Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Resumen 8
Resumen 8
CAUSALIDAD-NUCELO 8
El pensamiento causal en la epidemiologia anglosajona y su desarrollo critico en
latinoamerica. Elizondo,Mariscal, Gomez-Arias.
Que se puede leer como la frecuencia del evento “y” refleja la probabilidad de que
ocurra el efecto Y” en presencia de la posible causa “x”. A diferencia del determinismo
mecanicista, esta variante acepta la incertidumbre y mide la aparición del resultado,
no como algo seguro, sino como una probabilidad que puede o no cumplirse.
los epidemiólogos debieron reconocer que las enfermedades no se deben a una sola
causa, sino a múltiples condiciones que interactúan entre sí de diferentes maneras,
generando resultados inciertos, los cuales podrían preverse, pero en términos dudosos
o probabilísticos. Este enfoque se incorporó al discurso epidemiológico con el nombre
de paradigma multicausal, y en su seno se plantearon tres modelos particularmente
influyentes en la comprensión de la salud y la enfermedad: el paradigma de la caja
negra, el enfoque de riesgo y la multicausalidad estructurada. Los enfoques
multicausales influyeron también en el desarrollo de tres planteamientos de la
epidemiología social anglosajona que revisamos en otro seminario: la ecoepidemiología
de Susser, los análisis multinivel de Diez-Roux y la propuesta ecosocial de Nancy
Krieger.
Las multiples causas se estructuran
Mac mahon comenzó desde Harvard sus estudios en leucemia, cáncer de seno, cáncer
pulmonar y tabaquismo. Sus hallazgos pusieron en evidencia que muchos fumadores
desarrollan cáncer de pulmón, pero no todos lo hacen. Y algo similar ocurría con la
exposición a otras condiciones peligrosas. Estos resultados inciertos no se ajustaban
al paradigma de la causalidad lineal; en cambio, podían expresarse en el nuevo
lenguaje matemático de las probabilidades. Las reflexiones de MacMahon dieron lugar a
un nuevo paradigma multicausal que marca el origen de la epidemiología moderna,
llamada también epidemiología clásica. Este paradigma propone que las enfermedades no
son el resultado de una causa, sino de múltiples condiciones o factores X, de tipo
biológico, ambiental, individual, e inclusive social, los cuales pueden asociarse
estadísticamente con la aparición de la enfermedad.
Para MacMahon, la etiología de una enfermedad sigue una secuencia lineal que consta de
dos momentos sucesivos: en una primera etapa las personas están expuestas a diferentes
condiciones externas que ocurren antes de cualquier respuesta corporal, y que actúan
como causas de la enfermedad; en la segunda fase, de respuesta corporal, actúa un
conjunto complejo de mecanismos biológicos, intracorpóreos y en ocasiones solo
parcialmente conocidos, que dan lugar al daño y producen la sintomatología (23). La
complejidad de esas interacciones explica por qué los resultados no son mecánicos,
sino inciertos, aumentando la probabilidad de que ciertas condiciones den lugar al
daño; en tal sentido, reciben el nombre de “factores de riesgo”. En el seno del
paradigma multicausal se desarrollaron varios modelos de análisis estrechamente
relacionados entre sí: el modelo de la caja negra, el enfoque de riesgo y el modelo de
causas componentes.
La caja negra: estructuras causales parcialmente conocidas
Este modelo es un conjunto de conceptos y técnicas que materializan el paradigma
multicausal. El enfoque de la caja negra se fundamenta en los rituales de las ciencias
naturales; asume que la enfermedad Y es causada por múltiples factores independientes
y aislados X, que en principio podrían tener la misma importancia o jerarquía, pero se
van articulando a lo largo del tiempo e interactúan de una forma desconocida para el
investigador; de allí el nombre de “caja negra”.
