Confundido

En la inferencia causal , la confusión es una forma de error sistemático (o sesgo) que puede distorsionar las estimaciones de los efectos causales en los estudios observacionales. Tradicionalmente, se entiende por variable de confusión aquella que (1) predice de forma independiente el resultado (o variable dependiente ), (2) está asociada con la exposición (o variable independiente) y (3) no se encuentra en la vía causal entre la exposición y el resultado. ^{[ 1 ] [ 2 ] [ 3 ]} No controlar una variable de confusión da lugar a una asociación espuria entre la exposición y el resultado.

La confusión es un concepto causal , no puramente estadístico, y por lo tanto no puede describirse completamente solo con correlaciones o asociaciones. ^{[ 4 ]} La presencia de factores de confusión ayuda a explicar por qué la correlación no implica causalidad y por qué se requieren diseños de estudio y métodos analíticos cuidadosos (como la aleatorización , el ajuste estadístico o los diagramas causales) para distinguir los efectos causales de las asociaciones espurias.

Se han desarrollado varios sistemas de notación y marcos formales, como los grafos acíclicos dirigidos causales (DAG, por sus siglas en inglés) , para representar y detectar factores de confusión, lo que permite identificar cuándo se debe controlar una variable para obtener una estimación insesgada de un efecto causal.

Los factores de confusión son amenazas a la validez interna . ^{[ 5 ]}

La confusión se define en términos del modelo generador de datos. Sea X una exposición (o variable independiente ) y sea Y el resultado (o variable dependiente ). Tradicionalmente, se consideraba que una variable Z confundía la relación entre X e Y si Z (1) predice Y de forma independiente, (2) está ^asociada con X y (3) no está en la vía causal entre X e Y. [ 1 ^{] [ 2 ] [ 3 ] No} controlar Z introduce una relación espuria entre X e Y.

Sin embargo, varios avances en la inferencia causal durante las últimas décadas han demostrado que esta definición de confusión es inadecuada. ^{[ 6 ] [ 7 ]} Esto se debe a que puede haber variables previas a la exposición asociadas con el resultado que, al controlarse, introducen sesgo en lugar de eliminarlo.

La inferencia causal moderna define, por lo tanto, un factor de confusión en términos del conjunto de ajuste mínimamente suficiente . ^{[ 8 ] [ 1 ]} Formalmente, un conjunto de variables Z es un conjunto de ajuste suficiente para el efecto de X sobre Y si, condicionado a Z , los resultados potenciales son independientes de X. Es decir, después de ajustar por Z , los grupos expuestos y no expuestos son intercambiables con respecto al resultado. Un conjunto de ajuste mínimamente suficiente es un conjunto de ajuste Z donde cada miembro de Z debe controlar el factor de confusión. Bajo este marco, un factor de confusión se define como un miembro del conjunto de ajuste mínimamente suficiente.

En el lenguaje de los grafos acíclicos dirigidos , la confusión corresponde a la presencia de uno o más caminos de puerta trasera abiertos entre X e Y. ^{[ 9} ] Un conjunto de variables Z es un conjunto de ajuste suficiente si condicionar sobre Z bloquea todos los caminos ^de puerta trasera de X a Y. El conjunto es mínimamente suficiente si ningún subconjunto propio de Z satisface esta propiedad. Eliminar cualquier variable de un conjunto mínimamente suficiente reabre al menos un camino de puerta trasera.

Ejemplo sencillo

Una empresa de transporte compara el consumo de combustible de camiones de dos fabricantes ("A" y "B") midiendo las millas por galón durante un mes. Observan que los camiones A parecen ser más eficientes en consumo de combustible. Sin embargo, a los camiones A se les asignan con mayor frecuencia rutas de autopista, mientras que a los camiones B se les asignan con mayor frecuencia rutas urbanas. En este caso, la marca del camión es la variable independiente, el consumo de combustible (MPG) es la variable dependiente y el tipo de ruta (o la proporción de conducción urbana) es la variable de confusión. Dado que el tipo de ruta afecta al consumo de combustible y este varía según la marca del camión, se produce una confusión en la comparación. Por lo tanto, la diferencia observada probablemente refleja la diferencia entre la conducción en autopista y en ciudad, más que la marca del camión.

Relación entre el orden de nacimiento y el síndrome de Down

Un científico está estudiando la relación entre el orden de nacimiento (primer hijo, segundo hijo, etc.) y la presencia del síndrome de Down en el niño. Sin embargo, se sabe que:

1. Una mayor edad materna está directamente relacionada con el síndrome de Down en el niño.
2. La edad materna avanzada está directamente relacionada con el síndrome de Down, independientemente del orden de nacimiento (una madre que tiene su primer hijo a los 50 años o su tercer hijo conlleva el mismo riesgo).
3. La edad materna está directamente relacionada con el orden de nacimiento (el segundo hijo, excepto en el caso de gemelos, nace cuando la madre es mayor que cuando nació el primer hijo).
4. La edad materna no es consecuencia del orden de nacimiento (tener un segundo hijo no cambia la edad de la madre).

