Estableciendo relaciones causales
Estableciendo relaciones causales Relaciones causales Las relaciones causales se investigan a través de experimentos controlados Cuando sospechamos que un factor es la causa de otro, debemos utilizar un método para probar nuestra sospecha Relaciones causales El establecer una correlación entre dos variables no significa que exista una relación entre ambas Se dice que están correlacionadas si muestran simultaneamente una variación regular y mensurable Relaciones causales La forma más sencilla de correlación consiste en la comparación de dos grupos, uno que tiene una característica y otro que no la tiene Relaciones causales Por ej, cuando comparamos el ingreso anual de dos grupos de sujetos de 30-49, uno con estudios universitarios y otro sin ellos Los egresados universitarios ganan un 20 % más, es decir, se encuentra una correlación entre el nivel académico y el ingreso anual Hay que recordar sin embargo, que el mostrar una correlación entre dos características no es prueba de que estas se encuentran causalmente correlacionadas Una correlación puede ser simplemente una coincidencia P. ej, en años recientes se ha observado un incremento en la bolsa de valores y en el número de minutos al día que los niños ven la televisión ! A pesar de ello, la búsqueda de correlaciones es un componente importante de la investigación de causalidad Si dos variables están causalmente relacionadas existirá una correlación El demostrar una correlación puede ser la razón que se sospeche inicialmente que dos variables esten causalmente relacionadas Sin embargo recuerde: correlacion no es prueba de asociación causal Para considerar que existe una relación causal entre dos variables, tenemos que demostrar que una es responsable de la aparición de la otra La prueba ideal Deseamos probar la eficacia del medicamento A para curar el padecimiento X 1. Establecemos una hipótesis: H1: el medicamento A es mejor que el estándar y Ho: el medicamento A no es mejor o es peor que el estándar La prueba ideal 2. Asignamos aleatoriamente sujetos a dos grupos, uno con el tratamiento estándar y otro con el tratamiento convencional 3. Los grupos deberán ser idénticos entre si, excepto por el tratamiento 4. El grupo de tratamiento A se denomina experimental; el otro será el grupo control Estableciendo relaciones causales Hay 3 factores que dificultan establecer la causalidad 1. El grado del efecto suele ser limitado; no todos los sujetos de la población C expuestos al factor A desarrollarán el evento B P. Ej. el fumar cigarrillos se asocia al desarrollo de cáncer broncogénico; sin embargo no todos los fumadores desarrollan cáncer Lo que los estudios han demostrado es que los fumadores > cáncer que los no fumadores, y a mayor tabaquismo, mayor frecuencia de cáncer. 2. La mayoría de los efectos no se relacionan con una sola causa; otros factores, además de A pueden causar el efecto B en la población C 3. El factor A puede causar otros efectos además del efecto B en la población C Hay que asegurarnos que nuestras muestras sean representativas de la población general, para poder extrapolar los resultados observados Aun así, nuestros resultados son solo una estimación de los parámetros poblacionales Que tanta variabilidad existe en nuestra estimación ? Depende del tamaño de la muestra Supongamos que tenemos una bolsa con miles de pelotas de ping-pong de dos colores, rojas y azules. Sabemos que exactamente la mitad son rojas y la mitad azules Si tomamos una muestra aleatoria de dos, que probabilidad existe que obtengamos una de cada una ? Color Color Relación Roja Roja 2:0 Roja Azul 1:1 Azul Roja 1:1 Azul Azul 2:0 Probabilidad de 50 % Y si nuestra muestra es de 4 ? Solo 6/16 muestras tienen 2 de cada una (37.5 % vs. 50 % con una muestra de 2) Sin embargo ahora, 14/16 contienen al menos una bola roja o azul Solo 2 muestras (12.5 %) no tienen al menos una bola roja o viceversa En nuestra muestra de 2, la mitad solo tenia bolas de un color Si tomamos una muestra de 100 pelotas, el 95 % de las muestras contendrán entre 40 y 60 % de pelotas rojas Si tomamos una muestra de 1000 pelotas, 95 % de nuestras muestras tendran entre 470 y 530 bolas rojas Límites de confianza Conducimos un estudio con un grupo experimental y un grupo control de 100 sujetos c/u Al fin del estudio, 42 % del grupo experimental y 30 % del grupo control tienen el efecto esperado Tenemos evidencia de una asociación causal ? El margen de error en una muestra de 100 es de