Causalidad, Validez y Confiabilidad

Causalidad

Definición

La causalidad es la relación entre causa y efecto.

Principios

• El principio de causalidad es que todos los eventos tienen una causa.
• Indica una relación lógica entre 2 eventos (una causa y un efecto) y un orden entre ellos (la causa precede al efecto)
• En medicina, establecer la causalidad:
  • Ayuda a identificar la causa de una enfermedad
  • Permite el mejor tratamiento posible del paciente
  • Permite a los investigadores desarrollar las mejores pruebas de diagnóstico

Causalidad versus correlación

“Correlación no es causalidad”.

• Causalidad significa que 1 evento fue causado por otro evento
• Correlación (o asociación) significa que 2 cosas están conectadas, pero no implica causalidad.

Ejemplo:

A continuación se muestra un gráfico que muestra la relación entre las muertes por ahogamiento y comer helado. A medida que aumenta el consumo de helado, también aumentan las muertes por ahogamiento. Sin embargo, este estudio solo muestra una correlación en lugar de una causalidad. Comer helado no causa muertes por ahogamiento. Más bien, en los días calurosos, es más probable que las personas coman helado y es más probable que vayan a la playa y se ahoguen. Por lo tanto, la temperatura es un factor de confusión, lo que lleva a una relación observada cuando en realidad no hay causalidad.

Criterios de Bradford Hill

Fondo:

• También conocido como criterio de causalidad de Hill
• Un grupo de 9 principios útiles para establecer evidencia epidemiológica de una relación causal entre una supuesta causa y un efecto observado
• Si se cumple la mayoría de los principios, es probable que la relación entre las variables sea causal.
• Ampliamente utilizado en la investigación de salud pública

Los 9 principios:

1. Fuerza: ¿Cuál es el tamaño del efecto o qué tan grande es la relación? ¿Qué tan grande es el riesgo relativo o razón de posibilidades?
2. Consistencia: ¿Veo la relación con frecuencia? ¿Es reproducible?
3. Especificidad: ¿Esta exposición causa exclusivamente este resultado?
4. Temporalidad: ¿La exposición viene antes del resultado?
5. Relación gradiente biológico/dosis-respuesta:

• ¿Más de la exposición causa más del resultado?
• ¿La eliminación de la exposición disminuye el riesgo del resultado?

6. Plausibilidad: ¿La relación tiene sentido biológicamente?
7. Coherencia: ¿La relación observada se ajusta al conocimiento general de la ciencia y la medicina?
8. Experimento: ¿Se puede realizar un experimento controlado aleatorio (en humanos o animales)?
9. Analogía:

• ¿Podemos idear una relación análoga entre el resultado y otra exposición?
• ¿He explorado otras posibilidades teóricas para la relación observada?

Ejemplo: Aplicación de los criterios de Bradford Hill para establecer la causalidad

Como se ve en la siguiente tabla, la mayoría de los principios se cumplen, por lo que puede estar razonablemente seguro de que fumar en realidad causa cáncer de pulmón.

Relaciones Causales

Definición

Existe una relación causal entre 2 eventos si la ocurrencia del 1er evento provoca el 2do evento.

Principios

• El 1er evento se denomina entonces causa y el 2do evento, efecto.
• Una correlación entre 2 eventos no implica causalidad.
• Sin embargo, si existe una relación causal entre 2 eventos, estarán correlacionados.
• Un camino causal (el camino de la causa al efecto) puede ser:
  • Directo: El factor causa la enfermedad sin pasos intermedios.
  • Indirecto: El factor causa la enfermedad pero solo a través de 1 o más pasos intermedios.

Tipos de relaciones causales

Hay 4 tipos de relaciones causales o factores basados en si la exposición fue necesaria o no para desarrollar el resultado, y si la exposición es suficiente por sí sola para causar el resultado. Estos 4 tipos son:

1. Necesario y suficiente
2. Necesario pero no suficiente
3. Suficiente pero no necesario
4. Ni necesario ni suficiente

Ejemplo #1: Necesario y suficiente

• Necesario: Es imposible tener el resultado sin la exposición.
• Suficiente: Es todo lo que se necesita para producir el resultado.
• Ejemplo: La infección por coronavirus es necesaria y suficiente para causar la enfermedad del síndrome respiratorio agudo grave.

Ejemplo #2: Necesario y no suficiente

• Necesario: La exposición es necesaria para desarrollar el resultado.
• No suficiente:
  • La exposición necesita ser asistida por algún otro factor para producir el resultado.
  • Los factores individuales no pueden producir el resultado por sí mismos.
• Ejemplo: una enfermedad es causada por un gen que se activa por un desencadenante ambiental particular. Tanto el gen como el disparador ambiental son necesarios para la enfermedad, pero ninguno es suficiente por sí solo para causar la enfermedad.