En este escenario, la edad materna es una variable de confusión, ya que influye tanto en la variable independiente (orden de nacimiento) como en la variable dependiente (síndrome de Down).

Relación entre el tabaquismo y las enfermedades pulmonares

Un científico está estudiando la relación entre el hábito de fumar (fumador frente a no fumador) y la presencia de enfermedades pulmonares. Sin embargo, se sabe que:

1. El consumo de alcohol y la dieta están directamente relacionados con las enfermedades pulmonares y la salud en general.
2. El consumo de alcohol y la dieta afectan a la salud independientemente de si se es fumador o no (un fumador y un no fumador con un consumo de alcohol y una dieta similares pueden tener riesgos para la salud similares).
3. El consumo de alcohol y la dieta están relacionados con el hábito de fumar (los fumadores, en promedio, son más propensos a consumir alcohol o a tener dietas menos saludables que los no fumadores).
4. El consumo de alcohol y la dieta no son consecuencias del tabaquismo en sí (fumar no provoca necesariamente un mayor consumo de alcohol ni una mala alimentación, aunque exista una correlación entre ambos).

En este escenario, el consumo de alcohol o la dieta constituyen una variable de confusión, ya que influyen tanto en la variable independiente (el hábito de fumar) como en la variable dependiente (el resultado de salud). Si no se controlan estos factores, la asociación observada entre fumar y la enfermedad pulmonar podría deberse, en parte o en su totalidad, a diferencias en el consumo de alcohol o la dieta, y no al tabaquismo en sí.

Consideremos a un investigador que intenta evaluar la efectividad del fármaco X a partir de datos poblacionales en los que el uso del fármaco fue una elección del paciente. Los datos muestran que el género ( Z ) influye en la elección del fármaco por parte del paciente, así como en sus posibilidades de recuperación ( Y ). En este escenario, el género Z confunde la relación entre X e Y, ya que Z es una causa tanto de X como de Y :

Tenemos eso

porque la cantidad observacional contiene información sobre la correlación entre X y Z , y la cantidad intervencional no (ya que X no está correlacionada con Z en un experimento aleatorio). Se puede demostrar ^{[ 10 ]} que, en los casos en que solo se dispone de datos observacionales, una estimación insesgada de la cantidad deseada${\displaystyle P(y\mid {\text{do}}(x))}$, se puede obtener "ajustando" para todos los factores de confusión, es decir, condicionando a sus diversos valores y promediando el resultado. En el caso de un único factor de confusión Z , esto conduce a la "fórmula de ajuste":

que proporciona una estimación insesgada del efecto causal de X sobre Y. La misma fórmula de ajuste funciona cuando hay múltiples factores de confusión, excepto que, en este caso, la elección de un conjunto Z de variables que garantice estimaciones insesgadas debe hacerse con precaución. El criterio para una elección adecuada de variables se denomina Back-Door ^{[ 10 ] [ 11 ]} y requiere que el conjunto Z elegido "bloquee" (o intercepte) cada camino entre X e Y que contenga una flecha hacia X. Dichos conjuntos se denominan "admisibles por Back-Door" y pueden incluir variables que no son causas comunes de X e Y , sino meras aproximaciones de las mismas.

Volviendo al ejemplo del consumo de drogas, dado que Z cumple con el requisito de Back-Door (es decir, intercepta la única ruta de Back-Door)${\displaystyle X\leftarrow Z\rightarrow Y}$), la fórmula de ajuste de Back-Door es válida:

De esta forma, el médico puede predecir el efecto probable de administrar el fármaco a partir de estudios observacionales en los que las probabilidades condicionales que aparecen en el lado derecho de la ecuación pueden estimarse mediante regresión.

Contrariamente a las creencias comunes, agregar covariables al conjunto de ajuste Z puede introducir sesgo. ^{[ 12 ]} Un contraejemplo típico ocurre cuando Z es un efecto común de X e Y , ^{[ 13 ]} un caso en el que Z no es un factor de confusión (es decir, el conjunto nulo es admisible por Back-door) y ajustar por Z crearía un sesgo conocido como " sesgo de colisión " o " paradoja de Berkson ". Los controles que no son buenos factores de confusión a veces se denominan controles malos .

En general, la confusión puede controlarse mediante ajuste si y solo si existe un conjunto de covariables observadas que satisface la condición de Back-Door. Además, si Z es dicho conjunto, entonces la fórmula de ajuste de la ecuación (3) es válida. ^{[ 10 ] [ 11 ]} El cálculo do de Pearl proporciona todas las condiciones posibles bajo las cuales${\displaystyle P(y\mid {\text{do}}(x))}$puede estimarse, no necesariamente mediante ajuste. ^{[ 14 ]}

Según Morabia (2011), ^{[ 15 ]} la palabra confusing deriva del verbo latino medieval "confundere", que significaba "mezclar", y probablemente fue elegida para representar la confusión (del latín: con=con + fusus=mezclar o fusionar) entre la causa que se desea evaluar y otras causas que pueden afectar el resultado y, por lo tanto, confundir o interponerse en el camino de la evaluación deseada. Greenland, Robins y Pearl ^{[ 16 ]} señalan un uso temprano del término "confuseding" en la inferencia causal por John Stuart Mill en 1843.

