En la literatura médica, es muy común encontrar variables asociadas con un resultado específico. Por ejemplo, un mayor índice de masa corporal (variable) podría estar asociado con un mayor riesgo de cáncer (resultado). Sin embargo, una asociación no siempre implica que una cosa haya causado la otra. Es importante considerar otras posibles interpretaciones.


Estas son las 5 interpretaciones que debes considerar cuando leas o escuches acerca de una asociación reportada en estudios observacionales:

1 Los resultados se obtuvieron por casualidad (error aleatorio)
La relación entre la variable y el resultado se produjo por casualidad.

¿Qué está pasando realmente? No hay una verdadera asociación. Puede ser que dos eventos parezcan estar relacionados, sin embargo es mera coincidencia.

Pistas de que este podría ser el caso: los resultados no pueden replicarse repitiendo el estudio. Necesitamos ver la precisión de la asociación informada.



Por ejemplo, se encuentra una asociación informada entre ver televisión y miopía en un estudio observacional. Sin embargo, en el momento en que se realiza un estudio similar no se encontró asociación, por lo tanto, la asociación pudo haber ocurrido por casualidad.

2 Sesgo (error sistemático)
No existe una verdadera relación de causa y efecto, simplemente parece haberlo. Sin embargo, los resultados no se deben a la casualidad, sino a un sesgo.

¿Qué está pasando realmente? Existen problemas en el diseño y la aplicación del estudio que dan una falsa impresión de que existe una relación entre la variable y el resultado de interés.

Pistas de que este podría ser el caso: los resultados son inconsistentes con otros estudios similares; puede haber problemas de parcialidad en el diseño o conducta del estudio (por ejemplo, factores de confusión) o en el análisis de los resultados. “Cuanto mayor es el error, menos precisa es la variable”.

Por ejemplo, se encontró una asociación entre el parto vaginal con presentación pélvica y la displasia congénita de cadera. Sin embargo, el examen físico del pediatra fue más detallado en el niño con presentación pélvica que aquellos con presentación cefálica. Podría haber un sesgo de diagnóstico, en el que ciertas percepciones alteran la probabilidad de diagnosticar una determinada enfermedad entre los grupos.

3 La relación causa-efecto está al revés (efecto-causa)
Realmente hay una relación causal, pero en la dirección opuesta a la informada, lo que significa que la interpretación de la relación es incorrecta.

¿Qué está pasando realmente? El supuesto resultado es la causa real, y la supuesta causa es el resultado real.

Esto puede ser un problema en los diseños de estudio que no abordan la temporalidad, por ejemplo en estudios transversales y de casos y controles.

Por ejemplo, si se identificara una relación entre antiinflamatorios no esteroideos (AINEs) y mayor riesgo de aborto espontáneo, puedes pensar que los AINE causaron el aborto espontáneo. Sin embargo, también es posible que se usen los AINEs para aliviar el dolor debido a los síntomas iniciales del aborto. Este malentendido se conoce como sesgo protopático (cuando se inicia un fármaco en respuesta a los primeros síntomas de una enfermedad que, en este momento, no ha sido diagnosticada).

4 Hay otra variable (no medida) que explica la relación (confusión)
Hay una variable no medida que explica la asociación.

¿Qué está pasando realmente? Hay una variable desconocida que interviene en la relación, podría estar entre la “causa” y el “efecto”, o una sola variable causa tanto “causa” como “efecto”.

Por ejemplo, si identificara una relación entre mayor IMC y un mayor riesgo de cáncer, podrías pensar que tener un IMC alto causa cáncer. Sin embargo, sería importante considerar si otros factores asociados con tener un IMC más alto (por ejemplo, una dieta inadecuada, menor actividad física) podrían explicar el aumento del riesgo de cáncer.

5 La variable realmente causa el resultado (causa-efecto)
Realmente hay una relación causa-efecto.

También podrías ir más allá y evaluar su causalidad (por ejemplo, utilizando los criterios de Bradford Hill, un conjunto de principios para evaluar la probabilidad de que exista una relación causal entre una supuesta causa y efecto):

 

  • Fuerza de asociación
  • Consistencia
  • Especificidad
  • Temporalidad
  • Gradiente biológico
  • Plausibilidad
  • Coherencia
  • Evidencia experimental
  • Analogía

 

Autor: Leonardo Perales Guerrero, estudiante de la facultad de medicina de la Universidad de Guadalajara.

Photo by Antoine Dautry on Unsplash

 

Bibliografía:

Hulley SB, Cummings SR, Browner WS, Grady DG and Newman TB (2013). Designing clinical research. Lippincott Williams & Wilkins.

Swaen G and van Amelsvoort L (2009). A weight of evidence approach to causal inference. Journal of clinical epidemiology; 62(3):270-277.