Ejemplo #3: Suficiente y no necesario

• Suficiente: La exposición por sí sola puede producir el resultado.
• No necesario: La exposición no es la única que puede producir el resultado.
• Ejemplo: tanto el envenenamiento por radiación solo como el envenenamiento por benceno solo son suficientes para causar leucemia. Por lo tanto, no es necesario tener exposición a la radiación para desarrollar leucemia (porque podría haber estado expuesto al benceno). Por lo tanto, el envenenamiento por radiación y el envenenamiento por benceno son suficientes pero no necesarios para el desarrollo de la leucemia.

Ejemplo #4: Ni necesario ni suficiente

• No es necesario: Varios factores o exposiciones tienen interacciones complejas que producen el resultado.
• No suficiente: las exposiciones individuales no son suficientes para producir el resultado por sí solas.
• Ejemplo: cáncer de próstata. Hay múltiples factores de riesgo que individualmente no son ni necesarios ni suficientes para causar cáncer de próstata por sí solo. Existen múltiples combinaciones de exposiciones posibles, por lo que todas ellas no son ni necesarias ni suficientes.
• Podría decirse que este es el tipo más común de relación causal que se encuentra en la práctica clínica.

Confiabilidad y Validez

La confiabilidad se refiere a la reproducibilidad de una prueba o hallazgo de investigación: ¿Es repetible la prueba o el hallazgo?

• Confiabilidad = reproducibilidad/consistencia/precisión
• ↑ La confiabilidad conduce a ↓ tasas de error aleatorio
• La confiabilidad mejora con ↓ desviación estándar y ↑ potencia

La validez se refiere a qué tan preciso es un resultado de prueba o investigación: ¿Son los resultados representativos del mundo real?

• Validez = precisión
  • Los resultados reflejan la realidad y se pueden creer.
  • La validez depende de la eliminación de sesgos.
  • La sensibilidad y la especificidad son medidas de validez.
• Validez interna:
  • Las relaciones causales son significativas dentro del contexto del estudio.
  • Requisitos para la validez interna:
    • Temporalidad
    • Fuerza
    • Plausibilidad
• Validez externa o generalización: los resultados se pueden aplicar a otros pacientes o entornos.

Nota: Un estudio inválido aún puede ser confiable, pero un estudio no confiable no puede ser válido. En otras palabras, una relación que no representa el mundo real (no válida) puede verse varias veces en un estudio (confiable), pero un estudio que no se puede reproducir (no fiable) no puede representar el mundo real (validez).

Mediciones de confiabilidad

• La confiabilidad se mide cuantitativamente con un coeficiente, típicamente escrito como r.
• R se valora entre 0 y 1:
  • r = 1: prueba perfectamente confiable
  • r = 0: ausencia total de confiabilidad
• ↑ r = ↑ confiabilidad = ↓ errores
• Los investigadores normalmente quieren un r de al menos 0,9, lo que significa que el 90% de los datos son precisos, mientras que el 10% se debe a errores.

Amenazas a la confiabilidad y la validez

Amenazas a la confiabilidad:

• Malas estrategias de muestreo
  • Ejemplo: quiere medir la edad promedio en una comunidad. Puede ir a un centro de retiro y encontrar una edad promedio de 72 años o ir a una escuela secundaria y encontrar una edad promedio de 16 años. Estas muestras no son representativas de la población que intenta estudiar, por lo que sus datos no son confiables.
• Inestabilidad en lo que se mide
  • Ejemplo: desea medir la presión arterial, pero la presión arterial cambia a lo largo del día, según factores como el nivel de actividad y la posición horizontal (acostado o de pie). Si no se tienen en cuenta estas variables de confusión, sus datos no serán confiables.
• Divergencias entre observadores, especialmente en los casos en que la recopilación de datos requiere una evaluación cualitativa por parte del observador
  • Ejemplo: si le pides a los observadores que evalúen el estado de ánimo, diferentes observadores pueden tener opiniones diferentes sobre cómo calificar diferentes estados de ánimo. Esto disminuiría la confiabilidad.

Amenazas a la validez interna:

• Factores de confusión: una variable que crea una relación artificial o que enmascara una relación real entre las variables del estudio (consulte el ejemplo anterior de helado y muertes por ahogamiento)
• Sesgo de selección: el error introducido cuando la población de estudio no representa a la población diana debido a alguna preferencia de selección (ver tipos de sesgos para más detalles)

Amenazas a la validez externa:

• Demasiados criterios de exclusión (características de estudio demasiado específicas que no representan a otras poblaciones)
• Efecto Hawthorne (efecto del observador): las personas en los estudios cambian su comportamiento porque están siendo observadas.
• Efecto de Rosenthal: las expectativas del investigador sobre el resultado de un estudio determinado afectan el resultado real del estudio.