[Teorías de la evolución]
Los individuos de
una misma especie biológica comparten numerosas características, pero no
son idénticos. Basta observar una población de árboles para descubrir
diferencias de altura, diámetro del tronco, tamaño de las
hojas o cantidad de frutos. Algo semejante ocurre entre los animales
y los seres humanos. Estas diferencias constituyen la variabilidad
fenotípica, es decir, la diversidad de características observables que
presentan los organismos. Parte de esa variación depende de los genes,
mientras otra parte se relaciona con el ambiente y con las interacciones
entre ambos.
Cuando medimos una
característica en muchos individuos, podemos representar los resultados
mediante una distribución de frecuencias. Imaginemos que registramos la
altura de 1 000 plantas de una misma variedad, cultivadas en condiciones
semejantes. Al organizar los datos, quizá encontremos pocas plantas
extremadamente pequeñas, numerosas plantas de altura intermedia y pocas plantas
extraordinariamente altas. Si representamos estas frecuencias gráficamente,
podríamos obtener una figura semejante a una campana.
Esta distribución
recibe el nombre de curva normal o distribución gaussiana. Su
característica principal es presentar una mayor concentración de observaciones
alrededor de la media aritmética, mientras la frecuencia disminuye
progresivamente hacia los extremos. En una distribución normal ideal, la media,
la mediana y la moda coinciden.
La media
corresponde al promedio de las mediciones; la mediana divide los datos
ordenados en dos mitades; y la moda representa el valor más frecuente.
La anchura de la curva depende de la desviación estándar, una medida de
cuánto se dispersan las observaciones alrededor del promedio.
Si los datos siguen
exactamente una distribución normal, aproximadamente el 68 % de las
observaciones se encuentra a una desviación estándar de la media; el 95 %, a
dos desviaciones; y el 99.7 %, a tres. Estos porcentajes permiten estimar qué
tan frecuente es determinado valor dentro de una población.
Sin embargo, no
todos los caracteres biológicos presentan distribuciones normales. Algunas
características siguen distribuciones asimétricas, otras presentan varios
máximos y ciertas diferencias, como la presencia o ausencia de una estructura,
ni siquiera se describen mediante valores continuos. La curva normal constituye
un modelo estadístico, no una obligación que deba cumplir la naturaleza
(Hill, 2014; Whyte y Kelly, 2018).

Figura
1. [Distribución
normal de los caracteres biológicos]. La curva de Gauss representa
una distribución simétrica donde muchos individuos presentan valores
próximos a la media y pocos ocupan los extremos. La desviación
estándar permite medir la dispersión. Muchos rasgos poligénicos se
aproximan a este modelo, pero la selección natural, el ambiente y la estructura
poblacional pueden modificar su forma estadística.

Figura
2. [Carl
Friedrich Gauss: el príncipe de los matemáticos]. Gauss (1777-1855) fue un
extraordinario matemático alemán que revolucionó la estadística, la astronomía
y la geometría. Sus investigaciones sobre distribución normal, probabilidad
y mínimos cuadrados permitieron mejorar el análisis de mediciones. Sus
aportaciones facilitaron posteriormente el estudio de la variación biológica,
la genética cuantitativa y las distribuciones poblacionales.
¿Qué significa que un organismo sea normal?
En el lenguaje
cotidiano, la palabra «normal» suele confundirse con «correcto», «saludable» o
«perfecto». Sin embargo, dentro de la biología poblacional, estos
conceptos no son equivalentes. Un organismo estadísticamente típico
presenta características próximas a los valores frecuentes de su población,
pero eso no significa necesariamente que posea mayor salud, capacidad
reproductiva o supervivencia.
Consideremos una
población de peces cuya longitud promedio es de 20 cm. Un pez que mide 20 cm se
encuentra cerca de la media, mientras otro de 27 cm puede ocupar una zona menos
frecuente de la distribución. Ninguno es automáticamente superior o inferior al
otro. Dependiendo de las condiciones ecológicas, el individuo grande podría
capturar presas diferentes, resistir mejor ciertos depredadores o, por el
contrario, necesitar más alimento para sobrevivir.
Por esta razón,
debemos diferenciar la frecuencia fenotípica de la aptitud biológica.
La primera indica cuántos organismos presentan una característica. La segunda
se relaciona con su contribución reproductiva a las generaciones posteriores.