aproximadamente 10 % Esto significa 2 cosas: 95 % de las muestras probables caerán dentro de este intervalo de 20 % Podemos estar relativamente seguros que la característica que buscamos ocurre en este intervalo de 20 % en la población a partir de la cual se tomaron las muestras En nuestro ejemplo En el grupo experimental entre un 32 y un 52 % En el grupo control entre un 20 y un 40 % Existe demasiada sobre posición entre los dos intervalos La probabilidad de que la diferencia observada sea debida simplemente a variabilidad aleatoria es muy alta No significa que no exista una relación causal; el efecto puede ser muy pequeño y requerir una muestra mayor para demostrarlo Por el contrario, si podemos afirmar que el experimento no fue capaz de establecer una relación causal Si la diferencia entre los grupos hubiera sido >20 % podríamos afirmar que la diferencia no es debida a variabilidad aleatoria, y pudiera estar relacionada con el factor en estudio Ahora vamos a suponer que nuestra muestra aleatoria es de 500 sujetos en cada grupo El margen de error en una muestra de 500 es de aproximadamente 4 % 95 % de las muestras probables caerán dentro de un intervalo de 8 % En el grupo experimental (V=30) entre un 26 y un 34 % En el grupo control (V=42) entre un 38 y un 46 % Al no existir sobre posición podemos afirmar que la diferencia no es atribuible a variabilidad aleatoria (p<0.05) durante el muestreo La incapacidad para rechazar la posibilidad de que la diferencia observada sea debido a variabilidad aleatoria se conoce como incapacidad para rechazar la hipótesis de nulidad Cuando el experimento detecta una diferencia suficientemente grande entre el grupo experimental y el grupo control, se dice que podemos rechazar la hipótesis de nulidad Probando hipótesis Tenemos una descripción exacta del fenómeno bajo estudio ? P.ej. el argumento de que el numero de nacimientos se incrementa durante el periodo de luna llena Antes de embarcarnos en encontrar una explicación, debemos confirmar que este fenómeno es cierto Por supuesto que no lo es Porque las personas piensan que este fenómeno es cierto, a pesar de la evidencia en contra ? Debido al sesgo de confirmación; es decir solo se recuerdan los eventos que confirman nuestra creencia Existen ya explicaciones plausibles ? Navaja de Ockham (“razurar” lo indeseable) William de Ockham: monge y filosofo medieval (1285-1439) “Lo que puede hacerse con menos, se hace en vano con mas” Navaja de Ockham Cuando existen dos hipótesis para explicar un mismo fenómeno, la más sencilla de ellas debe ser la correcta Si podemos resolver una interrogante sin introducir otras interrogantes, no tiene sentido elegir la hipótesis que si lo hace Tamaño de la muestra y significancia estadística La significancia estadística es comúnmente evaluada en investigación biomédica cuando el investigador encuentra una diferencia entre dos grupos de sujetos Los procedimientos utilizados para determinar la significancia numérica de una diferencia observada dependerá del tipo de variable en cuestión Para variables continuas los resultados se expresan en medias, y habitualmente se utiliza la prueba de t Para variables nominales los resultados se expresan en proporciones y la prueba mas frecuentemente utilizada es la de 2 Aunque la prueba estadística se elige de acuerdo al tipo de datos de interés la estrategia es siempre la misma Estrategia para evaluar significancia estadística 1. Vamos asumir que una hipótesis es cierta 2. Determinaremos las consecuencias de esta hipótesis 3. Si las consecuencias de esta hipótesis resultan en una imposibilidad concluimos que la hipótesis es falsa y la rechazamos 4. Este valor es el valor de p y se obtiene de una prueba estadística Prueba de hipótesis 1. Observamos una diferencia (delta, ) entre dos grupos (A y B) 2. Probaremos la hipótesis de que A y B no son diferentes (hipótesis de nulidad) 3. Determinamos la probabilidad de observar una diferencia > simplemente por casualidad Valor de p Puede llegar a ser muy pequeño (p. ej. <0.00001), pero nunca será de cero Existe siempre la posibilidad, aun infinitesimal de que la diferencia observada sea debida simplemente a la casualidad, secundaria a variabilidad aleatoria Valor de p Por ello adoptamos lo que se conoce como nivel de significancia (o ) que nos demarca la zona de rechazo Si el valor de p obtenido en la prueba estadística es igual o menor que rechazaremos la hipótesis de nulidad Valor de p Alpha demarca nuestro margen de error; es un riesgo