Bradford Hill propuso una serie de consideraciones, entre las cuales constan la fuerza, consistencia, especificidad, temporalidad, gradiente biológico, plausibilidad, coherencia, evidencia experimental y analogía con la finalidad de contribuir a una valoración más integral y crítica de la evidencia. Aquellos no son criterios estrictos, ni requisitos obligatorios, pero sí representan un marco conceptual útil para examinar la plausibilidad de un vínculo causal. La advertencia “asociación no es causalidad” señala la necesidad de examinar la posible influencia de elementos metodológicos y estadísticos que pueden distorsionar o incluso generar una relación aparente donde no existe una conexión causal real. A continuación, se describen cinco de los factores no causales más relevantes que pueden conducir a asociaciones.
1. El azar o error aleatorio, constituye una fuente frecuente de asociaciones no causales, especialmente en estudios con tamaños muestrales pequeños o con eventos poco frecuentes. El azar puede producir fluctuaciones en las estimaciones que aparentan un efecto inexistente o que exageran un efecto real. Por ello, la evaluación de intervalos de confianza, pruebas de significación, adecuados tamaños muestrales y la replicación de los hallazgos en poblaciones independientes resulta fundamental para diferenciar entre una asociación verdaderamente sistemática y una que se explica únicamente por variabilidad muestral.
2. La confusión, este fenómeno ocurre cuando una tercera variable está asociada tanto con la exposición como con el desenlace y distorsiona la estimación del efecto. Un factor confusor no debe formar parte del mecanismo causal entre exposición y desenlace, sino funcionar como un factor externo que influye en ambos. La confusión puede crear asociaciones donde no existe causalidad o modificar la magnitud de un efecto real; para enfrentarla, la disciplina ha desarrollado múltiples estrategias, desde el control en el diseño hasta el ajuste analítico mediante modelos multivariados, estratificación, puntuaciones de propensión o métodos basados en el enfoque contrafactual.
3. El sesgo de selección puede generar asociaciones artificiales cuando la forma en que se eligen o mantienen los participantes en un estudio depende simultáneamente de la exposición y del desenlace. Esto puede ocurrir en estudios caso-control hospitalarios, donde los controles no representan adecuadamente la población fuente o en cohortes con pérdidas a seguimiento que se relacionan con la exposición y el riesgo del desenlace. Para prevenir este tipo de distorsión, es necesario diseñar procesos de selección rigurosos, minimizar las pérdidas, utilizar muestras representativas y aplicar métodos analíticos como ponderaciones basadas en la probabilidad de selección.
4. Sesgo de información, que incluye errores sistemáticos en la medición de la exposición del desenlace o de covariables. La mala clasificación puede ser diferencial o no diferencial y en ambos casos afectar de manera importante la validez interna del estudio. Un ejemplo común es el sesgo de recuerdo que aparece en estudios caso-control cuando los individuos con la enfermedad tienden a reportar exposiciones pasadas con mayor detalle o preocupación; para minimizar este problema, se recomienda utilizar instrumentos de medición validados, estandarizar procedimientos, aplicar métodos de enmascaramiento y cuando es posible, validar mediciones mediante datos objetivos o registros clínicos.
5. La causalidad invertida o inversión temporal representa un desafío importante, especialmente en estudios transversales o aquellos en los que no se garantiza que la exposición preceda al desenlace. En estos casos, el desenlace puede influir en la exposición, generando la falsa impresión de una relación causal en sentido opuesto. La temporalidad, considerada por Bradford Hill como una de las condiciones esenciales para inferir causalidad, solo puede asegurarse mediante diseños longitudinales adecuados, seguimiento prospectivo, exclusión de casos prevalentes y análisis que contemplen la dirección del efecto.
Bibliografía:
Hill, A. B. (1965). The environment and disease: association or causation? Proceedings of the Royal Society of Medicine. Recuperado de PubMed Central.
-
Shimonovich, M., et al. (2020). Assessing causality in epidemiology: revisiting Bradford Hill. (revisión). PubMed Central.
-
Hernán, M. A., & Robins, J. M. (2020; edición en curso). Causal Inference: What If. (Libro / recursos en línea; edición actualizada disponible).
-
Rothman, K. J., Greenland, S., & Lash, T. L. (Actualizaciones). Modern Epidemiology. (Obra de referencia sobre sesgos y confusión).
-
Walker, A. R., et al. (2024). Estimating the impact of bias in causal epidemiological studies. Human Reproduction (ejemplo reciente sobre cuantificación del sesgo).