1. Objetivos:

2. Términos claves:

Inferencia causal, error aleatorio, confusión, sesgo, modificación del efecto

3. Desarrollo del módulo

3.1. Causalidad

Uno de los principales objetivos de la investigación epidemiológica es establecer las causas del fenómeno de interés. Una “causa” de enfermedad desde el punto de vista epidemiológico es un evento, condición, característica o una combinación de estos factores que juegan un papel importante en el desarrollo de la enfermedad. La epidemiología ocupacional, se orienta a la identificación de las causas de las enfermedades y lesiones resultantes de las exposiciones ocurridas en el sitio de trabajo.

Son varios los modelos de causalidad propuestos, mencionaremos al “El Modelo de Rothman”, como ejemplo y desarrollaremos a continuación. Este modelo define como “causa suficiente” a un grupo de condiciones y acontecimientos mínimos que, inevitablemente inician o producen la enfermedad. El modelo es determinista, porque supone que la enfermedad puede tener una o más causas suficientes (CS), cada una de las cuales determina la enfermedad, es decir diferentes conjuntos de causas pueden interactuar y producir el mismo evento.

Dicho de otro modo, una causa es suficiente cuando la enfermedad es observada en los individuos que presentan la causa, no obstante, la causa no se observa en todos los individuos con la enfermedad porque existen otras causas para ella. Por ejemplo, el hábito de fumar cigarrillos es una causa del cáncer de pulmón, pero éste también es causado por la exposición a las fibras de asbesto o al gas radón.

Cada CS está compuesta por un grupo de causas componentes (CC). La presencia de una CC aumenta la probabilidad de que la enfermedad se produzca, es decir la presencia de CC equivale a la presencia de los factores de riesgo. Para este modelo una causa se denomina “necesaria” (CN) cuando ésta siempre debe anteceder una enfermedad. Una causa es necesaria cuando debe estar presente en los individuos para contraer la enfermedad, sin embargo, su presencia no siempre conduce al desarrollo de enfermedad. Por ejemplo el bacilo de la tuberculosis (Mycobacterium bacillus) debe estar presente para causar la tuberculosis, pero, la aparición de la tuberculosis no siempre se observa en los individuos portadores del bacilo.

Figura 1. La figura muestra una enfermedad que tiene 3 complejas causas suficientes, cada una de 5 causas componentes. “A” es una causa necesaria ya que esta aparece como miembro de cada causa suficiente. “B”, “C” y, “F” no son causas necesarias ya que ellas no aparecen en todas las 3 causas suficientes.

Otro ejemplo de CS y CN corresponde al cáncer de pulmón, éste puede ser atribuido a diferentes causas suficientes (humo de tabaco, metales pesados, asbesto, etc.), todas son suficientes para producir el evento, pero no todas son necesarias. Cualquier causa podría comportarse como necesaria, suficiente, ninguna de las dos o ambas.

Hay que considerar que cada enfermedad posee muchas causas (CS, CC y CN) las cuales interactúan entre ellas, por lo que resultaría imposible predecir que ocurrirá en cada caso en particular. Además de lo difícil que resultaría determinar todas las causas, aunque éstas se conocieran, sería difícil determinar cuales actuarían en cada caso.

De acuerdo a este modelo, un factor es una causa de la enfermedad si la alteración de éste resulta en una variación de la frecuencia del evento. Por este motivo, el modelo resulta útil desde el punto de vista de la prevención, ya que no es necesario conocer todas las causas componentes para prevenir la enfermedad. Efectivamente, al identificar y eliminar sólo uno de los factores de la causa suficiente, se previenen los casos de la enfermedad que esta causa suficiente origina.

Al estudiar la causalidad uno debe considerar que los factores de riesgo juegan diferentes roles en el desarrollo de la enfermedad. Por esto los factores causales han sido diferenciados en los siguientes grupos, los cuales, no son mutuamente excluyentes:

1. Factores predisponentes – factores que crean un estado de sensibilidad hacia un agente patógeno. La edad, el grado educacional, ocurrencia previa de la enfermedad y el ambiente laboral son ejemplos de factores que podrían hacer a los individuos más susceptibles a un agente patógeno.