que se toma por poder contar con un mecanismo estadístico que nos permita obtener conclusiones Valor de p Porque 0.05 ? Este valor no se eligió por designio divino, o como resultado de un consenso internacional Proviene de un hábito de RA Fisher quien arbitrariamente eligió este valor Relaciones causales La determinación de la causa de una enfermedad mediante un experimento suele ser sencilla El problema estriba en demostrar esta relación en un estudio observacional Sin embargo es muy importante hacerlo: puede indicar un punto clave en la cadena de la enfermedad donde pudiera interrumpirse en caso de considerar causal una relacion que no lo es pudiera llevar a esfuerzos inútiles de control ¿Como podemos decidir si un factor esta causalmente relacionado a una enfermedad? Vamos a suponer que todos los años un segmento de la población desarrolla la enfermedad X El primer paso consiste en determinar si existen diferencias estadísticamente significativas en la incidencia de la enfermedad entre los grupos poblacionales ¿El grupo con la incidencia alta (o baja) tiene alguna característica (factor) que pudiera influir sobre esta tasa de enfermedad? Suponiendo que existe una asociación estadísticamente significativa entre un factor y una enfermedad esta puede ser un artefacto (espuria) indirecta causal Asociación espuria Consiste en una asociación falsa o ficticia que ocurre por casualidad o por sesgo en la metodología de investigación Asociación espuria Sabemos que los resultados de una pequeña proporción de estudios se declararan estadísticamente significativos aun cuando los resultados se deban a fluctuaciones aleatorias (error de tipo 1=) Asociación espuria Es por ello que los resultados deben de ser confirmados mediante replicación Uno debe sospechar que la asociación es espuria si no es posible replicarlos Asociación espuria El sesgo en la metodología también puede llevar a asociaciones espurias, ya sea en la forma en que se seleccionó la muestra o en los métodos de recolección de la información Estos sesgos pueden ser difíciles de detectar por lo que se debe tener gran cuidado en el diseño del estudio Asociación espuria Vamos a suponer que se diseña un estudio para determinar si la enfermedad X se asocia al consumo excesivo de alcohol Asociación espuria Si el investigador sabe que la persona que se entrevista tiene la enfermedad X y el cree que la hipótesis es cierta, pudiera insistir mas en la historia de alcoholismo en comparación con la entrevista de un control Solución: el que entreviste no tenga interés en el estudio Asociación espuria Otra fuente de sesgo se origina en la selección del grupo control Frecuentemente se seleccionan del mismo hospital donde están los casos Seguramente no son representativos de la población general Asociación no causal (indirecta) Un factor y una enfermedad están asociados solo porque ambos están a su vez asociados a una condición subyacente común Una modificación en el factor indirectamente asociado no modificara la frecuencia de enfermedad a menos de que provoque un cambio en la condición subyacente común Cólera y altura Al estudiar las estadísticas de cólera en el siglo XIX en Inglaterra, se encontró que existía una relación inversamente proporcional entre la altura sobre el nivel del mar y la incidencia de cólera Cólera y altura Este hallazgo vino a apoyar la teoría de los miasmas, entonces en boga, como causa de la enfermedad De acuerdo a esta teoría, uno esperaría tasas elevadas de cólera en regiones de baja altitud ya que ahí el aire sería más peligroso (y viceversa, donde el aire es más puro) Cólera y altura De hecho la mortalidad observada es extraordinariamente similar a la que se predijo en base a la teoría de los miasmas Cólera y altura Ahora sabemos que las tasas de mortalidad por cólera eran mayores en las regiones de baja altitud porque las fuentes de agua en dichas regiones estaban mas contaminadas Era el agua contaminada y no el aire fétido lo que se asociaba al cólera Sin las condiciones estrictas y artificiales de un experimento controlado, es difícil determinar si existe una relación causal entre un factor y una enfermedad Por esta razón se han desarrollado una serie de criterios para determinar causalidad Podemos decir que A causa B si: A precede a B un cambio en A se correlaciona con un cambio en B esta correlación no es en si misma la consecuencia de que tanto A como B estén correlacionadas con una previa C Criterios para establecer causalidad Intensidad de la asociación