desarrollo profesional

Indicadores de riesgo y criterios

epidemiolgicos de causalidad
Cristina Fernndez Preza y Miguel Carrasco Asenjob
a

Servicio de Medicina Preventiva. Hospital Clnico San Carlos. Madrid.

Agencia Lan Entralgo. Madrid.

Ses

as investigaciones en biomedicina, y
en las ciencias de la salud en general,
tratan de relacionar entre s los fenmenos biolgicos y sociales que ocurren en
las personas, de entenderlos y de proponer
intervenciones eficaces y tiles a la comunidad para fomentar la salud, prevenir la enfermedad y atender a los enfermos cuando sta
se produce.
La actividad investigadora en estos campos
de la ciencia se desarrolla desde dos enfoques distintos y complementarios:
El enfoque bsico indaga en los mecanismos
patognicos subyacentes que proporcionan
una visin fundamental y comn de las enfermedades.
El enfoque clnico/epidemiolgico indaga en
las relaciones de los hechos biolgicos, ambientales, sociales y de atencin sanitaria, con

76

el fin de entender y explicar cmo se configuran las cadenas epidemiolgicas del proceso
de enfermar. Se trata de una investigacin
que nos orienta sobre las causas de la enfermedad, de las relaciones que existen entre ellas y de las magnitudes relativas de sus
efectos en la salud y en la enfermedad.
Aunque, como luego veremos, se ha avanzado en la comprensin del proceso de inferencia causal, en la investigacin clnico/
epidemiolgica todava tenemos la necesidad de formular un modelo general y coherente de causa que facilite la conceptualizacin relativa a la identificacin y distribucin
de los factores determinantes de la salud o de
las causas de la enfermedad y los problemas
que conllevan su prevencin, asistencia y recuperacin. Para ello partiremos de dos conceptos, que son:

enero 2010 | www.jano.es

03-desar0496Indicador.indd 76

03/06/10 16:49

desarrollo profesional
Indicadores de riesgo y criterios epidemiolgicos de causalidad
C. Fernndez Prez y M. Carrasco Asenjo

Causa, en general, el hecho, o suceso, o estado de la naturaleza que

inicia o permite, sola o en unin de
otras causas, una secuencia de sucesos que producen un efecto.
Causa de una enfermedad, todo
acontecimiento, condicin o caracterstica que desempea un papel
esencial en producir su aparicin.

Modelos de causalidad
Existen varios modelos que explican
la causalidad. Todos ellos pretenden
presentar las posibles explicaciones
etiolgicas de las enfermedades,
considerando los conocimientos
existentes en el momento que han
sido planteados.

Modelo determinista
Clsicamente la definicin de causalidad, desde una concepcin puramente determinista, es la siguiente:
Se entiende la causalidad como
una conexin constante, nica, y
perfectamente predecible entre dos
factores X e Y; X es causa de Y, en un
medio completamente estable, slo
si cualquier manipulacin o cambio
en X induce un cambio subsiguiente en Y. (Blalock, 1964). Esta definicin de causalidad requiere dos
criterios: especificidad de causa y
especificidad de efecto. Es decir,
que X es slo causa de Y e Y es slo
efecto de X.
El criterio de especifidad de causa
implica conocer otras dos condiciones: X es a la vez causa necesaria y
causa suficiente de Y: X es causa necesaria si todos los cambios en Y deben ser precedidos por cambios en
X. X es causa suficiente si todos los
cambios en X inevitablemente conducen a cambios en Y.
sta, llammosla, lgica determinista puede ser cuantificada crticamente mediante el ejemplo que
nos propone Kleinbaum (tabla 1), al
relacionar un posible factor causal
con un posible efecto/enfermedad
(Kleinbaum,1982).
Hace un siglo R. Koch, con una visin determinista de la causa, propuso sus postulados para ser aplicados
www.jano.es | junio 2010

03-desar0496Indicador.indd 77

77

Tabla 1

Cuantificacin de la posible relacin causa-efecto

(X) Posible factor causal

(Y) Posible efecto

Expuesto

No expuesto

Enfermo

No enfermo

- Si X es causa suficiente de Y, C
es siempre 0
- Si X es causa necesaria de Y, B
es siempre 0
- Si X es a la vez causa suficiente
y necesaria de Y, B y C
siempre sern 0
Se ha de tener en cuenta que esto pone en evidencia que, al menos
tericamente, estas dos condiciones pueden ser independientes, esto es:
-

Un
Un
Un
Un

factor
factor
factor
factor

puede
puede
puede
puede

ser necesario, pero no suficiente, como causa

ser suficiente, pero no necesario, como causa
ser necesario y suficiente como causa
no ser necesario ni suficiente como causa

Es decir, ningn criterio de especificidad necesariamente implica al otro.