2. Factores facilitadores – factores que facilitan la manifestación de la enfermedad o por el contrario facilitan la recuperación de una enfermedad. Los ingresos, el acceso a la atención médica y la nutrición son ejemplos de factores cuya ausencia podrían facilitar la manifestación de las enfermedades y que apoyan la recuperación en su presencia.

3. Factores desencadenantes – factores que están asociados con la aparición definitiva de la enfermedad. A menudo un factor es más importante u obviamente más reconocible que otro cuando hay varios factores involucrados. Algunos ejemplos son la exposición a un medicamento, agentes intoxicantes o traumatismos físicos.

4. Factores potenciadores – factores repetitivos, recurrentes, persistentes que tienden a perpetuar o agravar la presencia de una enfermedad. Por ejemplo la exposición repetida al mismo agente tóxico (en la ausencia de una reacción aguda) y el trabajo.

La realización de una investigación epidemiológica consiste en calcular el riesgo de la ocurrencia de una enfermedad con relación a uno o más factores de riesgo o exposiciones mediante los métodos estadísticos. En realidad, la estimación de riesgo representa la magnitud de la asociación entre el factor de riesgo y la enfermedad en estudio.

La inferencia causal es el proceso de determinar si la estimación de riesgos denota causalidad. Es decir, si el factor de riesgo o la exposición bajo investigación es en realidad una causa de la enfermedad. Antes de establecer causalidad, otras explicaciones potenciales para las asociaciones tendrían que ser excluidas como el sesgo y la confusión.

3.2. Validez y precisión en los estudios epidemiológicos

Es importante que el cálculo del riesgo de un estudio represente el efecto verdadero, que será el caso cuando un estudio es válido. Se distinguen dos tipos de validez de estudio: la interna y la externa. La validez interna se refiere a que los resultados del estudio sean atribuidos sólo al efecto bajo investigación. Esto es posible cuando todas las fuentes de error han sido reducidas al mínimo en las etapas de diseño, implementación y análisis del estudio. La validez externa se refiere a que los resultados del estudio sean generalizables, esto es, cuando un estudio produce inferencias imparciales con respecto a una población objetivo. Por ejemplo, los resultados de un estudio realizado en hombres podrían no ser generalizables en mujeres, quienes también forman parte de la misma población objetivo desde dónde los hombres vinieron.

Los errores en los estudios epidemiológicos conducen a un cálculo sesgado del estimador de riesgo y a inferencias incorrectas acerca de la relación entre el factor de riesgo y la enfermedad bajo investigación. Un estudio es válido cuando sus resultados corresponden a la verdad. Al reducir al mínimo los errores, en las etapas de planificación y de ejecución del estudio, el investigador tiene mas fuerza para llegar a la conclusión de que los resultados representan el valor verdadero. Sólo los estudios con resultados válidos son útiles para el proceso de inferencia causal.

3.2.1. Tipos de error

Los errores pueden clasificarse como: aleatorio o sistemático.

1. El error aleatorio es parte de la variación, en una medición, que generalmente es considerada como debida solo al azar. Existen varias fuentes de error aleatorio. Una fuente principal de este tipo de error es el proceso de establecer la muestra de estudio. Esta forma de error aleatorio también se conoce como error de muestreo. La principal forma de reducir el error aleatorio es agrandar el tamaño muestral en estudio. Esto aumentará la precisión del cálculo de riesgo y por consiguiente, del estudio.

2. El error sistemático es el resultado de los defectos en el método de selección de los participantes en estudio o en los procedimientos de recolección de información pertinente a la exposición o enfermedad. En consecuencia, los resultados observados del estudio tenderán a ser diferentes de los resultados verdaderos. Esta tendencia hacia los resultados erróneos es llamada sesgo. Minimizar el sesgo aumentará la validez del cálculo de riesgo.

La Figura 2 muestra los efectos de los errores aleatorios y sistemáticos sobre los cálculos de riesgo. El error aleatorio conduce a la imprecisión en el cálculo de riesgo. Puede observarse que los cálculos de riesgo a menudo rodean la verdad (punto central) pero se propagan aleatoriamente alrededor de ello. En contraste, el error sistemático no afecta la precisión del cálculo de riesgo. Sin embargo, esto conduce a la generación de cálculos de riesgo que sistemáticamente son diferentes de la verdad.

