1. Causalidad e
Intro a diagramas causales
(DAGs, Directed Acyclic Graphs)
Clase creada por Kelika Konda, Ph D
Modificada por Karina Leiva, Ms(c)
2. Causalidad
• Muy importante, aunque no siempre lo podemos
medir (es complejo el encontrar causas)
• Causa: Aquello que se considera como
fundamento u origen de algo (la razón detras del
efecto)
• Al identificar causas podemos:
– Implementar medidas de prevención
– Conocer mecanismos que producen la enfermedad
– Establecer tratamientos
3. David Hume (1711-1776)
• La primera regla de
causalidad:
– Temporalidad: “La causa
tiene que ocurrir antes del
efecto”
• Segunda Regla:
– Contrafactual:
A B
1. Siempre A va antes de B
2. B no puede ocurrir si no
ocurre A
3. Si A no estuviera B no
podría ocurrir
Teórico: La misma persona
sin la causa en un tiempo X
4. Criterios de Hill
1. Temporalidad
2. Fuerza de Asociación
3. Consistencia
4. Especificidad
5. Gradiente biológico (efecto dosis-respuesta)
6. Plausibilidad
7. Coherencia
8. Experimentación
9. Analogía
Criterios a considerar, no lo tomemos como una Ley
5. Criterios de Hill
1. Temporalidad:
– No siempre se ve en estudios transversales
(excepto cosas fijas: sexo, genes)
– Es mas fácil establecer temporalidad en estudios
prospectivos.
2. Fuerza de Asociación:
– Mientras mas fuerte es la asociación, es más
probable que sea causal
– Se mide con: PR, OR, RR
6. Criterios de Hill
3. Consistencia: Repetición o reproducción de las
observaciones
– Diferentes estudios
– Diferencias pueden deberse a: Poblaciones diferentes,
diferentes sub-grupos de poblaciones, implementar
una intervención social (diferentes circunstancias)
– Meta-análisis: buena forma de probar esto
4. Especificidad de la asociación
– Una exposición causa sólo una enfermedad
– Vibrio cholerae: colera, VIH: SIDA
– Hill trató de ser muy cuidadoso con esto (fumar:
efectos similares)
7. Criterios de Hill
5. Relación Dosis-Respuesta
– Al aumentar la dosis de la exposición, el riesgo de la
enfermedad también aumenta
– La falta de esto no excluye una relación causal
6. Plausibilidad biológica
– Coherencia con el conocimiento biológico actual
(limitación: lo que conocemos hasta el mometo)
– Muchas veces el conocimiento epidemiológico,
precede al biológico
– Helicobacter pylori: úlcera (antes comportamentales)
8. Criterios de Hill
7. Coherencia
– Si la relación es causal, se espera que las
observaciones sean coherentes con otros datos
– Consumo de tabaco aumenta al aumentar cancer de
pulmón
8. Experimentación
– Estándar de Oro para probar causalidad: Ensayos
clínicos
– Meta: Crear la contrafactual (los grupos sólo difieran
en la exposición)
– No se puede en muchas exposiciones
– Suspensión de la exposición
9. Criterios de Hill
9. Analogía
– Exposiciones similares pueden producir
enfermedades similares
– Virus ataca el Sistema Inmune
10. Causalidad
• Criterios de Hill:
– Dentro de un estudio, no se puede concluir
causalidad
– Ensayos Clínicos: hay muchas información previa
que respalda (Fase I: Seguridad, Fase II: Seguridad
y eficacia)
• Modelo causal de Rothman: Conjunto de
diversas variables causan un desenlace
• En un estudio, no probamos causalidad;
probamos asociación.
11. DAGs (Directed Acyclic Graphs)
• Estudios Epidemiológicos: Evaluar la relación
entre la exposición y el resultado.
A B
• Confusión: Cuando una asociación se altera
por una tercera variable.
A B
C
12. Confusión
Café Cáncer de Pancreas
RR=3 (Alta asociación)
Fumar RR=1.1 (No hay asociación)
13. DAGs
• Es una manera rápida y visual de evaluar
confusión
• Es un tipo de Diagrama causal (Inteligencia
artificial, robótica, sociología)
• Se utilliza en Epidemiología desde 1987
(Robins)
14. DAGs son útiles para:
• Diagramas causales muestran la secuencia de
eventos causales
– Organizando exposiciones y desenlaces en una manera lógica
– Identificando relaciones causales
– Identificando confusores
– Identificando variables intermediarias
• Diseñar estudios
– Determinando cual información necesitamos recoger
• Analizar datos
– Identificar que variables necesitamos incluir en los análisis
(ajustar)
15. DAG
• DAG = Dirigido, Aciclico, Grafico
• Dirigido: flechas indican la dirección de la relación y
significan “puede causar” o causa
• Acíclico:
No
Si
• Gráfico: representación gráfica de relaciones
– (En los datos, las variables conectados por flechas serán
asociadas )
16. Que incluimos en un DAG?
• El desenlace
• La exposición(s) (covariables) de interés
• Variables pre-exposición (las causas de
variables de interés)
• Variables post-exposición (variables
causados por la exposición)
• Flechas que representan las relaciones
17. Queremos mostrar los mecanismos
Resistencia a
insulina Ataque de
Obesidad
Hipertensión corazón
Arteriosclerosis
Obesidad incrementa el riesgo de una ataque de
corazón?
