fueron excluidos de la muestra).

Resultados

Al analizar los árboles de clasificación resultantes, observamos las siguientes conclusiones relacionadas con las reglas destacadas en cada uno de los modelos.

Primero, la Figura 1 indica que la probabilidad de adherencia aumenta del 55% al 71.7% (nodo 2, lift = 1.303) cuando la ansiedad de los participantes en contextos de evaluación es alta. Si a esta característica se añade que son consumidores de alcohol, la adherencia sube al 80% (nodo 5, lift = 1.455) y baja al 30% (nodo 6, lift = 0.545) en no consumidores. Si añadimos al consumo de alcohol la presencia de alta ansiedad fisiológica y alta motivación antes de iniciar el tratamiento, la probabilidad de adherencia aumenta al 100% (nodo 22, lift = 1.818).

Por otro lado, la probabilidad de no adherencia al programa aumenta del 45% (nodo 0) al 86.5% (nodo 16, lift = 1.922) cuando la ansiedad de los pacientes en contextos de evaluación es baja y son elevadas la ansiedad motora, la ansiedad en las situaciones de interacción social, así como la ira interna.

Con respecto al éxito del programa (Figura 2), se observó que la primera variable de decisión es el género de los participantes. Así, partiendo de un éxito del programa del 50.8% en la muestra total (nodo 0), la probabilidad desciende al 26.5% en el caso de los hombres (nodo 2, lift = 0.522) y aumenta al 60.5% si el paciente es mujer (nodo 1, lift = 1.190). A partir de esta primera división del árbol, el resto de particiones descendentes (nodos inferiores) desde los subgrupos (nodos) de hombre y mujer muestran un patrón de respuesta diferente entre hombres y mujeres en las variables y puntuaciones relacionadas con el éxito del programa.

Así, en el caso de los hombres, el éxito del programa se relacionó principalmente con la respuesta emocional de ira, alta puntuación en expresión de ira y baja en ira externa y la probabilidad de éxito inicial de 26.5 % (nodo 2) llegó a 85.7% (nodo 11, lift = 1.686 respecto a nodo raíz). En cambio, la probabilidad de éxito del programa en las mujeres pasó del 60.5% al 89.7% (nodo 13, lift = 1.764 respecto a nodo raíz) cuando disminuyó su edad del primer cigarrillo, su ira y la dependencia de la nicotina.

Finalmente, en cuanto al éxito del programa entre los participantes que realizaron completamente el programa de intervención (Figura 3), destaca la alta probabilidad (86.4%) de no fumar después de finalizar el programa de intervención (nodo 0). Por lo tanto, la sola adherencia al programa ya implicó una alta probabilidad de éxito (dejar de fumar). Esta probabilidad creció al 95.6% cuando la ira de los participantes era alta (nodo 2, lift = 1.108). Y el éxito del programa disminuyó drásticamente cuando la persona presentaba un alto nivel de ansiedad fóbica (nodo 6, lift = 0)

Discusión

El objetivo de este estudio era conocer algunas características de las personas que nos permitieran seleccionar al fumador y orientarlo hacia un tratamiento TCC para dejar de fumar. Para ello los árboles de decisión nos han proporcionado algunos perfiles de esas características.

Los datos más relevantes de este estudio nos permitieron relacionar diferentes niveles de respuestas emocionales con otras variables.

Hemos hallado relación entre medidas de ansiedad estado altas, mediante cuestionario (STAI- E), como predictor de recaída (Marqueta et al., 2010). Los árboles de decisión especifican que dependiendo de las situaciones o qué canal de la ansiedad estuviera elevado, la ansiedad podría ser predictora de éxito o fracaso, al relacionarla con otras variables. Nuestros resultados coincidieron con la investigación de Sampablo (2002), que encuentra una relación positiva entre altos niveles de ansiedad y éxito en el tratamiento e incluso el aumento de esos niveles a lo largo del seguimiento, con un seguimiento de 6 meses.

