Métodos actuales para asegurar la validez de los estudios de causalidad en Medicina
Palabras clave:
Investigación biomédica y estadística, investigación biomédica y datos numéricos, diseños de investigación, estudios de casos y controles, análisis de regresión, interpretación estadística de datos, reproducibilidad de los resultados, validez, confusión,Resumen
Fundamento: Los estudios de causalidad deben aportar resultados certeros, lo cual depende de la adecuación de los mismos, de ahí la necesidad de conocer los métodos que aseguren la validez de estas investigaciones.
Objetivo: Sistematizar los métodos actuales para el estudio de causalidad en Medicina que incluye el diseño, los requerimientos que aseguran su validez y los métodos para el cumplimiento de estos requerimientos.
Desarrollo: Se realizó una revisión bibliográfica en bases de datos biomédicas, se seleccionó la literatura de mayor actualidad, integralidad y cientificidad con la cual se organizó una síntesis crítica, a la que se le agregó la experiencia de las autoras. Se presentan técnicas para la detección y tratamiento de la confusión y la interacción y para garantizar la comparabilidad entre grupos. Entre las técnicas se destacan la aleatorización mendeliana, el puntaje de susceptibilidad, los G-métodos, los modelos estructurales marginales y anidados, la lógica difusa y el análisis estadístico implicativo.
Conclusiones: A pesar del avance en los métodos estadísticos es el investigador el encargado de garantizar la no confusión residual y discernir entre lo estadísticamente significativo y lo clínicamente aceptable.Descargas
Citas
1. Medina Carrillo L. Como plantear un problema de investigación y seleccionar un diseño de estudio apropiado. Arch Med Famil [Internet]. 2007 [citado 10 ene 2018];9(3):127-33. Disponible en: https://www.medigraphic.com/pdfs/medfam/amf-2007/amf073a.pdf
2. Palencia Sánchez F. La búsqueda de las relaciones causales: el desafío del ejercicio diario de un epidemiólogo. Rev Méd Risaralda [Internet]. 2012[citado 10 ene 2018];18(2):165-71. Disponible en: http://revistas.utp.edu.co/index.php/revistamedica/article/viewFile/7913/4809
3. Lazcano Ponce E, Salazar Martínez E, Hernández Avila M. Estudios epidemiológicos de casos y controles. Fundamento teórico, variantes y aplicaciones. Salud Pública Méx [Internet]. 2000 [citado 10 ene 2018];43(2):135-50. Disponible en: http://www.scielo.org.mx/pdf/spm/v43n2/a09v43n2.pdf
4. Moreno Altamirano L. Epidemiología clínica [Internet]. México: McGraw-Hill Interamericana; 2013. [citado 10 ene 2018]. Disponible en: https://accessmedicina.mhmedical.com/book.aspx?bookid=1442
5. Murata C, Díaz-García L, Medina-Vera I, García-de la Puente S, González-Garay A. Diseño de cohorte. Acta Pediatr Mex [Internet]. 2018 [citado 10 ene 2018];39(6):368-75. Disponible en: http://ojs.actapediatrica.org.mx/index.php/APM/article/view/1735/1112
6. González-Garay A, Díaz-García L, Murata C, Anzo-Osorio A, García de la Puente S. Generalidades de los estudios de casos y controles. Acta Pediatr Mex [Internet]. 2018 [citado 15 ene 2018];39(1):72-80. Disponible en: https://www.medigraphic.com/pdfs/actpedmex/apm-2018/apm181h.pdf
7. Hernández B, Velasco-Mondragón HE. Encuestas transversales. Salud Pública Méx [Internet]. 2000 [citado 15 ene 2018];42(5):447-55. Disponible en: https://www.scielosp.org/pdf/spm/2000.v42n5/447-455
8. Coscia Requena C, Muriel García A, Pérez Pérez T. Métodos Estadísticos Para Evaluar La Causalidad en estudios observacionales Trabajo de Fin de Máster en Bioestadística [Internet]. Madrid: Facultad de Estudios Estadísticos-Universidad Complutense de Madrid; 2017. [citado 15 ene 2018]. Disponible en: https://eprints.ucm.es/43964/1/TFM_ClaudiaCosciaRequena.pdf
9. Silva LC. Estudios de casos y controles en psiquiatría: causalidad, diseño y advertencias. Actas Esp Psiquiat [Internet]. 2004 [citado 15 ene 2018];32(4):236-48. Disponible en: https://dialnet.unirioja.es/servlet/articulo?codigo=935150
10. Hernán MA. A definition of causal effect for epidemiological research. J Epidemiol Community Health [Internet]. 2004 [cited 2018 Jan 15];58(4):265-71. Available from: http://jech.bmj.com/cgi/pmidlookup?view=long&pmid=15026432