Fuente: Kleinbaum DG, Kupper LL, Morgenstern H. Epidemiologic research. Principles and
quantitative methods. New York: Chap. 2. Van Nostrand Rainhotd Company; 1982.

como test de identificacin de agentes causales de enfermedad:

Condicin necesaria: el agente debe
estar presente en todos los casos de
enfermedad.
Especificidad de efecto: el agente no
debe encontrarse de forma fortuita o
sin causar patologa en alguien que
no padece la enfermedad.
Condicin suficiente: el agente, en
cultivo puro, debe ser aislado del
paciente e inducir la enfermedad si
se le aplica a un animal susceptible.
Como ya ha quedado planteado
en el ejemplo de la tabla 1, actualmente este modelo es inadecuado
para aplicarse en muchas enfermedades (Evans, 1978). Las limitaciones
bsicas para utilizar el modelo determinista son las siguientes:

La etiologa multifactorial
Existen suficientes evidencias empricas para poder afirmar que las enferwww.jano.es | junio 2010

77

03/06/10 16:49

desarrollo profesional
Indicadores de riesgo y criterios epidemiolgicos de causalidad
C. Fernndez Prez y M. Carrasco Asenjo

Criterios de causalidad
Intensidad. Fuerza de la asociacin
La magnitud o fuerza con la que dos
fenmenos se presentan juntos puede
servir de ayuda para valorar su relacin
causal. As asociaciones muy fuertes
sugieren esta relacin causal.
Consistencia
Si la misma asociacin se observa
repetidamente en distintas
circunstancias, a travs de diferentes
estudios realizados por distintos
investigadores y con metodologas
diversas, se refuerza de manera
importante la hiptesis de una relacin
causal.
Especificidad
Conforme ms especifica sea la
asociacin, es decir, de manera ms
exclusiva se relacione la hipottica
causa con el efecto y viceversa, ms se
favorece la explicacin causal.
Secuencia temporal
Por definicin, la presencia de la causa
debe anteceder a la aparicin del
efecto.
Gradiente biolgico
Se refiere a la relacin dosis-respuesta
entre las variables asociadas.
Verosimilitud
Es conveniente que la causa que
suponemos sea biolgicamente
verosmil (plausibilidad). Lo que es
biolgicamente verosmil depende
de los conocimientos biolgicos del
momento.
Coherencia
La interpretacin de las observaciones
como relacin causa-efecto no debe
ser contradictoria con los hechos
conocidos de la historia natural y la
biologa de la enfermedad.
Experimento
Se refiere especialmente a la evidencia
experimental o semiexperimental de
los efectos de la eliminacin o de la
actuacin sobre el hipottico agente
causal.
Analoga
Si se conocen los efectos para
determinados factores, se puede
esperar que la exposicin a factores
similares produzca efectos parecidos.
78

medades tienen ms de una causa.

En muchas enfermedades infecciosas la presencia del agente microbiano (condicin necesaria) no siempre
va acompaada de la aparicin de
la presencia de la enfermedad (no
es condicin suficiente y puede significar que no hay especificidad de
efecto). El efecto puede depender
de otros factores (nutricionales, emocionales, etc.).
En las enfermedades crnicas (no
inducidas por la presencia de un gen
especfico), no existe un factor conocido que est presente en todos los
casos de enfermedad. Esto es, que
los factores pueden no ser causa necesaria en la aparicin de una enfermedad. Por ejemplo, el tabaco en el
cncer de pulmn, o la arteriosclerosis en el infarto de miocardio.

La multiplicidad de los efectos

Existe igualmente la evidencia de
que la presencia de un determinado
factor condiciona ms de un efecto
patolgico.

