Factores no causales que pueden conducir a una asociación:
1. Sesgo
El sesgo es un error sistemático en el diseño, la ejecución o el análisis de un estudio, que produce una estimación incorrecta del efecto de una exposición sobre la enfermedad. Entre los tipos más importantes se encuentran:
a. Sesgo de selección:
Aparece cuando se incluyen individuos que no deberían estar en el estudio (sesgo de selección inmigratorio) o se excluyen sujetos que deberían permanecer en él (sesgo de selección emigrante). Esto genera grupos no comparables y produce asociaciones distorsionadas.
b. Sesgo de información:
Ocurre cuando los métodos para obtener datos son deficientes, de modo que la información sobre la exposición o el desenlace es incorrecta. Esto puede llevar a una clasificación errónea de los participantes.
Ejemplo: En un estudio de casos y controles, algunos casos pueden clasificarse como controles por error, o viceversa, alterando la asociación observada. (Celentano et al., 2025)
2. Confusión
La confusión aparece cuando un tercer factor está asociado tanto con la exposición como con la enfermedad y crea una asociación aparente que no es causal. Para que exista confusión, este tercer factor debe cumplir:
a. Ser un factor de riesgo verdadero para la enfermedad.
b. Estar asociado con la exposición, sin ser consecuencia de ella.
Ejemplo: En un estudio sobre si la exposición A causa la enfermedad B, el factor X será un confusor si cumple ambas condiciones, generando una asociación falsa si no se controla adecuadamente. (Celentano et al., 2025)
3. Modificación del efecto
La modificación del efecto no es un error ni implica causalidad, sino que describe cómo el efecto de una exposición cambia según los niveles de otra variable.
Ejemplo: Si se analiza el efecto del tabaquismo (E) sobre el cáncer (D) y se observa que la magnitud de este efecto es distinta según el sexo, la edad o la clase social (Q), entonces existe modificación del efecto. Para identificarla no es necesario intervenir la variable Q, sino estratificar o condicionar el análisis según sus categorías. Esta variación puede revelar subgrupos especialmente vulnerables, útiles para orientar intervenciones o políticas de salud. (VanderWeele, 2009)
4. Azar
La variabilidad aleatoria inherente a una muestra puede generar asociaciones que no existen en la población general.
Ejemplo: Un estudio pequeño puede mostrar un riesgo relativo elevado (por ejemplo, 2.0) únicamente debido a la fluctuación aleatoria, sin que exista un verdadero efecto.
5. Causalidad inversa
La causalidad inversa se presenta cuando la relación entre causa y efecto ocurre en la dirección contraria a la supuesta. (Spiegler, 2022)
Ejemplo: Puede pensarse que un IMC elevado causa depresión, cuando en realidad la depresión puede provocar un aumento del IMC. De esta manera, la aparente asociación se interpreta incorrectamente.
Bibliografía
Celentano, D. D., Szklo, M., Farag, Y. M. K., & Gordis, L. (2025). Gordis epidemiology (Seventh edition). Elsevier.
Spiegler, R. (2022). On the behavioral consequences of reverse causality. European Economic Review, 149, 104258. https://doi.org/10.1016/j.euroecorev.2022.104258
VanderWeele, T. J. (2009). On the Distinction Between Interaction and Effect Modification. Epidemiology, 20(6), 863–871. https://doi.org/10.1097/EDE.0b013e3181ba333c