a mayor RR para aquellos con el factor mayor será la probabilidad de una asociación causal Relación dosis-respuesta la probabilidad de una asociación causal será mayor si existe una mayor incidencia al aumentar el nivel del factor (o viceversa) Criterios para establecer causalidad Consistencia de la asociación una asociación descrita en un estudio debe persistir cuando se examina con otra población y con diferente metodología Asociación temporalmente correcta la exposición al factor debe preceder a la enfermedad incluyendo un periodo de inducción y latencia; en condiciones agudas esto es fácil (intoxicación por alimentos) Criterios para establecer causalidad Especificidad de la asociación que tanto podemos predecir un evento ante la presencia de un factor idealmente se trata de una relación de 1 a 1 en donde el factor es tanto necesario como suficiente por ejemplo: exposición a vinyl cloruroangiosarcoma del higado; dietiletilbestroladenocarcinoma vaginal Criterios para establecer causalidad Este criterio es menos satisfactorio que los previos por dos razones un factor puede causar mas de una enfermedad las enfermedades suelen ser multifactoriales La presencia de especificidad es evidencia fuerte de causalidad, su ausencia es menos significativa Criterios para establecer causalidad Coherencia con conocimiento actual (plausibilidad biológica) la interpretación causal es plausible en términos del conocimiento existente esto por supuesto depende del nivel del conocimiento existente Aplicación a un problema específico: Cáncer broncógeno y tabaquismo Intensidad de la asociación en todos los estudios mayores la mortalidad por cáncer broncogénico fue mayor en los fumadores que en los no fumadores Relación dosis-respuesta se demostró una franca relación entre la dosis y la respuesta; la mortalidad se incrementa con cada incremento del tabaquismo Aplicación a un problema específico: Cáncer broncógeno y tabaquismo Consistencia de la asociación se ha demostrado en varios países en diferentes tipos de población, con estudios de diferente diseño todos demostraron no solo una intensa asociación, sino también una relación dosis respuesta Aplicación a un problema específico: Cáncer broncógeno y tabaquismo Asociación temporal correcta el cáncer broncógeno suele desarrollarse muchos después de haber iniciado el habito de fumar. Esto es consistente con el largo periodo de latencia característico de la carcinogenesis Aplicación a un problema específico: Cáncer broncógeno y tabaquismo Otra evidencia temporalmente correcta es que tanto para fumadores de menos y de una cajetilla o mas la mortalidad por cáncer disminuye cuando se abandona el habito de fumar en comparación con los que siguen fumando; a mayor tiempo sin fumar menor la tasa de mortalidad Aplicación a un problema específico: Cáncer broncógeno y tabaquismo Especificidad de la asociación Este criterio ha sido imposible de satisfacer El tabaco se asocia a múltiples patologías Aplicación a un problema específico: Cáncer broncógeno y tabaquismo Esto no debe resultar sorprendente El humo del tabaco es un compuesto extremadamente complejo que contiene >4,000 substancias, 50 de ellas mutágenas Además el RR para el cáncer de pulmón es mucho mas alto Aplicación a un problema específico: Cáncer broncógeno y tabaquismo No todas las personas que fuman desarrollan cáncer del pulmón es un padecimiento multifactorial No todos los pacientes con cáncer pulmonar son fumadores existen otros factores de riesgo para cáncer broncogénico Aplicación a un problema específico: Cáncer broncógeno y tabaquismo Este criterio se satisface ampliamente con los conocimientos actuales el tabaco contiene numerosos mútagenos las tasas están correlacionadas con las tasas de tabaquismo en la población existe coherencia con los cambios anatómicos e histológicos Aplicación a un problema específico: Cáncer broncógeno y tabaquismo ABOGADO DEL DIABLO: ¿existe una hipótesis alternativa? no puede ser una asociación espuria: consistencia de la asociación en numerosos estudios ¿Pudiera ser una asociación indirecta? Aplicación a un problema específico: Cáncer broncógeno y tabaquismo ¿Existe un factor subyacente asociado tanto al tabaquismo como al cáncer? ¿diferencias constitucionales? poco probable en base a toda la evidencia disponible Aplicación a un problema específico: Cáncer broncógeno y tabaquismo La única forma de resolver esta interrogante es mediante un estudio experimental ÉTICAMENTE ESTO ES IMPOSIBLE
© Copyright 2024