Causalidad en Epidemiología

El estudio de la relación entre una exposición y un efecto como una enfermedad, muerte, complicación, curación, protección o resultado.

Entender la causa de una enfermedad permite desarrollar cambios para prevenirla o controlarla.

Modelos que representan la relación entre una causa y su efecto, como el de Koch-Henle, los postulados de Evans, el modelo de Rothman y los criterios de Bradford-Hill.

Propuesto para el estudio de enfermedades infecciosas, busca demostrar la relación causal entre un microorganismo y una enfermedad.

Un conjunto de criterios para evaluar la evidencia de causalidad en epidemiología, basados en la observación y el análisis de datos.

La proporción de individuos enfermos es mayor en los expuestos a la supuesta causa, en comparación con los no expuestos.

El riesgo de desarrollar la enfermedad aumenta con el aumento de la exposición a la supuesta causa.

La enfermedad debe aparecer después de la exposición a la supuesta causa.

La exposición a la supuesta causa debe ser más frecuente en personas con la enfermedad que en personas sanas.

Debe haber más casos nuevos de la enfermedad en personas expuestas a la causa que en personas no expuestas.

La enfermedad, después de la exposición a la supuesta causa, debe mostrar una distribución de los períodos de incubación en forma de curva de campana.

Las respuestas del cuerpo a la supuesta causa varían desde leves hasta graves, siguiendo un patrón lógico

Prevenir o modificar la respuesta del cuerpo a la causa debería reducir o eliminar la enfermedad.

Reproducir experimentalmente la enfermedad en animales o personas expuestas a la causa debe ser más común que en personas no expuestas.

Un evento, condición o característica que es esencial para producir un efecto.

Una causa que contribuye a formar un conjunto que crea un efecto.

Si el factor está presente, el efecto (enfermedad) siempre ocurre.

Si el factor (causa) está ausente, el efecto (enfermedad) no puede ocurrir.

Se refiere a que la explicación de la causa de una enfermedad debe ser consistente con lo que se sabe sobre la enfermedad en sí (biología, historia natural), cómo se distribuye en la población (lugar, personas y tiempo) y los resultados de experimentos en laboratorio.

La especificidad de una enfermedad y su exposición están relacionadas con la fuerza de la relación entre ellas. Cuando se definen de forma precisa, la relación observada es más fuerte.

El hecho de que una exposición cause varias enfermedades no significa que no pueda ser causal de una enfermedad específica.

Los estudios de intervención (ensayos clínicos) son los que más evidencia proporcionan sobre la causalidad, especialmente cuando la exposición se asigna aleatoriamente.

La similitud con situaciones pasadas puede ser un elemento útil para evaluar la causalidad.

La fuerza de la asociación se refiere a la probabilidad de que la relación observada entre la exposición y el efecto sea real y no un simple producto del azar o sesgo en el estudio.

Para establecer una relación causal, la exposición debe ocurrir antes de que se desarrolle la enfermedad. Sin embargo, la secuencia temporal puede ser difícil de determinar, especialmente en enfermedades de larga latencia o con síntomas tempranos inespecíficos.

Este criterio busca confirmar si la relación observada entre la exposición y el efecto sigue un patrón de dosis-respuesta. Es decir, a mayor exposición, mayor riesgo de enfermedad. Esto fortalece la evidencia de una relación causal.

Si la asociación se ha observado de forma repetida por diferentes investigadores en distintos grupos de población, lugares y momentos, aumenta la confianza en la relación causal. La consistencia ayuda a descartar errores o artefactos en la observación.

Este criterio evalúa si la asociación observada es plausible desde el punto de vista biológico. ¿Tiene sentido desde el punto de vista de los conocimientos actuales sobre la biología y la fisiología? La plausibilidad ayuda a descartar explicaciones improbables.

La especificidad de la asociación se refiere a si la exposición está asociada a un efecto específico o a varios efectos. Si la exposición está asociada principalmente a un solo efecto, esto fortalece la evidencia de una relación causal.

Las explicaciones alternativas se refieren a otras posibles causas que podrían explicar la asociación observada. Es importante considerar estas explicaciones para descartar que la relación no se debe a la exposición estudiada.

La coherencia con otros conocimientos se refiere a la compatibilidad de la asociación observada con el conocimiento científico existente. Si la asociación es coherente con otros conocimientos, aumenta la confianza en la relación causal.

La probabilidad de encontrar una diferencia significativa cuando en realidad no la hay. Se conoce como un "falso positivo".

La probabilidad de no encontrar una diferencia significativa cuando en realidad sí la hay. Se conoce como un "falso negativo".

Un error que ocurre cuando se rechaza la hipótesis nula cuando en realidad es verdadera.

Un error que ocurre cuando se acepta la hipótesis nula cuando en realidad es falsa.

Para reducir el riesgo de cometer un error de tipo I, se pueden tomar medidas como:

Utilizar una teoría que guíe la investigación, evitando el "salir de pesca" con el ordenador.

Disminuir el número de pruebas (test) estadísticas que se realizan.

Depurar los datos del estudio para eliminar errores de valores extremos (outliers).

Una hipótesis que afirma que no hay asociación entre dos variables estudiadas.

Una hipótesis que afirma que hay alguna asociación entre dos variables estudiadas.

La probabilidad de aceptar que la hipótesis alternativa es cierta cuando en realidad la hipótesis nula es la correcta.

Es el resultado de una prueba estadística que indica si los resultados observados en un estudio son suficientemente fuertes para rechazar la hipótesis nula.

Cuando el p valor es mayor que 0,05.

Cuando el p valor es menor o igual a 0,05.

La diferencia entre los valores de dos variables. Cuanto más grande sea esta diferencia, más fácil es demostrar que es estadísticamente significativa.

Es la variabilidad de los datos o la dispersión de los valores alrededor de su media. Cuanto mayor sea la variabilidad, menos fácil es demostrar que la diferencia es significativa.