Limitada conceptualizacin
de los factores causales.
Existen dos aspectos que dificultan
la aplicacin de los criterios de causalidad del modelo determinista:
Si, hasta ahora, se ha mantenido que
la causalidad depende de un cambio en el factor causal (riesgo), entonces cmo se deben interpretar
la raza, el sexo, las predisposiciones
genticas y otras caractersticas fijas
en la etiologa de la enfermedad?
Mientras que es posible mantener,
en teora, que la causalidad debe
implicar la relacin entre cambios
secuenciales, al investigador no
siempre le es posible observar, medir, o siquiera identificar los cambios
relevantes.
El modelo determinista tampoco
nos permite aclarar el papel que
desempean aquellos factores causales considerados como continuos,
como son la edad, la presin sangunea, la obesidad, etc. Por ejemplo,
qu nivel debe alcanzar la presin
sangunea para provocar un acci-

dente cerebrovascular agudo? En

este caso nosotros sabemos que no
existe un valor umbral uniforme por
encima del cual el efecto ocurre y
por debajo no ocurre.

El conocimiento imperfecto
Tenemos un conocimiento incompleto de la enfermedad y una posibilidad
limitada de observar y medir el proceso causal. Esto es, cuando estudiamos el efecto hipottico de un factor,
no podemos estar absolutamente
seguros de que otros efectos y otros
factores no estn desempeando un
papel aadido a los nuestros.

Modelo determinista
modificado
Muchos investigadores han modificado el modelo determinista para
explicar la multicausalidad de la enfermedad. Plantean la existencia de
asociaciones de factores causales,
ms que factores simples, siendo tratadas estas asociaciones como una
causa suficiente. Cada asociacin suficiente tiene un efecto en esa enfermedad, lo cual es independiente de
los efectos de esos factores en otras
asociaciones (Rothman 1976).
Kennet J. Rothman es, desde 1976,
la referencia obligada para definir
los conceptos de causa suficiente y
de causas componentes. Segn su
modelo, una causa suficiente podra
ser definida como un grupo de
condiciones y acontecimientos mnimos que, inevitablemente, producen
la enfermedad. En este caso decir
mnimos implica que ninguna de las
condiciones o acontecimientos es
superflua.
En la etiologa de una enfermedad, el que se complete una causa
suficiente puede ser considerado
equivalente al desencadenamiento
de esa enfermedad.
Las principales asunciones de este
modelo son las siguientes:

Causas suficientes y causas

componentes
Cada asociacin de causas componentes se considera mnimamente suficiente (es decir, no hay causas com-

junio 2010 | www.jano.es

03-desar0496Indicador.indd 78

03/06/10 16:49

desarrollo profesional
Indicadores de riesgo y criterios epidemiolgicos de causalidad
C. Fernndez Prez y M. Carrasco Asenjo

ponentes ni de sobra ni ajenas) para

producir la enfermedad. Tales causas
componentes pueden desempear un
papel en una, o en ms asociaciones
causales. En la figura 1 se presenta la
conceptualizacin de tres causas (asociaciones) suficientes de causas componentes para una misma enfermedad.
De haber una causa componente
que forme parte de todas las causas
suficientes para que se d una enfermedad, entonces recibira el nombre
de causa necesaria (A).
En la figura 2 se representa esta conceptualizacin haciendo referencia a
una enfermedad concreta, si bien no
se recogen aspectos del proceso causal del tipo de la secuencia de accin,
o la dosis, u otras complejidades. Tales aspectos de dicho proceso pueden ser acomodados por el modelo
mediante una definicin apropiada
de cada componente causal.

Fuerza de las causas

La fuerza aparente de una causa suficiente est determinada por la prevalencia relativa de las causas componentes. Un factor raro se convierte
en una causa fuerte si sus complementarios son muy comunes.
En una causa suficiente I, los factores A, B, C y D son muy comunes
o experimentados por la gente; y

Figura 1

supongamos que E fuera raro. Aunque todos los factores forman parte
de la causa suficiente, podra parecer
que E es una causa componente ms
fuerte, porque los que tienen E difieren sustancialmente en riesgo de los
que no lo tienen, ya que si no est
presente este factor unido a los dems no se da la enfermedad.
En trminos epidemiolgicos, una
causa dbil confiere slo un pequeo aumento en el riesgo de enfermar, mientras que una causa fuerte
aumentara el riesgo de enfermar
sustancialmente.
Ejemplo. En una sociedad en la
que la mayora de la gente come dietas ricas en fenilalanina, la herencia
del raro gen para la fenilcetonuria
sera un factor de riesgo fuerte del
retraso mental fenilcetonrico y la
fenilalanina en la dieta sera un factor de riesgo dbil. Sin embargo, en
otra sociedad en la que el gen de la
fenilcetonuria fuera muy frecuente y
poca gente comiera dietas ricas en
fenilalanina, la herencia del gen sera
un factor de riesgo dbil y la fenilalanina en la dieta sera un factor de
riesgo fuerte.
Por ello la fuerza de un factor de
riesgo causal, tal y como podra medirse por el parmetro razn de
riesgo (riesgo relativo), depende de

