El problema de la “causalidad”: datos para prevenir y tratar la enfermedad
Los estudios de causalidad suscitan un gran interés en la comunidad científica y el gran público. Estos estudios son la forma de identificar el origen o motivo de las enfermedades y cuantificar sus efectos. ¿Cómo podemos saber con certeza que un tratamiento es efectivo? ¿Por qué sabemos que el tabaco es cancerígeno? Estas preguntas sólo pueden responderse con estudios clínicos cuidadosamente llevados a cabo por las dificultades que mostraremos en este artículo.
Correlación no es causalidad
Podríamos pensar, como primera aproximación, en recopilar datos de la población y explorarlos buscando dependencias entre variables. Si hacemos esto podríamos encontrar, por ejemplo, que la gente que consume más bebidas isotónicas tiene una menor probabilidad de sufrir un infarto. Es decir, el consumo de bebidas isotónicas está inversamente correlacionado con el riesgo de sufrir un infarto.
Sin embargo, los médicos no prescriben su consumo diario para disminuir este riesgo. ¿Cómo puede ser posible? La razón de esta relación es sencilla, existe una causa oculta que relaciona ambos hechos: la actividad física. La gente que realiza ejercicio repone energías con estas bebidas y debido a su actividad física habitual disminuyen su riesgo de infartos. Vemos, pues, que el hecho de que dos variables estén correlacionadas no indica que una necesariamente tenga que ser causa de la otra.
La simple correlación no nos sirve a identificar qué hábitos debemos cambiar, pero si nos ayuda a predecir con mayor éxito el riesgo que tiene una persona. Por ejemplo, podemos optimizar nuestras campañas de concienciación evitando dirigirnos a gente que compra bebidas isotónicas ya que su riesgo de infarto es bajo.
A veces correlación tampoco es correlación….
Lamentablemente, los riesgos de hacer análisis a la ligera no acaban ahí. Veamos con otro ejemplo los riesgos de tener sesgos en nuestros datos. En principio, el consumo de alcohol y la cantidad de ejercicio físico no están relacionados. Sin embargo, ambos influyen en el riesgo de sufrir un infarto.
En el gráfico observamos cómo en la población general (grafico de la izquierda) la actividad física no está correlacionada con el consumo de alcohol. Sin embargo, si trabajamos con personas que han sufrido un infarto (gráfico de la derecha) no vemos la población total. Al ser más propenso a sufrir un infarto si bebemos más y realizamos poco ejercicio, si nos restringimos a estos datos observamos que las variables parecen estar relacionadas. No es que hacer más ejercicio te lleve a beber más alcohol, sino que de las personas que hacen ejercicio con regularidad sólo caen enfermas aquellas que beben mucho.
Cómo hacer estudios de causalidad
Los estudios de causalidad son complicados de realizar. Como hemos visto pueden existir variables ocultas que sean las causantes de la aparente relación causa efecto, sesgos en la muestra con la que se realiza el experimento, etc.
El principal aliado en los estudios clínicos es el azar. Si la decisión sobre qué pacientes toman el nuevo tratamiento y quienes el placebo es completamente aleatorio evitamos los sesgos que estropearían el estudio. Si hacemos que consuman o no consuman bebidas isotónicas a gente al azar, quitamos la dependencia con el ejercicio y veríamos que no influye en el riesgo de infarto.
Además, los pacientes del estudio deben ser una muestra representativa de la población objetivo. Sería arriesgado usar un tratamiento en personas de avanzada edad si sólo se ha probado en jóvenes.
Sin embargo, no siempre es factible ni ético realizar estos estudios. Imaginemos la siguiente situación que ilustra claramente el problema: ¿Cómo podemos saber que no es un gen el responsable de que seas más susceptible a la adicción al tabaco y a sufrir cáncer de pulmón? ¿Y si el consumo de tabaco no tuviera relación causal con el cáncer?
No podemos forzar a la gente a fumar si creemos que es perjudicial, por lo que ya no podemos tomar la decisión de hacer fumar o no de forma aleatoria. Una técnica viene a nuestro rescate: las variables instrumentales.
Si tenemos una variable correlacionada con el consumo del tabaco pero que no tiene que ver con la genética, podemos estudiar si está asociada con el riego de padecer cáncer de pulmón.
Un ejemplo de esto serían los impuestos sobre el tabaco. Los impuestos desincentivan el consumo, pero nada tienen que ver con la genética de la población. Si observamos que lugares con impuestos sobre el tabaco más altos tienen menor probabilidad de desarrollo de cáncer de pulmón esto sólo puede deberse al menor consumo de tabaco y no a la presencia de un gen.
Los estudios de causalidad son necesarios -y cada vez más imprescindibles- para evaluar la eficacia de tratamientos o políticas que deben aplicarse para mejorar nuestras vidas. Sin embargo, los experimentos necesarios son costosos y no siempre pueden hacerse. Es por esto por lo que el desarrollo de metodología con la que extraer modelos causales fiables de datos puramente observacionales atrae la atención de la comunidad investigadora. Y a ViveLibre, siempre al lado de los avances científicos y tecnológicos nos resulta absolutamente imprescindible para lograr nuevos pasos en la autonomía y el bienestar de las personas.