Figura 2. Validez y Precisión

Antes de que el resultado de un estudio se evalúe para establecer la posibilidad de que la relación arrojada sea causal, es importante determinar la validez y la precisión del estudio. Las posibilidades de explicaciones alternativas para los cálculos de efectos como el azar, el sesgo y la confusión deberán ser excluidos (Figura 3).

Figura 3. Evaluación de la Relación entre una Causa Posible y la Enfermedad

Fuente: Epidemiología Básica, OPS.

3.2.2. Sesgos

Como se menciono anteriormente, el sesgo es una desviación sistemática de los resultados o las inferencias del valor verdadero. El sesgo en los estudios epidemiológicos puede clasificarse en dos tipos principales: el sesgo de selección y de información.

El sesgo de selección ocurre cuando hay diferencias entre los que participan en el estudio y aquellos que no participan, y esas diferencias tienen un efecto sobre el cálculo de riesgo, desviándolo de su valor verdadero. Estas diferencias introducen un sesgo en el cálculo de riesgo cuando sus características se relacionan sistemáticamente con la exposición o enfermedad bajo estudio.

Al planificar un estudio epidemiológico, el investigador debe identificar si existe el potencial para la ocurrencia de algún tipo de sesgo y encontrar las maneras de reducirlo. Existen muchas maneras en que se puede introducir un sesgo de selección al estudio. Algunos ejemplos son: 1) La percepción o el conocimiento del tema del estudio influye en el deseo de participar de los sujetos (Ej.: el uso de las drogas o el alcohol); 2) Un deficiente marco de muestreo que excluye sistemáticamente a un grupo de sujetos con características similares (Ej.: realizar entrevistas por teléfono en un distrito donde aquellos pertenecientes a los estratos socioeconómicos bajos no tienen teléfonos); 3) Los voluntarios (Ej.: usualmente los voluntarios tienen una motivación especial para participar en un estudios como una mayor percepción de riesgo o un alto nivel educacional).

Un caso especial de sesgo de selección en los estudios ocupacionales es el efecto del trabajador saludable. Los trabajadores generalmente presentan tasas de mortalidad general inferiores que la población en general, esto porque el enfermo grave y los discapacitados crónicos son generalmente excluidos del empleo. Los trabajadores son más saludables que la población en general, por tanto, las tasas de mortalidad de la población general no son comparables con las tasas de la población laboral.

El sesgo de información es una falla en la medición de los factores de riesgo o los datos de enfermedad que da lugar a una calidad diferente de la información entre los grupos de comparación. Esto conduce a una medida de la variable de estudio que es diferente de su valor verdadero y puede producir una clasificación errónea de los sujetos de estudio con respecto a la exposición, la enfermedad o ambos. La presencia del sesgo de información tiene un efecto en el cálculo de riesgo desviándolo de su valor verdadero.

Existen muchas maneras en que se puede incluir un sesgo de información al estudio. Algunos ejemplos incluyen: 1) Cuando hay una medida incorrecta de la variable de estudio (Ej.: El esfigmomanómetro no esta calibrado); 2) El entrevistador subconscientemente o conscientemente busca y recolecta datos selectivamente (Ej.: sesgo del entrevistador); 3) Los sujetos de estudio tienen una memoria inexacta o incompleta de los eventos o experiencias pasadas relacionadas con la pregunta de estudio (Ej.: sesgo del memoria).

3.2.3. Confusión

La confusión es otra fuente de error en los estudios epidemiológicos. Ocurre cuando hay un tercera variable que puede causar la enfermedad en estudio y que a su vez está asociada con el factor de riesgo bajo investigación. A menos que sea posible ajustar el efecto de confusión de esta tercera variable, sus efectos no pueden distinguirse de los del factor de riesgo en estudio.

La figura 4 intenta explicar esta relación. El asbesto es un factor de riesgo conocido del cáncer de pulmón. También el hábito de fumar cigarrillos es un factor de riesgo del cáncer de pulmón. Tanto el hábito de fumar como la exposición al asbesto son factores de riesgo del cáncer de pulmón, la confusión ocurrirá si la distribución del fumar en los sujetos de estudio varia concurrentemente con la distribución de la exposición al asbesto. Por ejemplo si los que fumaron son también aquellos que están más expuestos al asbesto. Para calcular apropiadamente la magnitud de la asociación entre el asbesto y el cáncer de pulmón es importante reducir el efecto de confusión introducido por el hábito de fumar. A menudo, más de una variable puede introducir confusión.