11. Silva LC. Manejo de la temporalidad en estudios observacionales para establecer relaciones causales. Medwave [Internet]. 2014 [citado 15 ene 2018];14(4):e5944. Disponible en: https://es.scribd.com/document/249258345/Medwave-Manejo-de-La-Temporalidad-en-Estudios-Obs-Para-Establecer-Relaciones-Causales
12. Molina Arias M, Ochoa Sangrador C. Estudios observacionales (III). Estudios de casos y controles. Evid Pediatr [Internet]. 2014 [citado 15 ene 2018;10(2):1-6. http://www.evidenciasenpediatria.es/articulo/6508/enlace
13. Rodríguez-Villamizar LA. Inferencia causal en epidemiología. Rev Salud Pública [Internet]. 2017 [citado 20 ene 2018];19(3):409-15. Disponible en: www.scielo.org.co/pdf/rsap/v19n3/0124-0064-rsap-19-03-00409.pdf
14. Garcia-Huidobro D, Oakes JM. Squeezing observational data for better causal inference: Methods and examples for prevention research. Int J Psychol [Internet]. 2017 [cited 2018 Jan 15];52(2):96-105. Available from: https://www.ncbi.nlm.nih.gov/pmc/articles/PMC5549466/
15. Imbens G, Rubin D. Causal Inference for Statistics, Social, and Biomedical Sciences: An Introduction [Internet]. Cambridge: Cambridge University Press; 2015. [cited 2018 Jan 15]. Available from: https://www.cambridge.org/core/books/causal-inference-for-statistics-social-and-biomedical-sciences/71126BE90C58F1A431FE9B2DD07938AB
16. Samii C. Causal empiricism in quantitative research. J Politics [Internet]. 2016 [cited 2018 Jan 15];78(3):941-55. Available from: https://nyuscholars.nyu.edu/en/publications/causal-empiricism-in-quantitative-research
17. Gómez Vilchis RR. Atendiendo la causalidad inversa por medio del uso de una variable instrumental: el caso de la satisfacción democrática en América Latina, ¿causa o efecto? Sociológica [Internet]. 2017 [citado 15 ene 2018];32(91):145-75. Disponible en: http://www.scielo.org.mx/pdf/soc/v32n91/2007-8358-soc-32-91-00145.pdf
18. Martínez M, De Irala J. Análisis de supervivencia y análisis multivariado. En: López Jiménez F. Manual de medicina basada en la evidencia. México: JGH Editores;2001.p. 213-29.
19. Katz MH. Multivariable analysis: a practical guide for clinicians and public health researchers [Internet]. Cambridge: Cambridge University Press;2011. [cited 2018 Jan 18]. Available from: https://edisciplinas.usp.br/pluginfile.php/.../mod.../Katz_MultivariableAnalysis.pdf?
20. Molina Arias M, Ochoa Sangrador C. Errores en epidemiología. Errores sistemáticos. Factores de confusión y modificación del efecto. Evid Pediatr [Internet]. 2016 [citado 20 ene 2018];12(1):1-4. Disponible en: https://evidenciasenpediatria.es/files/41-12718-RUTA/Fundamentos_MBE_16.pdf
21. Ranstam J, Cook JA. Causal relationship and confounding in statistical models. Br J Surg [Internet]. 2016 [cited 2018 Jan 15];103(11):1445-6. Available from: https://onlinelibrary.wiley.com/doi/full/10.1002/bjs.10241
22. De Irala J, Martínez-González MA, Guillén Grima F. ¿Qué es una variable de confusión? Med Clin [Internet].2001 [citado: 15 ene 2018];117(10):377-85. Disponible en: http://halweb.uc3m.es/esp/Personal/personas/amalonso/esp/bstat-tema8vc.pdf
23. Aguayo Canela M. Confusión e interacción (1): Qué son, qué suponen y cómo manejarlas en el análisis estratificado [Internet]. En: DocuWeb-fabis. Dot. Núm. 0702007. Huelva: Fundación Andaluza Beturia para la Investigación en Salud;2007.p.1-8. [citado 20 ene 2018]. Disponible en: http://www.fabis.org/html/archivos/docuweb/Confu_Inter_1r.pdf
24. Bacallao Gallestey J. Enfoques modernos del sesgo y la causalidad en la investigación epidemiológica. Rev Cubana Salud Pública [Internet]. 2012 [citado 15 ene 2018];38(5):686-701. Disponible en: http://scielo.sld.cu/pdf/rcsp/v38s5/sup03512.pdf
25. Aguayo Canela M, Lora Monge E. Cómo hacer una regresión logística binaria “paso a paso” (II): análisis multivariante [Internet]. En: DocuWeb-fabis. DotNúm 0702013. Docuweb FABIS. Huelva: Fundación Andaluza Beturia para la Investigación en Salud;2007.p.1-35. [citado 20 ene 2018]; Disponible en: http://www.fabis.org/html/archivos/docuweb/regresion_logistica_2r.pdf
26. Silva Ayçaguer LC. Causalidad y predicción: diferencias y puntos de contacto. Medwave [Internet] 2014 [citado 20 ene 2018];14(8). Disponible en: https://www.researchgate.net/publication/266680515_Causality_and_prediction_differences_and_points_of_contact