Además, coincidiendo con otros estudios en los que la ansiedad de tipo fóbica social es predictora de fracaso en el abandono del tabaco y en consecuencia en el mantenimiento de la abstinencia al tabaco, nuestros resultados indican que un nivel elevado de ansiedad de tipo fóbico en determinadas situaciones disminuye el éxito del programa (Dahne et al., 2015; Dahne et al., 2017; Leventhal y Zvolensky, 2015).

También encontramos menor adherencia al tratamiento si la ansiedad en situaciones de interacción social, la ansiedad en el canal motor y la ira son altas, mientras la ansiedad ante la evaluación es baja. No obstante, si la ansiedad que se encuentra elevada es la que se da en situaciones de evaluación y en el canal fisiológico, en pacientes con motivación alta y que consumen alcohol la probabilidad de adherencia fue la más elevada (100 %).

De la misma manera, las investigaciones relacionan puntuaciones altas en cuestionarios de depresión con fracaso en los tratamientos para dejar de fumar, recomendando bajar esas puntuaciones antes o durante el tratamiento para conseguir éxito en la deshabituación tabáquica (Dahne et al., 2017; Mathew et al., 2017; Rodríguez-Cano et al., 2016). Por el contrario, los resultados de nuestro estudio no mostraron ninguna relación entre las puntuaciones altas en BDI y la adherencia al tratamiento en el éxito de dejar de fumar con TCC, cuando relacionaban dichas variables mediante los árboles de decisión. Por este motivo, nosotros no podemos decir que puntuar en depresión sea predictor de fracaso en un tratamiento TCC, coincidiendo estos resultados con otros estudios en los que obtienen puntuaciones altas BDI sin obtener diferencias significativas relacionadas con la tasa de abstinencia con TCC (Raich et al., 2015).

Una posible explicación a este resultado es que esta terapia estandarizada, así como se muestra en la Tabla 1, incluye terapia cognitiva, reforzamiento conductual y planificación conductual, que podrían también ayudar a pacientes con depresión a mejorar su estado de ánimo.

Las guías de práctica clínica enumeran diferentes tratamientos eficaces para dejar de fumar, aunque con porcentajes de éxitos limitados, ya que los estudios no son precisos a la hora de ide.jpgicar variables que sean predictoras de éxito o fracaso para recomendar uno u otro tratamiento.

Las investigaciones han mostrado un creciente interés en estudiar la comorbilidad entre la psicopatología emocional y tabaquismo, midiendo ansiedad y depresión mediante cuestionarios como el BDI para la depresión, cuestionarios de ansiedad como STAI (Inventario de Ansiedad Estado Rasgo), el citado ISRA o como el HADS (Hospital Anxiety and Depression Scale) y el inventario STAXI para evaluación de la ira, antes de iniciar los tratamientos. Ante este marco de evaluación, quizás los investigadores no hemos tenido una comprensión adecuada para medir estas variables, como por ejemplo sería, en el caso de la ansiedad, especificando el canal de respuesta que se encuentra elevado (fisiológico, cognitivo o motor) e incluso la ide.jpgicación de en qué situaciones (ansiedad ante la evaluación, ansiedad interpersonal, ansiedad fóbica, entre otras). De la misma forma, en el caso de la ira, sería útil ide.jpgicar canales de expresión de la ira, si se encuentran aumentados o disminuidos (externa, interna o expresión) e incluso cómo influyen esas variables con otras variables (sexo, la edad de inicio del hábito, etc.).

En este sentido, no tener en cuenta el triple sistema de respuesta y la ansiedad ante diferentes situaciones es lo que podría explicar que existan contradicciones entre estas variables.