Con base en este enfoque, los epidemiólogos miden uno por uno los factores en cada
sujeto e incorporan las mediciones en una misma ecuación matemática, sin precisar su
origen ni las interacciones que puedan darse entre ellos; de allí el nombre de
“variables independientes” que se le otorga a estos factores. El modelo matemático
permite incluir factores ambientales, individuales e inclusive sociales; sin embargo,
su énfasis suele centrarse en condiciones biológicas de tipo médico. . La modelación
matemática de este proceso complejo e incierto pretende explicar o predecir los
cambios en la frecuencia de la enfermedad Y con base en la combinación de datos sobre
los factores que se obtienen de los individuos.
Uno de los procedimientos más utilizados por el modelo de la caja negra, para analizar
la asociación entre el resultado Y y los factores X, es el modelo de regresión
multivariada desarrollado por los estadísticos. Existen diferentes formas de expresar
este tipo de análisis, pero en términos generales se ajustan a la siguiente
estructura:
Evento aleatorio o Aquel que en condiciones semejantes genera resultados inciertos alternativos. La mayoría
probabilístico de los daños en salud son eventos probabilísticos. Una persona sin alimento fallece, pero la
falta de acceso a nutrientes no es una fatalidad
Posibilidad Juicio cualitativo que admite la aptitud u ocasión de que un eventoocurra en el contexto
analizado (plausibilidad teórica)
Probabilidad Medición numérica de la posibilidad. Es un decimal siempre positivo, cuyo valor oscila entre
cero y uno
Riesgo Probabilidad de que se presente un evento desfavorable específico. Se considera más alta
mientras más se acerque al uno y más baja mientrasmás cercana al cero
Factor de riesgo Situación o condición cuya presencia aumenta la probabilidad de queocurra un daño. Los
factores de riesgo pueden ser biológicos, psíquicos, ambientales o sociales
Factor pronóstico Condición que acelera la evolución de la enfermedad una vez estaaparece. No es causa de
la enfermedad, pero modifica su curso
Exposición (a un Interacción entre una persona y un factor que puede modificar su riesgo. La exposición
factor de riesgo) puede ser: 1) una condición genotípica o fenotípica, heredada o adquirida; 2) un
comportamiento; 3) el contacto con una condición ambiental y 4) un tipo particular de
interacción social como la pobreza
El enfoque de riesgo hace un análisis lineal de la causalidad; asume que los eventos
son multicausales y su comportamiento es probabilístico. Para esclarecer el origen de
la enfermedad analiza diferentes exposiciones o factores por separado. La relación de
causalidad se apoya en asociaciones estadísticas, y las causas se jerarquizan según el
peso comparativo de cada factor frente a la frecuencia de la enfermedad.
La multicausalidad se incorpora al discurso epidemiológico
Los enfoques multicausales se incorporaron con fuerza al pensamiento oficial en
epidemiología y son actualmente el paradigma predominante para investigar las
enfermedades. En la práctica, las diferentes variantes de la multicausalidad que hemos
revisado vienen aplicándose de cuatro formas no excluyentes:
1. Modelo multicausal de causas múltiples: una enfermedad se estudia asumiendo que
tiene múltiples causas independientes; cada una de las cuales es por sí misma única,
necesaria y capaz de completar una causa suficiente. Por ejemplo, la gastritis puede
obedecer al consumo de café, a la giardiasis o al estrés.
2. Modelo multicausal de efecto único: los investigadores asumen que una enfermedad
puede obedecer a varias causas que actúan conjuntamente (en pandilla). En todo caso,
alguna de las causas debe ser necesaria y suficiente en presencia de las demás; las
causas restantes son necesarias, pero no suficientes por sí mismas y se denominan
“causas necesarias contribuyentes”. Por ejemplo, la enfermedad tuberculosa es
producida por la confluencia de la desnutrición, la pobreza y el bacilo de Koch.
3. Modelo multicausal de efectos múltiples: asume que diferentes condiciones
producen desenlaces tanto similares como diferentes. Por ejemplo, tres condiciones
diferentes como diabetes, hipertensión e hipercolesterolemia pueden producir por
separado infarto de miocardio, enfermedad renal o enfermedad cerebrovascular.