27. Szklo M, Nieto J. Epidemiology: beyond the basics.USA: Burlington, Mass;2012.
28. Muñoz AM, Giraldo ND, Jaimes F. Ronda clínica y epidemiológica. Uso de variables instrumentales en investigación médica. Iatreia [Internet]. 2013 [citado 20 ene 2018];26(3):371-9. Disponible en: http://www.scielo.org.co/pdf/iat/v26n3/v26n3a13.pdf
29. Williamson EJ, Aitken Z, Lawrie J, Dharmage SC, Burgess JA, Forbes AB. Introduction to causal diagrams for confounder selection. Respirology [Internet]. 2014 [cited 2018 Jan 20];19(3):303-11. Available from: https://onlinelibrary.wiley.com/doi/epdf/10.1111/resp.12238
30. Textor J, van der Zander B, Gilthorpe MS, Liskiewicz M, Ellison GT. Robust causal inference using directed acyclic graphs: the R package 'dagitty'. Int J Epidemiol [Internet]. 2016 [2018 Dec 10];45(6):1887-94. Available from: https://academic.oup.com/ije/article/45/6/1887/2907796
31. Brewer L, Wright J, Rice G, Neas L, Teuschler L. Causal inference in cumulative risk assessment: The roles of directed acyclic graphs. Environ Int [Internet]. 2017 [cited 2018 Jan 10];102:30-41. Available from: https://www.sciencedirect.com/science/article/pii/S0160412016309783?via%3Dihub
32. Greenland S, Pearl J. Causal diagrams. USA: Wiley StatsRef: Statistics Reference Online, John Wiley & Sons, Ltd; 2017.
33. Hernán MA, Robins JM. Causal Inference. Part I Causal inference without models. Boca Raton: Chapman& Hall/CRC, forthcoming;2017.
34. Hallqvist J. Causal inference-some aspects. Sweden: Department of Public Health and Caring Sciences Uppsala University;1970. Available from: https://www.med.lu.se/.../Johan%20Hallqvist_Causal%20inference
35. Orellana JJ, Kaufman JS, Pino P. Interacción, sinergia y antagonismo en estudios prospectivos en epidemiología. Rev Perú Med Exp Salud Pública [Internet]. 2013 [citado 15 ene 2018];30(4):687-90. Disponible en: http://www.scielo.org.pe/pdf/rins/v30n4/a24v30n4.pdf
36. Calderón Saldaña JP, Alzamora de los Godos Urcia L. Regresión logística aplicada a la epidemiología. Revista Salud, Sexualidad y Sociedad [Internet]. 2009 [citada 15 ene 2018];1(4). Disponible en: https://docplayer.es/13490281-Regresion-logistica-aplicada-a-la-epidemiologia-logistic-applied-for-regression-epidemiology.html
37. Quentin Langdon RJ, Wade KH. Application of Mendelian randomization: can we establish causal risk factors for type 2 diabetes in low-to-middle income countries? Rev Cuid [Internet]. 2017 [citado 10 Ene 2018];8(1):1391-406. Disponible en: https://revistacuidarte.udes.edu.co/index.php/cuidarte/article/view/373/761
38. Iturrieta-Zuazo I, Stefan Walter S. Aleatorización mendeliana: presente y futuro de los estudios epidemiológicos en cardiología. Rev Esp Cardiol [Internet 2015 [citado 2018 ene 10];68(2):87-91. Disponible en: http://appswl.elsevier.es/watermark/ctl_servlet?_f=10&pident_articulo=90376679&pident_usuario=0&pcontactid=&pident_revista=25&ty=101&accion=L&origen=cardio&web=www.revespcardiol.org&lan=es&fichero=25v68n02a90376679pdf001.pdf&anuncioPdf=ERROR_publi_pdf
39. Laperle J, Hébert-Deschamps S, Raby J, de Lima Morais DA, Barrette M, Bujold D, et al. The epiGenomic Efficient Correlator (epiGeEC) tool allows fast comparison of user datasets with thousands of public epigenomic datasets. Bioinformatics [Internet]. 2019 [cited 2019 mar 15];35(4):674-6. Available from: https://www.ncbi.nlm.nih.gov/pmc/articles/PMC6378939/
40. Van der Laan MJ. Causal Inference for a Population of Causally Connected Units. J Causal Inference [Internet]. 2014 [cited 2018 Jan 15];2(1):13-74. Available from: https://www.ncbi.nlm.nih.gov/pmc/articles/PMC4500386/
41. D´Negri CE, De Vito EL. Introducción al razonamiento aproximado: lógica difusa. Revista Argentina de Medicina Respiratoria [Internet] 2006 [citado 20 ene 2018];(4):126-36. Disponible en: http://www.redalyc.org/pdf/3821/382138367007.pdf
42. Gras R. Genese et developpement de l’analyse statistique implicative: retrospective Historique. Educ Matem Pesq São Paulo [Internet]. 2014 [citado 2018 ene 10];16(3):645-61. Disponible en: https://revistas.pucsp.br/index.php/emp/article/viewFile/21541/pdf_1
43. Gras R, Régnier JC, Lahanier-Reuter D, Marinica C, Guillet F. L'Analyse Statistique Implicative. Des Sciences dures aux Sciences Humaines et Sociales. Tomks-Russia National Research Tomks State University; 2017.
