Asociación estadística

y causalidad

Nigel Paneth
 Inferencia causal

1. Causalidad determinística

Muchos esperan que una causa esté

muy estrechamente relacionada a
una efecto, como en causas
necesarias y suficientes:
Causalidad a diferentes niveles

• Causa molecular
• Causa fisiológica
• Causa personal
• Causa social, etc.
Causa necesaria: La causa deberá estar presente
para que el resultado suceda. Sin embargo, la
causa puede estar presente sin que el resultado
se presente. Infección de Hepatitis B es necesaria
para carcinoma hepatocelular; aspirina
(probablemente) para el síndrome de Reye. Si
los resultados están definidos en términos de
causas, la causa es necesaria por definición. Por
ejemplo, el bacilo tuberculoso es necesario para
la tuberculosis por la definición de la
tuberculosis. Clasificación etiológica
(a diferencia de la clínica) de las enfermedades
produce causas necesarias.
Causa suficiente: Si la causa está
presente, el resultado deberá
ocurrir. Sin embargo, el
resultado puede ocurrir sin que
la causa esté presente.
Causa necesaria y suficiente : Todos los
ejemplos del resultado son debidos a esta causa,
y esta causa siempre produce el resultado.
Usualmente, cuando una causa es suficiente,
usualmente es necesaria, por ejemplo, la relación
de la infección por el virus del sarampión a
sarampión clínico, o infeción de la rabia a rabia
clínica. VIH puede ser posiblemente, necesaria y
suificiente causa de SIDA, aunque esta
observándose en forma improbable, ya que
hemos encontrado individuos VIH positivos por
largo tiempo sin SIDA.
El énfasis sobre causas necesaria y suficiente es
llamada causalidad determinística.
 Causa necesaria
(v.gr. Bacilo tuberculoso y tuberculosis)

Tiene Libre de
enfermedad Enfermedad
Tiene Si Si
exposición
No tiene No Si
exposición
 Causa suficiente
(Infección por rabia y muerte)

Tiene Libre de
enfermedad enfermedad
Tiene Si No
exposición
No tiene Si Si
exposición
 Necesaria y suficiente
(v.gr. VIH y SIDA)
Tiene Libre de
enfermedad enfermedad

Tiene Todo Ninguno

exposición
No tiene Ninguno Todo
exposición
 Los postulados de Koch fueron un
ejemplo de causalidad determinística.
Para probar que un organismo causa una
enfermedad, se requiere que:
1. El organismo deberá ser aislados en cada caso
de la enfermedad (ser necesario).
2. El organismo deberá crecer en un cultivo puro
3. El organismo deberá siempre causar la
enfermedad cuando es inoculado en un animal
experimental (ser suficiente)
4. El organismo deberá ser recuperado del
animal experimental e identificado.
 Causalidad probabilística
En epidemiología, muchas causas
tienen débiles relaciones con los
efectos. Por ejemplo, elevación de
colesterol puede dar lugar a
enfermedad cardiáca, pero no es
suficiente, y enfermedad cardiáca no
requiere elevación de colesterol (no
necesario).
Las medidas de asociación - odds ratio,
razón de riesgos o coeficiente de
correlación- y de impacto en salud pública
- riesgo atribuible a la población- están
relacionadas a la fuerza de la relación
causal. Entre más alto la odds ratio, más
cercana la causa a ser necesaria y
suficiente. Un riesgo atribuible a la
población del 100% significa que la causa
es necesaria - todos los casos podrían ser
prevenidos si la causa fuera removida.
Una definción pragmática de una causa
(o de un determinante) de una
enfermedad es una exposición que
produce cambios regulares y predecibles
en el riesgo de la enfermedad.

Así el incremento de cáncer de pulmón

en mujeres y su magnitud, fueron
predichas basados en la información de
sus hábitos de tabaquismo.
El énfasis sobre causaa que son
necesarias y suficiente, es llamado
causalidad probabilística.

El énfasis sobre múltiples causas en

causalidad probabilística, da lugar a
expresiones como el camino causal o
la cadena causal.
Asociación contra causalidad
Para decidir si exposición A causa
enfermedad B, debemos primero
encontrar si las dos variables están
asociadas, v.gr. Si una es encontrada
más comúnmente en la presencia de
la otra.
Casi todos las estadísticas son un intento
por descubrir si dos variables están
asociadas, y si lo están, cuan fuerte es la
asociación, y si el azar puede explicar la
asociación observada. Estadísticas son
primariamente planeadas para evaluar
el papel del azar en esa asociación. Un
valor de p sólo nos dice cuan improbable
es que la asociación haya surgido por
azar.
Por lo tanto, análisis esradístico por sí
solo, no indica una relación causal.
Haciendo inferencias causales

El uso de criterios causales en

hacer inferencias causales.
El proceso de sopesar evidencia al
nivel de los individuos es el juicio
clínico (v.gr. ¿Debería este
paciente con una infección del
tracto urinario ser tratado con
ampicilina o sulfisoxazol?)
El proceso de sopesar evidencia
al nivel de la población es el
juicio epidemiológico (v.gr.
¿debería hombres de edad media
tomar aspirinas diariamente
para prevenri ataques
cardiácos?)
Cuando observamos datos de estudios
epidemiológicos, a menudo usamos los
criterios de causalidad en sopesar la
evidencia. Los más usados son los
siguientes, derivados inicialmente del
trabajo del estadístico Británico Austin
Bradford Hill, y más tarde, adicional
desarrollo por la Oficina del Cirujano
General, USA, en su reporte de 1964
sobre tabaquismo y cáncer.
Criterios de causalidad son
usualmente aplicados a un grupo
de artículos sobre un tema,
aunque en forma modificada,
pueden ser aplicados a un
artículo individual.
Criterios de causalidad
Cinco criterios usados para
evaluar causalidad en la relación
exposición-enfermedad han sido
usados por los epidemiólogos por
muchos años. El artículo de
Susser desarrolla esos temas con
mayor detalle.
 1. Fuerza
dosis respuesta

2. Secuencia temporal

3. Especificidad*

4. Coherencia*

5. Consistencia*

* Elaborado sobre los criterios Susser

 Fuerza
¿Es la asociación fuerte? Tabaquismo
excesivo está asociado con veinte veces
más elevada tasa de cáncer de pulmón y
una tasa doble de enfermedad
coronaria. La asociación de tabaquismo
con cáncer de pulmón es, por lo tanto,
más fuerte que su asociación con
enfermedad cardiáca. Entre mayor la
asociación, más probabilidad de que
verdaderamente sea causal.
 Fuerza
Una razón para la importancia es
que cualquier variable confusora
deberá tener una gran asociación
con el resultado para ser un
confusor. Entre mayor el riesgo
relativo observado, menos probable
es que el confusor con aún más
grande riesgo relativo esté afectando
el antecedente.
Ejemplo:

La fuerza de la asociación fue

la evidencia clave para la
asociación entre suplementos de
ácido fólico y defectos del tubo
neural, a pesar de que el tipo de
estudio, no fue el ideal.