INFERENCIA CAUSAL En medicina en la segunda mitad del siglo XIX, la desmedida bsqueda de agentes infecciosos con la pretensin de ser

la causa de enfermedades llev a Koch y Henle a proponer criterios que delimitasen cules agentes desempeaban realmente un papel etiolgico. Este episodio lo podemos transferir de los cazadores de microbios a los actuales cazadores de factores de riesgo o de genes. No es en s la bsqueda de nuevas causas de enfermedades lo intil sino el hacerlo fuera de un contexto metodolgico y sustantivo que le d sentido real, prctico. Y a esto ayudan los denominados criterios de causalidad, muchas veces, pero no siempre, consustanciales e implcitos en la buena investigacin cientfica. Con el predominio de las enfermedades crnicas en el siglo XX, los criterios de Koch y Henle dieron lugar a un desarrollo y crtica que comentamos posteriormente. As pues, establecer las causas de los fenmenos de inters es uno de los principales objetivos, y problemas, de la actividad cientfica. Este trabajo tiene dos objetivos concretos y prcticos. El primero es responder a la pregunta: qu es una causa? Para ello revisamos los modelos o representaciones formales de la causalidad de mayor inters en epidemiologa y salud pblica. El segundo objetivo es responder a: cmo reconocemos en la prctica que una variable o fenmeno concreto es la causa de otro? Para identificar una causa se dispone de reglas metodolgicas llamadas criterios de causalidad. Ninguno de ellos es suficiente para demostrar la causalidad, pero cuanto ms y mejor se cumplan ms verosmil ser que la relacin entre dos variables sea causal. El propsito ms importante de la epidemiologa es adquirir conocimiento de las causas de las enfermedades que no son prevenibles actualmente. Para ello hay que desarrollar hiptesis que expliquen la distribucin de los patrones de enfermedad, y contrastar dichas hiptesis a travs de estudios especficamente diseados. De ese modo podremos clasificar a las personas enfermas en grupos que parezcan tener factores etiolgicos en comn. El objetivo del anlisis estadstico estndar, tpicamente probabilidad y otras tcnicas de estimacin, es inferir parmetros de una distribucin, a partir de muestras obtenidas de esa distribucin. Con la ayuda de tales parmetros, uno puede: 1. Inferir asociacin entre variables, 2. Estimar la probabilidad de eventos pasados y futuros, 3. As como actualizar la probabilidad de eventos a la luz de nueva evidencia o nuevas mediciones. Estas tareas pueden llevarse a cabo adecuadamente por el anlisis estadstico estndar, si las condiciones experimentales se mantienen. El anlisis o inferencia causal va un paso adelante: Su objetivo es inferir aspectos del proceso de generacin de datos. Con la ayuda de tales aspectos, uno puede deducir no solamente la probabilidad de eventos bajo condiciones estticas, sino tambin la dinmica de eventos bajo condiciones cambiantes.

CRITERIOS PARA LA INFERENCIA CAUSAL EN EPIDEMIOLOGA Los criterios para la inferencia causal se tornaron un tema de importancia y de controversia con el establecimiento de la Primer Comisin de Asesoramiento al Cirujano General de EEUU sobre las consecuencias para la Salud del Hbito de fumar. En su informe de 1964, la Comisin present una lista de criterios epidemiolgicos de causalidad que Sir Austin Bradford Hill ms tarde elabor en su clsico Discurso Presidencial en la recin formada Seccin de Medicina Ocupacional de la Sociedad Real (Hill AB. The environment and disease: association or causation? Proc Royal Soc Medicine 1965;58:295-300. Los criterios de Hill son ampliamente reconocidos como base para inferir causalidad. Las preguntas bsicas subyacentes son: 1. Ser la asociacin real o ser un artefacto? 2. Ser la asociacin secundaria a una verdadera causa? LOS CRITERIOS DE BRADFORD HILL 1. Fuerza de la asociacin Cuanto ms fuerte la asociacin menor la posibilidad de que est simplemente reflejando la influencia de algn otro factor etiolgico. Este criterio incluye la consideracin de la precisin estadstica (influencia mnima del azar) y el rigor metodolgico de los estudios existentes con respecto al sesgo (de seleccin, de informacin y confusin.) 2. Consistencia replicacin de los hallazgos por distintos investigadores, en diferentes momentos, en diferentes lugares, con diferentes mtodos y la capacidad de explicar en forma convincente los distintos resultados. 3. Especificidad de la asociacin Existe una relacin inherente entre la especificidad y la fuerza en el sentido que cuanto ms precisamente estn definidas la enfermedad y la exposicin, ms fuerte debera ser la relacin observada. Pero el hecho de que un agente contribuye a mltiples enfermedades no es evidencia en contra de su participacin en ninguna enfermedad en particular. 4. Temporalidad la capacidad de establecer que la causa putativa de hecho precedi en el tiempo el efecto esperado. 5. Gradiente biolgico cambio incremental en las tasas de enfermedad junto a los cambios correspondientes en la exposicin. La verificacin de una relacin dosis respuesta consistente con el modelo conceptual hipottico. 6. Plausibilidad estamos mucho ms dispuestos a aceptar una relacin que es consistente con nuestros conocimientos generales y creencias. Obviamente esta tendencia tiene escollos, pero a menudo nos sirve nuestro sentido comn. 7. Coherencia qu tan bien coinciden todas las observaciones con el modelo hipottico para formar una imagen coherente?

8. Experimento la demostracin de que bajo condiciones controladas los cambios en la exposicin producen cambios en el dao es de gran valor, algunos diran que indispensable, para inferir causalidad. 9. Analoga estamos ms dispuestos a aceptar argumentos que se asemejen a otros que ya aceptamos.