Date post: | 03-Aug-2015 |
Category: |
Documents |
Upload: | naomar-almeida-filho |
View: | 77 times |
Download: | 0 times |
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.