Un fenotipo frecuente no tiene por qué presentar la mayor aptitud,
especialmente cuando el ambiente está cambiando.
También debemos
distinguir entre normalidad estadística y funcionamiento fisiológico.
En medicina, por ejemplo, los resultados de muchos análisis se comparan con intervalos
de referencia establecidos mediante estudios de poblaciones. Habitualmente
estos intervalos incluyen el 95 % central de determinados valores, pero esa
decisión estadística no permite clasificar automáticamente al 5 % restante como
enfermo.

Figura
2. [Variaciones
de la distribución normal: interpretación de la selección natural]. Las curvas
gaussianas representan diferencias de media y variabilidad
fenotípica entre poblaciones. La selección direccional puede
desplazar el promedio; la estabilizadora reducir la dispersión y la disruptiva
favorecer extremos. Sin embargo, identificar selección natural requiere
relacionar estas distribuciones con el éxito reproductivo, la heredabilidad
y las condiciones ecológicas.
Un individuo puede
presentar una medición poco frecuente y encontrarse saludable. También puede
experimentar una enfermedad aunque sus resultados estén dentro de los
intervalos habituales. La interpretación requiere considerar la edad, el
estado fisiológico, los antecedentes y otras características relevantes.
La utilidad del
concepto de organismo normal consiste, por tanto, en proporcionar una referencia
poblacional que facilite comparaciones. No debe transformarse en una
definición absoluta de cómo deberían ser todos los seres vivos (Whyte y Kelly, 2018).
El problema del supuesto ser humano normal
La pregunta «¿cómo
sabemos que el ser humano normal no es un monstruo?» parece provocadora, pero
permite identificar una dificultad importante: el promedio no representa
necesariamente a un individuo real. Una persona puede tener la altura
promedio, otra la masa corporal promedio y una tercera la longitud promedio de
los brazos. Si reunimos artificialmente todas esas medidas, no habremos
demostrado que exista alguien con esa combinación exacta.
El fenotipo
humano es resultado de numerosas características que varían conjuntamente.
La estatura se relaciona con la longitud de las extremidades; el tamaño del
corazón guarda relación con las necesidades del organismo; y el desarrollo de
los huesos depende, entre otros factores, de la herencia genética, la
nutrición y las condiciones del crecimiento.
Por eso, no basta
con promediar por separado cientos de medidas para reconstruir un cuerpo
biológicamente representativo. Las relaciones entre variables, denominadas correlaciones,
también son importantes. Un modelo que ignore estas relaciones podría producir
una combinación de características muy improbable o fisiológicamente
incoherente.

Figura
4. [La
distribución normal: de los histogramas reales a la curva de Gauss]. Los histogramas
muestran frecuencias observadas mediante columnas irregulares. Al
aumentar el tamaño muestral, sus proporciones se estabilizan y permiten
reconocer patrones. La curva normal aproxima algunas distribuciones
fenotípicas, pero requiere modelación matemática. La herencia poligénica
y el ambiente contribuyen a la variación continua, sin garantizar una
distribución perfectamente gaussiana.
Además, la variación
humana cambia entre poblaciones, edades y condiciones ambientales. No
existe una única distribución válida para todas las personas y todos los
momentos de la vida. La estatura de una población infantil, por ejemplo, no
puede interpretarse usando directamente la distribución de una población
adulta.
La historia también
demuestra los peligros de convertir la normalidad estadística en una
supuesta jerarquía humana. Algunas interpretaciones eugenésicas
confundieron diferencias hereditarias con categorías de superioridad e
inferioridad. Pero una variación fenotípica no constituye, por sí misma,
evidencia de una enfermedad, incapacidad o menor valor personal.
Una persona situada
en un extremo estadístico puede encontrarse perfectamente saludable, mientras
otra próxima al promedio puede presentar problemas fisiológicos importantes.
Incluso una característica frecuente podría asociarse con riesgos para la salud
si las condiciones ambientales de la población fueran desfavorables.
La biología
evolutiva no establece un modelo universal de ser humano perfecto. La aptitud
reproductiva, la salud y el bienestar son conceptos diferentes; ninguno
puede deducirse solamente de la distancia respecto de una media. Los estudios
contemporáneos sobre selección natural humana muestran que las
relaciones entre características y reproducción son complejas, variables y
dependientes del contexto (Sanjak et al., 2018; Whyte y Kelly, 2018).
