No siempre la asociación significa causalidad, el que algo se relacione, no significa de manera obligatoria que pueda ser el causante del efecto final de cierta investigación. La idea de que asociación no es causalidad nos dice que, aunque dos cosas aparezcan relacionadas en un estudio, eso no significa automáticamente que una cause la otra. El autor e investigador Bradford Hill en 1965, antes de llegar a la conclusión de que existe causalidad descarta otras explicaciones posibles. Es por eso que podemos analizar aquellos factores no causales que pueden llegar a generar tipos de asociaciones:
El Sesgo de selección es el tipo de sesgo que se da cuando la forma en que se eligen quienes participan en el estudio influyen o cambian la relación observada. Como por ejemplo, si las personas que aceptan participar son distintas de quienes no lo hacen, puede ser que existe una relación entre una exposición y una enfermedad, pero es solo un efecto de cómo se desarrolló el estudio o investigación. En Sesgo de información el problema surge cuando la exposición o el resultado se miden de manera incorrecta o errónea. Si se comete más errores en un grupo que en otro, los resultados pueden mostrar asociaciones que no existen o esconder las que realmente sí existen, afectando a los objetivos de las investigaciones Es decir, si la información no es eficiente, precisa o real, la relación puede distorsionarse y llevar a errores mayores. La Confusión que se da cuando un tercer factor adicional afecta tanto en la exposición como en el resultado final, obteniendo una falsa impresión de relación que en realidad no existe. Un ejemplo muy común en este caso y que se menciona con frecuencia es la asociación entre tomar café y el cáncer de pulmón. Durante años se creyó que estaban relacionados, pero en realidad quienes bebían más café también fumaban en exceso o con mayor frecuencia, y era el tabaco, mas no el café lo que causaba el cáncer (Rothman, 2012). El Azar en algunas asociaciones se dan simplemente por casualidad o coincidencia, esto es en estudios con muestras pequeñas o muy variables y desiguales o posiblemente mal calculadas, puede darse que los datos parezcan mostrar una relación que no se daría si el estudio se realizara en una nueva repetición. Es por esto que es importante analizar si lo observado puede deberse al azar o no antes de dar conclusiones finales o recomendaciones. Y finalmente la Inversión temporal o llamada causalidad reversa, que indica que para que algo sea causa, debe suceder antes que el resultado final o consecuencia. Si no se tiene clara esta secuencia, puede parecer que una exposición causa un problema de salud, cuando en realidad ese problema apareció primero y generó el cambio observado. Esto puede llevar a interpretaciones equivocadas.
Bibliografía
Hill, A. B. (1965). The Environment and Disease: Association or Causation? Proceedings of the Royal Society of Medicine, 58, 295–300.
Rothman, K. J. (2012). Epidemiology: An Introduction. Oxford University Press.