La confusión tiene el mismo efecto sobre los cálculos de riesgo que el sesgo. Produciendo una desviación de los cálculos de riesgo del verdadero valor, aunque no es un sesgo.

Figura 4. Efecto de confusión del fumar cigarrillos en la relación entre la exposición a asbestos y el cáncer de pulmón

3.2.4. Modificación de efecto

Después de excluir el factor de confusión como una explicación de la asociación de estudio es importante evaluar una potencial modificación del efecto. Un modificador de efecto es un factor que modifica el efecto del factor de riesgo en estudio. Ocurre cuando el cálculo de riesgo en presencia de dos factores de riesgo es diferente del cálculo de riesgo esperado como resultado de los efectos individuales de estos factores. El efecto puede ser mayor (sinergismo) o menor (antagonismo) que la suma de los efectos individuales.

La modificación de efecto es detectada al generar cálculos de riesgo para el factor de riesgo en estudio a través de los niveles de un tercer factor (Tabla 1). La tasa de cáncer de pulmón en los no fumadores que están expuestos al asbesto es mayor que en la tasa del grupo no expuesto, sin embargo, el efecto de la exposición a asbesto en el cáncer de pulmón es mucho mayor cuando la persona es fumadora.

Tabla 1. Tasa de mortalidad estandarizada del cáncer de pulmón (por 100000 habitantes) en relación a los fumadores y la exposición al polvo de asbesto

Finalmente, los datos derivados de la investigación epidemiológica se usan para la toma de decisiones. Por ejemplo, los organismos reguladores dependen de los datos epidemiológicos cuando proponen los límites de exposición laboral. De ahí la importancia de realizar estudios epidemiológicos que estén libres de sesgos y de comprender el impacto de los retos que conlleva el proceso de inferencia causal.

3.3. Criterios de causalidad

Una vez que la validez del estudio ha resultado ser adecuada, el próximo paso es comparar sus resultados con los de otros estudios epidemiológicos realizados con el mismo propósito.

A menudo la determinación de la causalidad ha sido establecida mediante la construcción de un juicio subjetivo. Un enfoque sistemático fue desarrollado por el médico estadista británico Austin Bradford Hill, para ayudar a establecer un proceso de inferencia causal más objetivo. Esta guía se conoce como los Criterios de Causalidad de Hill. Una versión adaptada se muestra en la tabla 2.

Tabla 2. Criterios de Causalidad de Hill (adaptado)

En muchas situaciones una relación causa-efecto es difícil de establecer. Además, un estudio es generalmente insuficiente para establecer causalidad. La determinación de la causalidad se deriva cuando existe un gran cuerpo de evidencia sobre la asociación de estudio. A partir de la base de evidencia, esta guía se utiliza para organizar la información e impulsar los procesos inferenciales.

Antes de realizar un estudio se espera que el investigador realice una revisión de la bibliografía existente sobre la asociación de interés. El análisis de los estudios existentes recolectados por el investigador debe realizarse siguiendo esta guía.

Es también útil obtener la evidencia de otros campos de estudio en apoyo a la asociación bajo estudio. La evidencia de otros campos de investigación puede suministrar información que los estudios epidemiológicos no pueden generar debido a su naturaleza observacional.

4. Referencias Bibliográficas

• Armstrong BK, White E, Saracci R. Principles of exposure measurement in epidemiology. Oxford Medical Publications. New York. 1992
• Beaglehole R, Bonita R, Kjellstrom T. Basic epidemiology. World Health Organization. Geneva. 1993
• Gordis L. Epidemiology. WB Saunders Company. Philadelphia. 1996
• Last JM. A dictionary of epidemiology. Oxford University Press. New York. 2001
• Rothman KJ. Modern epidemiology. Little, Brown and Company. Boston/Toronto, 1986.
• Szklo M, Nieto FJ. Epidemiology, beyond the basics. Aspen Publishers, Inc. Maryland, 2000.