La utilidad científica de estudiar toda la curva
Si el individuo
promedio no representa un ideal biológico, ¿por qué resulta tan importante
estudiar las distribuciones poblacionales? La respuesta está en que la
información más valiosa no se encuentra únicamente en el centro, sino en la forma
completa de la curva.
Imaginemos dos
poblaciones de plantas con una altura promedio de 50 cm. En la primera, casi
todos los individuos miden entre 45 y 55 cm. En la segunda, las alturas se
distribuyen entre 20 y 80 cm. Aunque ambas presentan la misma media, poseen una
variabilidad fenotípica muy diferente.
La segunda
población ofrece una gama más amplia de fenotipos observables. Si parte de esa
diversidad tiene una base hereditaria, podría existir mayor posibilidad
de responder a determinadas presiones de selección. Sin embargo, una
distribución amplia también puede originarse por diferencias ambientales, sin
que exista una variación genética equivalente.
Por eso, los
investigadores no se limitan a calcular promedios. También estudian la varianza,
la desviación estándar, los valores extremos y las relaciones
entre características. Comparan distribuciones de distintas generaciones y
observan si sus cambios corresponden a modificaciones genéticas o ambientales.
La forma de la
distribución también proporciona pistas. Una curva asimétrica concentra
las observaciones hacia un lado; una distribución bimodal presenta dos
concentraciones principales. Estas formas pueden relacionarse con diferencias
genéticas, condiciones ambientales, edades o mezclas de grupos, por lo que no
deben interpretarse como pruebas automáticas de selección.
En ecología,
las distribuciones permiten comparar poblaciones de distintos ambientes. En medicina,
ayudan a construir intervalos de referencia. En agricultura, permiten
identificar la diversidad de tamaños, rendimientos y resistencias de una
variedad. En todos estos casos, estudiar la curva completa ofrece información
que desaparece cuando describimos una población mediante un único número.
La importancia
evolutiva de estas mediciones se vuelve evidente cuando relacionamos la variación
fenotípica con las diferencias de supervivencia y reproducción entre
individuos (Kingsolver et al., 2001; Hill, 2014).
La selección natural y las transformaciones de la curva
La selección
natural ocurre cuando determinadas diferencias heredables se
relacionan con la capacidad de sobrevivir y dejar descendencia. Si esos
individuos transmiten sus variantes genéticas, las frecuencias alélicas
pueden modificarse entre generaciones. Cuando el carácter estudiado es
cuantitativo, estos cambios pueden reflejarse en la distribución de sus fenotipos.
Tradicionalmente se
distinguen tres patrones fundamentales: selección estabilizadora, selección
direccional y selección disruptiva, denominada también selección
diversificante. Estas categorías describen relaciones entre fenotipos y
éxito reproductivo; no constituyen fuerzas independientes ni necesariamente
actúan de manera aislada.
En la selección
estabilizadora, los organismos con características intermedias presentan
mayor aptitud relativa que aquellos situados en los extremos. Como
consecuencia, puede disminuir la variación fenotípica sin producirse un
desplazamiento importante de la media.
Un ejemplo clásico
corresponde al peso humano al nacer. Históricamente se observaron
mayores riesgos de mortalidad en recién nacidos con pesos extremadamente bajos
o elevados, aunque las relaciones también dependen de la duración de la
gestación, la salud materna y la atención médica. Los estudios genéticos
contemporáneos han encontrado evidencias compatibles con selección
estabilizadora sobre determinados caracteres humanos, sin que esto permita
establecer un peso universalmente óptimo (Sanjak et al., 2018).
En la selección
direccional, un extremo de la distribución presenta mayor éxito
reproductivo. Si el carácter es heredable, la media de las generaciones
posteriores puede desplazarse hacia ese extremo.
Un ejemplo procede
de los pinzones de Galápagos estudiados por Peter y Rosemary Grant.
Durante determinados períodos de sequía, la disponibilidad de semillas cambió y
algunos individuos con picos más grandes y fuertes tuvieron mayor
probabilidad de sobrevivir. La respuesta evolutiva no fue permanente ni siempre
tuvo la misma dirección: otros cambios ambientales favorecieron posteriormente
características diferentes (Grant y Grant, 2002).