18. Variables Intermedias
Resistencia a
insulina Ataque de
Obesidad
Hipertensión corazón
Arteriosclerosis
Resistencia a
• En este ejemplo insulina son variables
Hipertensión
intermedias Arteriosclerosis
• Representan un paso entre la exposición y la
enfermedad
• Obesidad causa ataque de corazón por el medio de
resistencia a insulina, hipertensión, y arteriosclerosis
19. Queremos controlar por otras causas
para medir solamente el efecto de
nuestro exposición de interés
País de
residencia
Mortalidad
Edad
Hay una relacion entre pais de residencia y mortalidad?
20. Variables confusores
• Un confusor es un variable que es:
– Una causa del desenlace
– Asociado con la exposición
– Y no es una variable intermedia
Consumir Asociación
alcohol Espuria
Si no controlamos por el
Ataque de confusor, fumar, parecera
corazón
que consumir alcohol esta
Fumar asociado con ataque de
Triangulo clásico de un confusor
corazón
21. Factor
desconocido
Consumir Asociación
que asocia
alcohol Espuria
fumar y
consumir Ataque de
alcohol corazón
Fumar
22. “Backdoor Pathways” Camino por puerta trasera
• Caminos por puerta trasera inician con flechas
señalando hacia la exposición de interés y llegan
al desenlace
• Para evaluar el efecto causal de una exposición de
interés hay “bloquear” estas puertas traseras
– Hacemos el bloqueo en el diseño o análisis del estudio
(por controlar confusores)
– Queremos medir solo el efecto de la exposición de
nuestra interés
23. Ejemplo de caminos por puerta traseras
Infección con
Comportamiento VIH
sexual
SIDA
?
Uso de poppers
(amyl nitrate)
Exposición de interés = uso de poppers (no sabían en 1983 sobre
la infección por VIH)
El confusor es comportamiento sexual.
Cuál es el camino por la puerta trasera?
25. DAG del relación entre Resistencia al
insulina y IM
Obesidad
Infarto de
Presión
miocardio
alta
?
Resistencia al
insulina
Retinopatía
Vascular
Identifica el Confusor y Variable Intermedia
26. La excepción a las variables conectados por flechas
no estarán asociados en el análisis
Edad
IMC
Sexo
Variables que conectan a la misma variable = variables colisionadores (variables
que chocan) y no estarán asociados en el análisis
En este ejemplo edad y sexo NO estaran associados porque chocan en IMC.
28. Notas sobre DAGs
• Permite tener un panorama amplio de las
relaciones entre las variables
• Representan como pensamos que funciona las
relaciones de interés
– Puede haber desacuerdos entre personas
familiarizados con el campo de interés
– Hay que tener conocimiento antes de hacer un DAG
• La temporalidad es implícita en un DAG (tiempo
)
– No debe haber círculos, ni flechas con doble cabeza
29. Limitaciones de DAGs
• No pueden evaluar modificación de efecto
• La flechas no dan información sobre
– El magnitud del efecto
– La dirección del efecto (protector vs. dañino)
– Relaciones de dosis-respuesta
• DAGs pueden parecer (y ser) complejos
30. Confusión
1. Criterios clásicos
Un confusor es: una causa del desenlace, está asociado con
la exposición, y no es una variable intermedia
2. Camino por puertas traseras
En un DAG, hay flechas apuntados hacia la explosión de
interés y conectado al desenlace
31. Resumen
• Es necesario entender bien el fenómeno de
interés antes de estudiarlo
• Para ello hay que revisar cuidadosa y
extensamente la literatura científica
• Aparte es bueno plantear un modelo
conceptual o DAG para explicar nuestro
entendimiento del fenómeno
32. Material Extra
• Greenland S, Pearl J, Robins JM. Causal
Diagrams for Epidemiologic Research.
Epidemiology 1999; 10(1): 37-48.
33. Que incluir en su DAG
• Su exposición de interés
• Su desenlace de interés
• Posibles confusores
• Posibles variables intermedias