La bibliografía consultada indicó un porcentaje de éxito de un tratamiento TCC para dejar de fumar del 55% (Becoña et al., 2016); nosotros obtuvimos un 50.8%. Pero hemos observado la posibilidad de aumentar al 95.6% si finalizan el tratamiento y la ira global del paciente es alta, coincidiendo con un estudio en que se relacionaban valores altos de ira con éxito en el tratamiento (Pérez Pareja et al., 2010). De esta forma también podríamos explicar la variable emocional ira y sus diferentes resultados en la bibliografía, normalmente relacionada en el área de los tratamientos de drogodependencias con fracaso (Arteaga et al., 2012). Así mismo se confirmó la importancia de la adherencia al tratamiento para conseguir aumentar el éxito del 86.4% de abstinencia al finalizar el mismo.

Los estudios no llegan a concretar diferencias significativas en cuanto al sexo del fumador y éxito en el tratamiento de dejar de fumar (Gil et al., 2016; Martínez et al., 2016). Este estudio sí encontró diferencias significativas entre el sexo del fumador al relacionarlos con la variable de tipo emocional como es la ira. De esta forma, en los hombres la ira global baja y la expresión de la ira alta fueron predictores de éxito en el tratamiento, mientras que en las mujeres el éxito disminuía si presentaban ira interna alta, baja edad del primer cigarrillo y dependencia a la nicotina baja, mientras otros estudios (Marqueta et al., 2010) relacionaban a la mujer con alta puntuación en ansiedad rasgo con respecto a los hombres, aunque este resultado no influyó en el éxito o fracaso para dejar de fumar. Así pues, relacionar la variable género con la emoción ira y con determinados niveles de ansiedad nos llevaría a predecir éxito o fracaso en el tratamiento TCC.

Hasta donde sabemos, este es el primer estudio que relaciona diagramas de decisión para buscar predictores de éxito y fracaso. Futuros estudios para predecir el éxito o fracaso del tratamiento deberían tener en cuenta diferentes análisis de la información. Al analizar los datos por la vía habitual, quizás estamos perdiendo información. Estos resultados ofrecen una visión única de cómo los predictores de abandono se cruzan para crear un perfil de paciente y tienen potencial para informar de un tratamiento u otro a medida, mejorando con ello los resultados.

En este sentido, autores como Ylioja et al. (2017) señalan cómo el análisis de clase latente (LCA) es un método de predicción de resultados en subgrupos de pacientes clasificados según el tipo de variables en el cese de la deshabituación tabáquica.

Por otra parte, entre las limitaciones del estudio se encuentra el tamaño de la muestra, limitado a 120 sujetos. En este sentido, sería preferible tener un número mayor de sujetos para obtener resultados más consistentes. Además, los grupos en cuanto a la variable sexo no están equiparados, puesto que hay una proporción de mujeres mayor que de hombres en la muestra. Es importante tener en cuenta el tipo de tratamiento aplicado, ya que, aunque se trata de TCC, hablamos de un programa estandarizado, también conocido como multicomponente y aplicado de forma individual. No sabemos si podría generalizarse a nivel grupal, ni tampoco si podrían extrapolarse los resultados a otras TCC, ya que es un programa muy estructurado.

En resumen, el análisis de los datos mediante arboles de decisiones es una ventana de oportunidades para analizar las diferentes variables que influyen en el cese del tabaquismo. La relación compleja entre las conductas consumo de tabaco, variables emocionales y variables sociales describían los perfiles del paciente con mayor probabilidad de éxito con el tratamiento TCC estandarizado. La obtención de perfiles diferenciales mediante árboles de decisión podría ser una herramienta para optimizar el impacto de la abstinencia. Esto permitiría afinar los protocolos de evaluación, previa intervención, para seleccionar e ide.jpgicar a los pacientes más adecuados para los tratamientos que tenemos y obtener así, finalmente, mejores resultados.

Además, la escasez de estudios en el campo de la adicción a la nicotina que analicen los datos mediante los árboles de decisión impide que se puedan comparar resultados y la consistencia de nuestros resultados es, por tanto, débil.

Finalmente, como otra limitación a tener en cuenta de este estudio, solo se recogen los datos al finalizar el tratamiento sin existir un seguimiento durante el tiempo posterior de abstinencia según los perfiles que hemos encontrado.