La selección
disruptiva ocurre cuando dos regiones de la distribución presentan mayor
aptitud que los fenotipos intermedios. Puede aumentar la diversidad y, bajo
ciertas condiciones, producir una distribución bimodal.
Un ejemplo se
encuentra en el pinzón africano Pyrenestes ostrinus, que presenta
diferencias hereditarias en el tamaño del pico. Algunos individuos
utilizan eficazmente semillas que requieren picos de una determinada anchura,
mientras otros aprovechan recursos diferentes. Los tamaños intermedios pueden
resultar menos eficientes en determinadas condiciones alimentarias (Smith, 1993).
No obstante, una
distribución con dos máximos no demuestra por sí sola que exista selección
disruptiva. Para comprobarla es necesario investigar si los fenotipos
extremos presentan realmente mayor éxito reproductivo.

Figura
5. [Estrilda
piquigorda ventrinegra (Pyrenestes ostrinus)]. Esta ave africana
presenta un extraordinario polimorfismo del pico, con variantes
pequeñas, grandes y excepcionalmente gigantes. La selección disruptiva favorece
diferentes especializaciones alimentarias según la dureza de las semillas. Su variación
genética permite mantener distintos fenotipos dentro de una misma
población, demostrando cómo las interacciones ecológicas pueden
conservar la diversidad heredable entre generaciones.
La selección artificial y sus efectos sobre las poblaciones
La selección
artificial utiliza un principio semejante al de la selección natural,
pero la elección de los organismos reproductores depende de decisiones humanas.
Los agricultores y criadores identifican individuos con determinadas
características y favorecen su reproducción. Cuando las diferencias
seleccionadas son heredables, las generaciones posteriores pueden
mostrar cambios en sus distribuciones.
En un programa de
mejoramiento agrícola puede aplicarse una selección estabilizadora
artificial. Imaginemos una variedad de tomate cuyos frutos presentan masas
muy diferentes. Si el objetivo comercial consiste en obtener frutos uniformes,
pueden elegirse reproductores que produzcan tomates próximos a un intervalo
determinado. Durante generaciones, podría reducirse la dispersión del tamaño
de los frutos, siempre que exista variación genética adecuada y el
procedimiento resulte eficaz.
La selección
direccional artificial es frecuente cuando se pretende aumentar una
característica productiva. Por ejemplo, los investigadores pueden seleccionar
plantas de maíz que produzcan mayor cantidad de aceite en sus granos. Si el
carácter responde a la selección, la media poblacional puede desplazarse
hacia valores superiores.
El experimento de
selección de maíz desarrollado durante más de un siglo en Illinois demuestra
este principio. Mediante cruzamientos y selección continuada se obtuvieron
líneas con concentraciones muy diferentes de aceite y proteína, sin necesidad
de introducir genes de otras especies (Moose et al., 2004).
También puede
practicarse una selección divergente, creando una línea de organismos
con valores altos y otra con valores bajos de una característica. Por ejemplo,
a partir de una población vegetal podrían desarrollarse dos líneas: una de
frutos pequeños y otra de frutos grandes.
Si posteriormente
se representaran juntas las mediciones de ambas líneas, aparecerían
posiblemente dos máximos. Sin embargo, esto no significaría necesariamente que
hubiera ocurrido selección disruptiva dentro de una sola población
reproductiva: las distribuciones podrían corresponder simplemente a dos grupos
criados separadamente.
Para hablar de
selección disruptiva propiamente dicha, sería necesario demostrar que los
individuos de ambos extremos presentan mayor éxito reproductivo que los
intermedios dentro del contexto poblacional estudiado.

Figura
6. [Efectos
de la selección natural sobre la distribución normal]. La selección
natural modifica las frecuencias fenotípicas mediante diferencias en
el éxito reproductivo. La selección estabilizadora favorece
valores intermedios; la direccional desplaza potencialmente la media, y
la disruptiva favorece extremos. Estos procesos pueden modificar la varianza,
la media poblacional y la forma de las distribuciones, dependiendo de la
heredabilidad.
La selección
artificial tampoco garantiza mejoras ilimitadas. Una presión demasiado
intensa puede reducir la diversidad genética, aumentar la consanguinidad
o favorecer un rasgo mientras perjudica otros. Por ejemplo, aumentar la masa de
los frutos no siempre mejora su resistencia a enfermedades, su sabor o la
capacidad de reproducción de la planta.
