Contenido elaborado por el equipo DataMedix.
Revisión metodológica: Lucas Vargas, médico epidemiólogo.
Encontrar una relación estadística entre dos variables no significa automáticamente que una sea la causa de la otra.
Esta distinción es fundamental en investigación médica.
Un estudio puede encontrar que una exposición se relaciona con determinado desenlace y, aun así, esa relación podría explicarse parcialmente por errores, sesgos, variables de confusión o características del diseño.
¿Qué es una asociación?
Existe asociación cuando la frecuencia o distribución de un desenlace varía según una exposición o característica.
Por ejemplo:
Los pacientes expuestos al factor A presentan una mayor frecuencia del desenlace B que los pacientes no expuestos.
La asociación puede cuantificarse mediante medidas como:
- riesgo relativo;
- odds ratio;
- razón de prevalencias;
- diferencia de riesgos;
- hazard ratio.
Sin embargo, estas medidas describen una relación estadística. Por sí solas no identifican su causa.
¿Qué significa causalidad?
Hablar de causalidad implica afirmar que modificar una exposición produciría un cambio en el desenlace, bajo condiciones comparables.
Esta afirmación exige mucho más que obtener:
p < 0,05.
Antes de considerar una interpretación causal deben evaluarse aspectos como:
- temporalidad;
- diseño del estudio;
- sesgo de selección;
- errores de medición;
- confusión;
- plausibilidad;
- consistencia;
- magnitud y precisión;
- posibles explicaciones alternativas.
El CDC recomienda valorar sesgo, confusión y otros errores antes de interpretar una asociación como causal.
Ejemplo
Supongamos que un estudio encuentra mayor mortalidad entre pacientes que recibieron un determinado tratamiento.
¿Podemos concluir que el tratamiento aumentó la mortalidad?
No necesariamente.
Es posible que los pacientes más graves hayan tenido mayor probabilidad de recibir ese tratamiento.
En ese escenario:
- gravedad está relacionada con recibir el tratamiento;
- gravedad también está relacionada con mortalidad.
Parte de la asociación observada podría deberse entonces a la gravedad inicial.
Este fenómeno corresponde a confusión.
¿Qué es una variable de confusión?
Un confusor es una variable que distorsiona la relación observada entre una exposición y un desenlace.
De manera simplificada, suele cumplir estas características:
- se relaciona con la exposición;
- está relacionada con el desenlace independientemente de la exposición;
- no debe ser simplemente una consecuencia intermedia de la exposición.
Desde una perspectiva causal moderna, identificar confusores requiere conocimiento previo sobre las relaciones entre las variables y no únicamente observar cuáles tienen valores p pequeños.
Los diagramas causales o DAG pueden ayudar a representar estas relaciones. El trabajo metodológico de Hernán y colaboradores resalta precisamente la importancia del conocimiento causal previo para evaluar confusión.
Confusor no es lo mismo que mediador
Supongamos:
Obesidad → hipertensión → enfermedad cardiovascular
Si la pregunta busca estimar el efecto total de la obesidad sobre enfermedad cardiovascular, hipertensión puede formar parte del mecanismo causal.
En ese contexto, ajustar indiscriminadamente por hipertensión podría eliminar parte del efecto que se quiere estudiar.
No toda variable relacionada con el desenlace debe incluirse automáticamente en una regresión.
¿Cómo puede controlarse la confusión?
Dependiendo del diseño pueden utilizarse estrategias como:
Durante el diseño
- aleatorización;
- restricción;
- emparejamiento.
Durante el análisis
- estratificación;
- estandarización;
- modelos multivariables;
- ponderación;
- otros métodos de inferencia causal.
La elección depende de la pregunta y del diseño.
¿Un modelo ajustado elimina toda la confusión?
No.
Un análisis ajustado solamente puede controlar adecuadamente las variables que:
- fueron identificadas;
- fueron medidas;
- fueron medidas con suficiente calidad;
- fueron correctamente incorporadas al modelo.