la distribucin en la poblacin de los

otros factores causales de la misma
causa suficiente.
El trmino fuerza para un factor
de riesgo causal tiene un cierto significado de descripcin de la importancia del factor en la Salud Pblica. Sin
embargo, la acepcin epidemiolgica habitual de fuerza de los factores
de riesgo causales carece de significado en la descripcin biolgica de
la etiologa de la enfermedad.

Interaccin entre causas:

sinergia
Se considera que dos causas componentes de una causa suficiente nica
tienen una interaccin biolgica mutua. El grado de interaccin observable depende de los mecanismos
reales que sean responsables de la
enfermedad.

Proporcin de enfermedad
debido a causas especficas
Es la proporcin de casos de una enfermedad que no ocurriran si eliminsemos una causa componente de
una causa suficiente.
Ejemplo. En la representacin conceptual presentada, asumiendo que las
tres asociaciones suficientes son las
nicas que operan para esa enfermedad:

Representacin conceptual de tres causas suficientes de una enfermedad

Causa suficiente I
Causa suficiente I:
Causa suficiente II:
Causa suficiente III:

A
A
A

B
B
C

C
F
F

D
G
I

Causa suficiente II
E
H
J

Causa suficiente III

Efecto
Efecto
Efecto

Modificada de Rothman KJ. Causes. Am J Epidemiol. 1976;104:587-92.

www.jano.es | junio 2010

03-desar0496Indicador.indd 79

79

03/06/10 16:49

desarrollo profesional
Indicadores de riesgo y criterios epidemiolgicos de causalidad
C. Fernndez Prez y M. Carrasco Asenjo

Qu proporcin de enfermedad
es causada por A?: la respuesta es
toda; sin A no se dara el proceso
patolgico. Se la considera causa
necesaria.
Qu proporcin es debida a B?: B
es una causa componente de enfermedad que acta dentro de dos
mecanismos, el I y el II, y toda enfermedad que surgiese a travs de
estos dos mecanismos sera evitada
si desapareciese B.

nece. El parmetro epidemiolgico

fraccin etiolgica (riesgo atribuible en la poblacin) mide esta
dimensin de la relacin causa efecto. Cada componente de una causa
suficiente tiene como fraccin etiolgica la fraccin de la enfermedad
atribuible a esa causa suficiente (ms
la fraccin atribuible a cualquier otra
causa suficiente que contenga ese
mismo componente).

Esto no quiere decir que toda enfermedad se deba slo a A o que

una proporcin de esa misma enfermedad sea debida nicamente a
B; ninguna causa componente acta
sola. Se entiende que estos factores
interaccionan con otros para producir la enfermedad.
La investigacin etiolgica de las
enfermedades se dirige hacia los
componentes de las causas suficientes, ya sean necesarias o no. La
importancia en Salud Pblica de un
componente causal de una enfermedad en una poblacin en particular
est determinada por la fraccin de
la enfermedad (el efecto) que resulta
de la causa o causas suficientes a la
que esa causa componente perte-

El periodo de induccin es definido

como el periodo de tiempo que
va desde la accin causal hasta la
iniciacin de la enfermedad. La
enfermedad una vez iniciada no necesariamente es visible. El intervalo
cronolgico entre su aparicin y su
deteccin ha sido llamado periodo
latente, que puede ser reducido
mediante la mejora de los mtodos
de deteccin de la enfermedad.
Ejemplo. En la causa suficiente I, la
secuencia de accin de las causas es
A, B, C, D y E, y estamos estudiando
el efecto de B, asumiendo que acta
en un momento dado en el tiempo. La
ocurrencia de la enfermedad no la observaremos inmediatamente despus
de que acte B, sino que aparecer

Figura 2

Periodo de induccin

una vez que la secuencia sea completa, por lo que se habr de esperar a
que acten C, D y E. El intervalo entre
la actuacin de B y la aparicin de la
enfermedad es el tiempo de induccin para el efecto de B.
Por lo tanto es incorrecto caracterizar
una enfermedad de periodo de induccin prolongado o corto. El tiempo de
induccin slo puede ser conceptualizado en relacin con una causa componente especfica. Para cada una de
stas es diferente y para la que acta
en ltimo lugar es igual a cero.