4. Modelo multicausal de causas componentes (26): a diferencia de los enfoques
anteriores, este enfoque no se detiene en el análisis de causas aisladas, sino en
“arreglos” de causas. Toda enfermedad procede de una constelación de causas que en
conjunto es suficiente para producir el daño y ninguno de cuyos componentes es
superfluo (todos son necesarios). Cuando el arreglo se completa como causa suficiente,
indefectiblemente produce el evento; desde esta perspectiva, y aunque los resultados
de los análisis suelen presentarse como probabilidades, el modelo multicausal de
causas componentes conserva la perspectiva determinista de los modelos causales.
El papel del tiempo en los análisis causales
En general, todos los planteamientos que admiten la causalidad reconocen que las
causas deben ocurrir antes de los efectos. El asunto es, sin embargo, complejo, pues
supone que el tiempo es una dimensión igual para todos los observadores y que los
diferentes momentos del proceso salud-enfermedad se localizan de forma sincrónica en
una línea común que avanza siempre hacia el futuro. Adicionalmente, la medición del
tiempo en meses o años, por sí misma, no da buena cuenta de la forma como se suceden
los hechos.
Los análisis epidemiológicos de causalidad asumen que las causas requieren un tiempo
mínimo para generar el desenlace. Este tiempo varía para cada causa (34), e incluye al
menos dos etapas secuenciales:
• El periodo de inducción: que transcurre entre la exposición a la causa y el
establecimiento del daño. Como las causas son realmente arreglos o conjuntos de
condiciones concurrentes, que aparecen y desaparecen, influenciándose mutuamente y
contribuyendo al daño de manera diferente, cada una de ellas actúa por un tiempo
distinto y tiene su propio periodo de inducción, que no es fácil de determinar.
• El periodo de latencia: que transcurre entre el momento en que se instala el daño
y aparece su primera manifestación objetiva (signo o síntoma). Tampoco es fácil de
establecer porque muchos daños pueden cursar asintomáticos por largo tiempo.
Modelación estadistica de la causalidad en epidemiologia
En los inicios del siglo XX, la teoría de las probabilidades y la estadística
frecuentista se incorporaron a la epidemiología y marcaron las discusiones sobre la
causalidad. En el caso de la epidemiología, la estadística frecuentista tiene dos
aplicaciones: en primer lugar, la estadística descriptiva se utiliza para sintetizar y
describir las características de las poblaciones; adicionalmente, la estadística
inferencial se usa para soportar la generalización de una observación obtenida en una
muestra a la población de la cual esta provino.
Los análisis estadísticos se refieren a la búsqueda de asociación entre dos o más
eventos, y se basan en la comparación de sus frecuencias. El modelo mas utilizado
entre otros es el riesgo relativo y odd ratio.
Critica al paradigma de la multicausalidad.
(video)
A lo largo de la historia coexistieron diferentes teorías epidemiologias que trataron
de explicar los estados de S/E de las poblaciones considerando diferentes dimensiones,
que dominaron el pensamiento epidemiológico del momento. Los 3 pardigmas según thomas
Kuhn:
teoría miasmática que inaugura la era de las estadísticas en el SXIX,, sostiene que
las enf’ se contraesn con las emanaciones impuras del suelo, aire, agua. El modelo de
análisis se basaba en enunciar a través de estadísticas vitales las diferecnias
mortatlidades que se producían en las regiones según el ambiente y se le atribuia las
condiciones de vidad la pobreza como carcst’ improtatnte como la diseminación de enf’.
Se intervenia a través de pbras publicas para mejorara la sanidad ambiental. Teoría
alternativa:contagionismo saoicialsimo, medicina social (Engels) alemana (Virchow).
Teoria del germen:
Teoría de la caja negra:
Clasificación de las toerias (cuadro)