La conocida frase “asociación no es causalidad” constituye uno de los principios más importantes en epidemiología. Tal como expuso Bradford Hill (1965), una relación observada entre dos variables debe analizarse rigurosamente antes de atribuirle un efecto causal.
En este sentido, diversas condiciones pueden generar asociaciones no causales, aun cuando los datos sugieran lo contrario. A continuación se presentan cinco factores no causales que pueden explicar una asociación aparente, junto con una justificación fundamentada:
1. Confusión
La confusión ocurre cuando un tercer factor se relaciona simultáneamente con la exposición y el desenlace. Si no se controla, puede generar una asociación inexistente o exagerada. Como señalan Hill (1965) y Rothman et al. (2008), la confusión es una de las amenazas más relevantes para la validez interna.
2. Sesgos de selección
Se originan cuando la forma de seleccionar a los participantes altera la representatividad del estudio. Este sesgo puede fabricar asociaciones donde no las hay, simplemente porque la muestra no refleja adecuadamente a la población objetivo. Es la versión epidemiológica de “si buscas solo donde hay luz, encontrarás solo lo que está iluminado”.
3. Sesgos de información
Incluyen errores sistemáticos en la medición de la exposición o del desenlace. Un registro deficiente, un diagnóstico inexacto o un recuerdo imperfecto pueden distorsionar la verdadera relación. Como advierte Rothman, una medición sesgada compromete la validez de todo el estudio.
4. Variabilidad aleatoria (azar)
Aun en estudios bien diseñados, las fluctuaciones muestrales pueden generar asociaciones aparentes. El azar, siempre impredecible, puede producir señales engañosas, razón por la cual se emplean intervalos de confianza y pruebas estadísticas para discernir si la asociación es consistente con una variación natural.
5. Correlaciones espurias por tendencias externas
Dos variables pueden mostrar una evolución paralela por razones completamente independientes. Este fenómeno estadístico crea asociaciones que parecen sólidas, pero que solo reflejan una coincidencia temporal o estructural. En términos prácticos: que dos curvas bailen al mismo ritmo no implica que una marque el compás de la otra.
En conjunto, estos factores ponen de manifiesto que, como enfatizan Hill y Rothman, la inferencia causal exige una evaluación cuidadosa de explicaciones alternativas antes de asumir un vínculo real. La epidemiología no solo busca asociaciones; busca explicaciones plausibles, consistentes y metodológicamente sólidas. Y, entre nosotros, busca también evitar conclusiones apresuradas que luego obliguen a “deshacer el nudo” con más trabajo del necesario.
Referencias
Hill, A. B. (1965). The environment and disease: Association or causation? Proceedings of the Royal Society of Medicine, 58(5), 295–300.
Rothman, K. J., Greenland, S., & Lash, T. L. (2008). Modern Epidemiology (3rd ed.). Lippincott Williams & Wilkins.