El contenido emprico
del modelo
La aplicacin de este modelo de causalidad establece varias cuestiones previas para poder ser aplicado, a saber:
Prohbe que las causas ocurran despus de los efectos.
Afirma que los efectos unicausales
son imposibles.
Prohbe un tiempo de induccin
constante para una enfermedad con
relacin a sus diversas causas componentes.
El modelo desvela que es una falacia intentar determinar la proporcin

Ejemplo de tres causas suficientes de una misma enfermedad, sida

Causa suficiente I

Causa suficiente II

Causa suficiente III

A (VIH)
B (va intravenosa)
C (factores socio-culturales)
E (herona)
D (comparte jeringuilla)

A (VIH)
B (va intravenosa)
F (hemoterapia)
H (hemofilia)
G (flecha tratamiento)

A (VIH)
C (factores socio-culturales)
I (factores biolgicos)
J (sexualidad)
K (no preservativo)

VIH: virus de la inmunodeficiencia humana.

80

junio 2010 | www.jano.es

03-desar0496Indicador.indd 80

03/06/10 16:49

desarrollo profesional
Indicadores de riesgo y criterios epidemiolgicos de causalidad
C. Fernndez Prez y M. Carrasco Asenjo

de enfermedad atribuible a varias

causas componentes.
El modelo afronta la variacin de
la dosis de una causa componente,
postulando un conjunto de causas
(asociaciones) suficientes, conteniendo cada una de ellas como componente una dosis diferente del factor
en cuestin.
Tambin, sale al paso de las crticas
de los estocsticos, considerando
que los procesos aleatorios presentes en los mecanismos causales son
debidos al azar, equiparndolos a
componentes no identificados y por
tanto ignorndolos. Ignorancia que
es susceptible de reconsideracin
conforme aumenta el conocimiento.

Modelo probabilstico
En este modelo se utiliza la teora
de probabilidades, y los mtodos
estadsticos relacionados con ella,
para valorar empricamente una posible asociacin que se cree causal.
Este modelo no niega la concepcin
determinista de la enfermedad, no
plantea la ocurrencia de la enfermedad como un proceso aleatorio, lo que pretende es emplear las
consideraciones probabilsticas en
muchos de los procesos causales
desconocidos o que no pueden ser
medidos. Como consecuencia de la
falta de certeza individual de la prediccin, la nocin terica de causa es
sustituida por el concepto emprico
de factor de riesgo.
En epidemiologa se utiliza el trmino factor de riesgo para indicar
una variable que es considerada
para ser relacionada con la probabilidad de que un individuo desarrolle
la enfermedad.Tres criterios deben ser tenidos en cuenta antes de
sugerir que un factor dado es un factor de riesgo para una determinada
enfermedad, y stos son:
El factor debe variar con la enfermedad; es decir, el factor debe estar
estadsticamente asociado con el
desarrollo de la enfermedad o, de
forma equivalente, la frecuencia de
la enfermedad diferir en sus mani-

festaciones segn sea la categora y

el valor del factor.
La presencia del factor de riesgo
debe preceder a la aparicin de la
enfermedad.
La asociacin observada no puede
ser consecuencia de cualquier tipo
de error en la seleccin de la muestra, por la influencia de otros factores de riesgo u otros problemas relacionados con el diseo del estudio o
con el tipo de anlisis.
El modelo probabilstico permite el
tratamiento ms conveniente de los
factores continuos. Permite observar
la frecuencia de la enfermedad para
cada categora del factor y ajustar
los datos a un modelo matemtico
que trate la frecuencia de la enfermedad (tasa) como una funcin del
factor continuo. Esto significa que
podemos describir el efecto dosisrespuesta, en el que los diferentes
niveles del factor de riesgo estudiado son relacionados con la probabilidad de desarrollar la enfermedad.
La nocin del riesgo como medida continua oscurece el concepto de
riesgo aplicado a un individuo. Para
una persona el riesgo de enfermedad
correctamente definido slo toma dos
valores: 0 y 1. La aplicacin de cualquier valor intermedio para el riesgo
de una persona es nicamente una
forma de estimar su riesgo mediante
el riesgo promedio de otras muchas
personas presumiblemente similares.
El riesgo real de un individuo depende de si se ha formado o no, o si
se formar o no, una causa suficiente,
mientras que el riesgo medio de un
grupo indica la proporcin de individuos para los que se han formado
causas suficientes. Un riesgo individual
puede ser visto como la estimacin de
la probabilidad de que una causa suficiente de una enfermedad exista dentro del marco temporal adecuado
Por ltimo, el modelo probabilstico permite la investigacin de
los mltiples efectos de uno o ms
factores, ya que podemos estimar
las asociaciones entre las enfermedades, as como entre los factores y
enfermedades.