Puede persistir confusión residual debido a variables no medidas o mediciones imperfectas.
Por eso no es correcto asumir que:
“Como hicimos una regresión multivariable, demostramos causalidad”.
Asociación estadística frente a asociación causal
Una asociación observada puede explicarse por:
- una relación causal;
- azar;
- sesgo;
- confusión;
- errores de medición;
- selección;
- errores analíticos;
- combinaciones de los anteriores.
La interpretación debe considerar todas estas posibilidades.
¿Los ensayos clínicos demuestran causalidad?
La aleatorización bien realizada mejora sustancialmente la capacidad de comparar grupos y controlar confusores conocidos y desconocidos en promedio.
Sin embargo, un ensayo clínico también puede presentar problemas de:
- pérdidas;
- falta de adherencia;
- errores de medición;
- análisis inadecuado;
- contaminación entre grupos;
- selección de desenlaces;
- desviaciones del protocolo.
Por eso el diseño por sí solo no garantiza una conclusión válida. CONSORT 2025 enfatiza la necesidad de reportar claramente el diseño, análisis e interpretación de los ensayos aleatorizados.
Errores frecuentes entre asociación, causalidad y confusión en investigación médica
“Existe causalidad porque p < 0,05”
Incorrecto.
“El OR es alto, por lo tanto existe causalidad”
Una asociación fuerte puede aumentar el interés causal, pero no elimina sesgos o confusión.
Introducir todas las variables en una regresión
Más variables no significa automáticamente mejor control.
Seleccionar confusores únicamente por valores p
La selección debe estar basada principalmente en conocimiento clínico, epidemiológico y causal.
Confundir mediador con confusor
Puede alterar considerablemente la interpretación del efecto.
Conclusión
Una asociación estadística es un hallazgo. Una conclusión causal requiere un razonamiento mucho más amplio.
Antes de afirmar que una exposición produce un desenlace deben evaluarse temporalidad, sesgos, confusión, medición, diseño y posibles explicaciones alternativas.
¿Necesitas revisar tu modelo de análisis?
DataMedix puede ayudarte a identificar exposiciones, desenlaces, posibles confusores y estrategias de análisis coherentes con tu pregunta de investigación.
Referencias
- Hernán, M. A., Hernández-Díaz, S., Werler, M. M., & Mitchell, A. A. (2002). Causal knowledge as a prerequisite for confounding evaluation: an application to birth defects epidemiology. American journal of epidemiology, 155(2), 176-184.
- Sterne, J. A., Hernán, M. A., McAleenan, A., Reeves, B. C., & Higgins, J. P. (2019). Assessing risk of bias in a non‐randomized study. Cochrane handbook for systematic reviews of interventions, 621-641.
- Wysocki, A. C., Lawson, K. M., & Rhemtulla, M. (2022). Statistical control requires causal justification. Advances in Methods and Practices in Psychological Science, 5(2), 25152459221095823.
- Howe, C. J., Bailey, Z. D., Raifman, J. R., & Jackson, J. W. (2022). Recommendations for using causal diagrams to study racial health disparities. American journal of epidemiology, 191(12), 1981-1989.
- Lederer, D. J., Bell, S. C., Branson, R. D., Chalmers, J. D., Marshall, R., Maslove, D. M., … & Vincent, J. L. (2019). Control of confounding and reporting of results in causal inference studies. Guidance for authors from editors of respiratory, sleep, and critical care journals. Annals of the American Thoracic Society, 16(1), 22-28.
- Lipsitch, M., Tchetgen, E. T., & Cohen, T. (2010). Negative controls: a tool for detecting confounding and bias in observational studies. Epidemiology (Cambridge, Mass.), 21(3), 383.
- Kahlert, J., Gribsholt, S. B., Gammelager, H., Dekkers, O. M., & Luta, G. (2017). Control of confounding in the analysis phase–an overview for clinicians. Clinical epidemiology, 195-204.