Por eso, los
programas modernos consideran múltiples características y procuran conservar
suficiente variabilidad hereditaria para las siguientes generaciones (Moose et al., 2004; Hill, 2014).
Modelos matemáticos para comprender la selección
Los modelos
matemáticos permiten estudiar la evolución con mayor precisión que una
simple comparación visual de curvas. Gracias a ellos podemos calcular cuánto
cambia una característica entre generaciones, estimar la intensidad de la selección
y distinguir los efectos de la herencia genética de aquellos producidos
por el ambiente.
Una de las
herramientas fundamentales es la heredabilidad, que indica qué
proporción de la variación observada en una población se relaciona con
diferencias genéticas. En el estudio de caracteres cuantitativos, la heredabilidad
en sentido estricto, representada como \(h^2\), considera específicamente
los efectos genéticos aditivos que contribuyen a la semejanza entre
progenitores y descendientes.
Esta medida depende
de la población y de sus condiciones ambientales. Una heredabilidad elevada no
significa que el ambiente carezca de importancia ni que las características de
un individuo sean inmodificables.
Para comprender su
aplicación, puede utilizarse una relación matemática desarrollada en el
mejoramiento genético:
\[ R=h^2S \]
En esta expresión, R
representa la respuesta a la selección, S corresponde al diferencial
de selección y \(h^2\) indica la heredabilidad del carácter.
Supongamos que una
población vegetal presenta frutos con una masa promedio de 50 g. Los
agricultores seleccionan reproductores cuyos frutos tienen una media de 60 g.
El diferencial sería de 10 g. Si la heredabilidad estimada fuera de 0.4, la
respuesta esperada sería de aproximadamente 4 g por generación, bajo las
condiciones y suposiciones del modelo.
Por tanto, la
siguiente generación podría alcanzar una media cercana a 54 g, aunque los
resultados reales dependerían de factores genéticos y ambientales. Esta
ecuación constituye una aproximación especialmente útil para determinadas
situaciones de selección artificial, pero no permite predecir
automáticamente toda respuesta evolutiva.
Cuando se estudian
simultáneamente varios caracteres, los modelos deben incluir sus correlaciones
genéticas. Por ejemplo, seleccionar plantas de mayor tamaño podría
modificar indirectamente su tiempo de floración o su consumo de recursos. La
evolución de una característica puede afectar otras porque los procesos
biológicos se encuentran relacionados (Hill, 2014).
Inteligencia artificial y mejoramiento genético sin transgénesis
Actualmente, la inteligencia
artificial y los métodos de aprendizaje automático permiten analizar
grandes cantidades de información sobre poblaciones vegetales y animales.
Estas herramientas identifican relaciones entre características fenotípicas,
variantes genéticas y condiciones ambientales que pueden resultar
difíciles de reconocer mediante observaciones individuales.
En el mejoramiento
vegetal, por ejemplo, las cámaras y los sensores permiten medir
automáticamente la altura, la superficie foliar, la coloración y el crecimiento
de miles de plantas. Los programas informáticos organizan estas observaciones y
construyen distribuciones para comparar medias, variaciones y
cambios a lo largo del tiempo.
También pueden
utilizarse modelos de selección genómica, que analizan numerosos marcadores
de ADN para estimar el posible valor reproductivo de distintos individuos.
Esta técnica no requiere introducir genes externos: consiste en utilizar
información genética para orientar la elección de los progenitores y sus
cruzamientos (Crossa et al., 2017).
Imaginemos un
programa destinado a desarrollar plantas de frijol resistentes a períodos de
sequía. Primero sería necesario cultivar diferentes variedades bajo
condiciones experimentales cuidadosamente controladas. Después se medirían
características como crecimiento, producción de semillas, supervivencia
y capacidad de recuperación.

Figura
7. [Evolución
in silico: inteligencia artificial y mejoramiento industrial]. La evolución
computacional combina inteligencia artificial, simulaciones y
selección artificial para optimizar características biológicas. Las distribuciones
gaussianas describen la variabilidad, mientras los modelos predictivos
identifican variantes prometedoras. Sus aplicaciones incluyen mejoramiento
genético, enzimas industriales y proteínas terapéuticas,
reduciendo experimentos innecesarios y facilitando la evaluación de diferentes
estrategias de selección mediante comprobaciones experimentales.