Inferencia causal
La inferencia causal en epidemiologa es el lgico desarrollo de una
teora, basado en las observaciones
y en unos argumentos que atribuyen
la presencia (asociacin) de una enfermedad a uno o ms factores de
riesgo. Para comprender las derivaciones del uso del trmino asociacin causal, es necesario describir
algunas de las maneras en las que
pueden relacionarse las categoras
de sucesos o circunstancias. En su
relacin recproca, dos categoras
pueden estar:
No asociadas (independientes).
Asociadas: estadsticamente o causalmente.
Cuando una categora de circunstancias acontece en una cierta proporcin X de un grupo de personas,
y otra categora en una proporcin Y,
los dos tipos de categoras irn juntos en algunos miembros del grupo,
en una proporcin que en realidad
es igual al producto X por Y de las
dos proporciones separadas.
Podemos decir que existe asociacin cuando la proporcin de
individuos que presentan ambas
categoras de circunstancias es significativamente ms alta/baja que la
proporcin que se predice si tenemos en cuenta la presentacin simultnea de las frecuencias separadas
de ambas categoras.
Resulta conveniente insistir en
que la asociacin, en este caso, se
establece para categoras y no para
las circunstancias individuales. Por
supuesto, la informacin de una experiencia de grupo podra sugerir la
probabilidad de la existencia de asociacin causal en un caso individual.
Cuanto mayor es la proporcin de
asociacin entre las dos categoras
de circunstancias, revelada por la experiencia del grupo, hay mayor posibilidad de que la suposicin sobre la
existencia de una asociacin causal
en un caso especfico sea correcta.
Slo una minora de las asociaciones estadsticas son causales en el
www.jano.es | junio 2010

03-desar0496Indicador.indd 81

81

03/06/10 16:49

desarrollo profesional
Indicadores de riesgo y criterios epidemiolgicos de causalidad
C. Fernndez Prez y M. Carrasco Asenjo

Tabla 2

Ejemplo. La inyeccin de herona intravenosa est asociada a la

aparicin del sida. Esto no quiere
decir que la herona sea el causante del sndrome, sino que ambos
estn asociados a un tercer factor,
la transmisin del virus de la inmunodeficiencia humana (VIH) por va
parenteral.

Fases de la investigacin causal

Grado de relacin

Naturaleza de
la relacin

Problema a superar

Estadstico

Coincidencia

Error aleatorio

Epidemiolgico

Asociacin

Error sistemtico

Causal

Causalidad

Validez externa

- La primera de estas relaciones, que denominamos coincidencia,

nos informa acerca del papel explicativo que el error aleatorio puede
desempear en dicha relacin.
- La segunda, asociacin, nos viene a advertir de que la relacin no podra ser
completamente explicada por la existencia de errores sistemticos (sesgos
y factores de confusin).
- La tercera, causalidad, podr ser alcanzada si hemos superado los
problemas planteados en las anteriores.
Fuente: Garca Garca AM, Garca Benavides F. Causalidad en salud laboral: el caso Ardistil.
Gaceta Sanitaria. 1995;9:371-9.

sentido de la definicin, que requiere que el cambio en una de las categoras participantes en la asociacin
determine la alteracin en la otra. La
mayor parte de las asociaciones estadsticas que no son causales son
secundarias a la asociacin de ambas
categoras de circunstancias con una
tercera.

Tabla 3

Una vez que se ha

demostrado que existe
asociacin estadstica,
cmo saber si la relacin
es causal o no?
Dadas las dificultades, se debe extremar la prudencia a la hora de emitir un
juicio acerca de cualquier posible relacin causal. En la tabla 2 se plantea
un sencillo esquema para posibilitar la
distincin entre una relacin puramente estadstica, una relacin epidemiolgica y una relacin causal.
Para hacer inferencias causales se
han usado mucho unos grupos de estndares avanzados por B. Hill y por
otros autores, tal y como se muestra
en la tabla 3.
El complejo proceso, que se muestra en la figura 3, de la generalizacin
cientfica implica la modificacin de
nuestras teoras de acuerdo con los

Criterios propuestos por distintos autores para valorar la presencia de una relacin causal

U.S.Dept of
Health.1964

B. Hill. 1965

Mac Mahon,
Pugh.1970

R. Doll. 1985

Susser.
1991

Consistencia

Fuerza

Temporalidad

No error alet.