44. Valls Pla X. Diseño de un paquete R para el Análisis Estadístico Implicativo. [Trabajo Final de Máster en Matemática Computacional Internet]. Valencia: Universidad Jaime I; 2014. [citado 20 ene 2018]. Disponible en: http://repositori.uji.es/xmlui/handle/10234/107441
45. Zamora Matamoros L, Díaz Silvera J R, Portuondo Mallet L. Fundamental Conceptson Classification and Statistical Implicative Analysis for Modal Variables. Rev Colomb Estad [Internet]. 2015 [citado 20 ene 2018];38(2):335-51. Disponible en: http://www.scielo.org.co/pdf/rce/v38n2/v38n2a02.pdf
46. García Mederos Y, Zamora Matamoros L, Sagaró del Campo N. Análisis estadístico implicativo en la identificación de factores de riesgo en pacientes con cáncer de pulmón. Medisan [Internet]. 2015 [citado 10 ene 2018];19(8):947. Disponible en: http://scielo.sld.cu/pdf/san/v19n8/san03198.pdf
47. Moraga Rodríguez A, Zamora Matamoros L, Sagaró del Campo NM, Moraga Rodríguez A, Rodríguez Griñán A. Análisis estadístico implicativo para la identificación de factores pronósticos de la mortalidad por cáncer de pulmón. Medisan [Internet]. 2016 [citado 10 ene 2018];20(3):344. Disponible en: http://scielo.sld.cu/pdf/san/v20n3/san10203.pdf
48. Moraga Rodríguez A, Zamora Matamoros L, Sagaró del Campo NM, Moraga Rodríguez A, Rodríguez Griñán A. Análisis estadístico implicativo para la identificación de factores pronósticos de la mortalidad por cáncer de mama. Medisan [Internet]. 2017 [citado 10 ene 2018];21(4):395. Disponible en:http://scielo.sld.cu/pdf/san/v21n4/san03214.pdf
49. Moraga Rodríguez A, Zamora Matamoros L, Sagaró del Campo NM, Moraga Rodríguez A, Rodríguez Griñán A. Análisis estadístico implicativo para la identificación de factores pronósticos de la mortalidad por cáncer de próstata. Medisan [Internet]. 2018 [citado 10 ene 2018];22(1):48. Disponible en:http://scielo.sld.cu/pdf/san/v22n1/san07221.pdf
50. Paez Candelaria Y, Sagaró del Campo NM, Zamora Matamoros L. Análisis estadístico implicativo en la determinación de factores pronósticos del estado nutricional del paciente grave al egreso. Medisan [Internet]. 2018 [citado 10 ene 2018];22(6):431. Disponible en: http://scielo.sld.cu/pdf/san/v22n6/san07226.pdf
Publicado
Cómo citar
Número
Sección
Licencia
La revista GME tiene Acceso Abierto (Open Access) a su contenido bajo las premisas de que el libre acceso mejora el sistema de comunicación científica, lo cual elimina cualquier barrera que impida el acceso a la información y de que el mismo autor es el máximo beneficiario de este movimiento, al proporcionarle ventajas tanto en su aspecto económico, científico, como en servicios de valor añadido.
Los autores conservarán sus derechos de autor y garantizarán a la revista el derecho de primera publicación de su obra; podrán establecer acuerdos adicionales para la distribución no exclusiva de la versión de la obra publicada en la revista, con el reconocimiento de haber sido publicado primero en esta revista.
Todo el contenido de esta revista se encuentra en Acceso Abierto, distribuido según los términos de la licencia Creative Commons Attribution-NonCommercial 4.0 International (CC BY-NC 4.0) que permite el uso, distribución y reproducción no comerciales y sin restricciones en cualquier medio, siempre que sea debidamente citada la fuente primaria de publicación.
Descargar aquí