Los modelos
estadísticos permitirían identificar qué individuos conservan un mejor
desempeño bajo las condiciones estudiadas. Si esas diferencias poseen una base
hereditaria, podrían seleccionarse progenitores para realizar cruzamientos
controlados y evaluar sus descendientes durante varias generaciones.
También podrían
combinarse objetivos diferentes. Una selección direccional favorecería
mayor rendimiento; una selección estabilizadora podría procurar
uniformidad en la maduración; y una selección divergente permitiría
desarrollar variedades adaptadas a ambientes secos y húmedos.
En estos programas,
generar una presión de selección artificial no significa necesariamente
provocar daños a los organismos. Consiste principalmente en establecer criterios
de reproducción, seleccionar individuos según características medidas y
evaluar rigurosamente los resultados de sus descendientes.
La inteligencia
artificial puede ayudar a reconocer patrones, predecir respuestas y optimizar
cruzamientos. Sin embargo, sus predicciones dependen de la calidad de los
datos. Un modelo entrenado únicamente con plantas de ambientes húmedos podría
equivocarse al evaluar variedades cultivadas en condiciones secas.
Por esta razón, las
predicciones deben comprobarse mediante experimentos de campo,
comparaciones entre generaciones y mediciones de diversidad genética. El
mejoramiento sin transgénesis puede aprovechar la variación
hereditaria existente, la recombinación genética y los cruzamientos
convencionales, mientras la estadística y la inteligencia artificial
contribuyen a identificar qué combinaciones presentan mejores resultados en los
ambientes estudiados (Crossa et al., 2017; van Dijk et al., 2021).
Referencias
Crossa, J.,
Pérez-Rodríguez, P., Cuevas, J., Montesinos-López, O., Jarquín, D., de los
Campos, G., Burgueño, J., González-Camacho, J. M., Pérez-Elizalde, S., Beyene,
Y., Dreisigacker, S., Singh, R., Zhang, X., Gowda, M., Roorkiwal, M., Rutkoski,
J., & Varshney, R. K. (2017). Genomic selection in plant breeding: Methods,
models, and perspectives. Trends in Plant Science, 22(11), 961–975. https://doi.org/10.1016/j.tplants.2017.08.011
Grant, P. R., &
Grant, B. R. (2002). Unpredictable evolution in a 30-year study of Darwin's
finches. Science, 296(5568), 707–711. https://doi.org/10.1126/science.1070315
Hill, W. G. (2014).
Applications of population genetics to animal breeding, from Wright, Fisher and
Lush to genomic prediction. Genetics, 196(1), 1–16. https://doi.org/10.1534/genetics.112.147850
Kingsolver, J. G.,
Hoekstra, H. E., Hoekstra, J. M., Berrigan, D., Vignieri, S. N., Hill, C. E.,
Hoang, A., Gibert, P., & Beerli, P. (2001). The strength of phenotypic
selection in natural populations. The American Naturalist, 157(3),
245–261. https://doi.org/10.1086/319193
Moose, S. P.,
Dudley, J. W., & Rocheford, T. R. (2004). Maize selection passes the
century mark: A unique resource for 21st century genomics. Trends in Plant
Science, 9(7), 358–364. https://doi.org/10.1016/j.tplants.2004.05.005
Sanjak, J. S.,
Sidorenko, J., Robinson, M. R., Thornton, K. R., & Visscher, P. M. (2018).
Evidence of directional and stabilizing selection in contemporary humans. Proceedings
of the National Academy of Sciences, 115(1), 151–156. https://doi.org/10.1073/pnas.1707227114
Smith, T. B.
(1993). Disruptive selection and the genetic basis of bill size polymorphism in
the African finch Pyrenestes. Nature, 363, 618–620. https://doi.org/10.1038/363618a0
van Dijk, A. D. J.,
Kootstra, G., Kruijer, W., & de Ridder, D. (2021). Machine learning in
plant science and plant breeding. iScience, 24(1), 101890. https://doi.org/10.1016/j.isci.2020.101890
Whyte, M. B., &
Kelly, P. (2018). The normal range: It is not normal and it is not a range. Postgraduate
Medical Journal, 94(1117), 613–616. https://doi.org/10.1136/postgradmedj-2018-135983