Fuerza

Fuerza

Consistencia

Fuerza

No error sist.

Especifidad

Especificidad

Especificidad

Coherencia

Consistencia

Consistencia

Temporalidad

Temporalidad

Dosis/respuesta

Comportamiento predictivo

Coherencia

Coherencia

Gradiente

Plausibilidad
Coherencia
Experimentacin
Analoga
Fuente: Garca Garca AM, Garca Benavides F. Causalidad en salud laboral: el caso Ardistil. Gaceta Sanitaria. 1995;9:371-9.

82

junio 2010 | www.jano.es

03-desar0496Indicador.indd 82

03/06/10 16:49

desarrollo profesional
Indicadores de riesgo y criterios epidemiolgicos de causalidad
C. Fernndez Prez y M. Carrasco Asenjo

hallazgos empricos procedentes de

la recoleccin sistemtica de datos.
Para realizar correctamente esta relacin entre nuestras ideas y nuestras
observaciones es absolutamente importante una correcta eleccin del
diseo del estudio con el que se realiza la investigacin.
Una vez descartada la posibilidad
de que el error aleatorio (coincidencia) y el error sistemtico (asociacin)
sean las nicas explicaciones de los
hallazgos empricos descritos, cabe
hacerse las preguntas con la que B.
Hill iniciaba su propuesta de criterios
de causalidad: en qu circunstancias podemos pasar de la observacin de una asociacin al veredicto
de existencia de una relacin causal?, qu aspectos de dicha asociacin debemos tener en cuenta para
decidir que la interpretacin ms
aceptable es la existencia de una relacin causal?
Con las limitaciones reconocidas,
los criterios de Hill pueden ayudar a
valorar la existencia de una relacin
causal ante una asociacin epidemiolgica. Sin embargo, ninguno de
los nueve criterios de Hill, tal y como
reconoce el propio autor, son condicin sine qua non para establecer una relacin causal y ninguno de
ellos puede aportar evidencia indiscutible al respecto. De hecho, estos
criterios han sido criticados con diferentes argumentos.
Por otra parte, se hace necesario que el pensamiento causal en
epidemiologa huya del abuso de
las aproximaciones excesivamente
orientadas hacia el individualismo
biomdico y se defienda la necesidad de optar por una perspectiva
que incorpore ms claramente los
determinantes polticos, socio-econmicos e ideolgicos para explicar
los procesos de salud y enfermedad
en la poblacin.

Figura 3

Conceptualizacin del mtodo cientfico

Teora, conocimiento

Inferencias sobre
hiptesis conceptual

Sntesis, formulacin,
presentimiento

Conclusiones e interpretacin

Hiptesis conceptual

Inferencias sobre
hiptesis operacional

Diseo del estudio

Hiptesis operacional
Hallazgos empricos
Coleccin datos
Anlisis datos
Trabajo campo

Evans AS. Causation and disease:

a chronological journey. The Thomas

Parran Lecture. Am J Epidemiol.

1978;108:249-58.

Garca Garca AM, Garca Benavides

F. Causalidad en salud laboral: el
caso Ardistil. Gaceta Sanitaria.
1995;9:371-9.
Hill AB. The Environment and Disease:
Association or Causation? Proc R Soc
Med. 1965;58:295-300.
Kleinbaum DG, Kupper LL,
Morgenstern H. Epidemiologic

research. Principles and quantitative

methods. Chap. 2. New York: Van

Nostrand Rainhotd Company;

1982.
Macmahon B, Pugh TF.

Epidemiology: Principles and methods.

Boston: Little, Brown; 1970.

PARA SABER MS

Rothman KJ. Causes. Am J

Epidemiol. 1976;104:587-92.

Blalock HM, Jr. Causal inferences in

nonexperimental research. Chap. 1.

Rothman KJ. Modern epidemiology.

Boston: Little, Brown and
Company;1986.

New York: Norton; 1964.

www.jano.es | junio 2010

03-desar0496Indicador.indd 83

83

03/06/10 16:49