Fisher introdujo el término «confusión» en su libro de 1935, «El diseño de experimentos» ^{[ 17 ],} para referirse específicamente a una consecuencia del bloqueo (es decir, la partición ) del conjunto de combinaciones de tratamientos en un experimento factorial , por lo que ciertas interacciones pueden estar «confundidas con los bloques». Esto popularizó la noción de confusión en estadística, aunque Fisher se preocupaba por el control de la heterogeneidad en las unidades experimentales, no por la inferencia causal.

Según Vandenbroucke (2004) ^{[ 18 ]} fue Kish ^{[ 19 ]} quien utilizó la palabra "confusión" en el sentido de "incomparabilidad" de dos o más grupos (por ejemplo, expuestos y no expuestos) en un estudio observacional. Las condiciones formales que definen qué hace que ciertos grupos sean "comparables" y otros "incomparables" fueron desarrolladas posteriormente en epidemiología por Greenland y Robins (1986) ^{[ 20 ]} utilizando el lenguaje contrafactual de Neyman (1935) ^{[ 21 ]} y Rubin (1974). ^{[ 22 ]} Posteriormente, estas fueron complementadas con criterios gráficos como la condición de Back-Door ( Pearl 1993; Greenland, Robins y Pearl 1999). ^{[ 16 ] [ 10 ]}

Se demostró que los criterios gráficos eran formalmente equivalentes a la definición contrafactual ^{[ 23 ]} pero más transparentes para los investigadores que se basan en modelos de procesos.

En el caso de las evaluaciones de riesgo que analizan la magnitud y la naturaleza del riesgo para la salud humana , es importante controlar los factores de confusión para aislar el efecto de un peligro específico, como un aditivo alimentario, un plaguicida o un fármaco nuevo. En los estudios prospectivos, resulta difícil reclutar y seleccionar voluntarios con características similares (edad, dieta, nivel educativo, procedencia geográfica, etc.), y en los estudios históricos puede existir una variabilidad similar. Debido a la imposibilidad de controlar la variabilidad de los voluntarios y de los estudios en humanos, los factores de confusión representan un desafío particular. Por estas razones, los experimentos ofrecen una forma de evitar la mayoría de los factores de confusión.

En algunas disciplinas, la confusión se clasifica en diferentes tipos. En epidemiología , un tipo es la "confusión por indicación" ^{[ 24 ]} , que se relaciona con la confusión de los estudios observacionales . Dado que los factores pronósticos pueden influir en las decisiones de tratamiento (y sesgar las estimaciones de los efectos del tratamiento), controlar los factores pronósticos conocidos puede reducir este problema, pero siempre es posible que no se haya incluido un factor olvidado o desconocido, o que los factores interactúen de forma compleja. La confusión por indicación se ha descrito como la limitación más importante de los estudios observacionales. Los ensayos aleatorizados no se ven afectados por la confusión por indicación debido a la asignación aleatoria .

Las variables de confusión también pueden clasificarse según su origen: la elección del instrumento de medición (variable de confusión operacional), las características situacionales (variable de confusión procedimental) o las diferencias interindividuales (variable de confusión personal).

• Un sesgo operacional puede ocurrir tanto en diseños de investigación experimentales como no experimentales. Este tipo de sesgo se produce cuando una medida diseñada para evaluar un constructo particular mide inadvertidamente también otra cosa. ^{[ 25 ]}
• Un sesgo de confusión procedimental puede ocurrir en un experimento de laboratorio o en un cuasiexperimento . Este tipo de confusión se produce cuando el investigador permite erróneamente que otra variable cambie junto con la variable independiente manipulada. ^{[ 25 ]}
• Se produce un sesgo de confusión de personas cuando se analizan conjuntamente dos o más grupos de unidades (por ejemplo, trabajadores de diferentes ocupaciones), a pesar de que varían según una o más características (observadas o no observadas) (por ejemplo, el género). ^{[ 26 ]}

Se puede reducir la probabilidad de que aparezcan o influyan factores de confusión aumentando el tipo y el número de comparaciones realizadas en un análisis. Si las medidas o manipulaciones de los constructos principales están sesgadas (es decir, existen factores de confusión operacionales o procedimentales), el análisis de subgrupos podría no revelar problemas en el análisis. Además, aumentar el número de comparaciones puede generar otros problemas (véase comparaciones múltiples ).

La revisión por pares es un proceso que puede ayudar a reducir los casos de confusión, ya sea antes de la implementación del estudio o después del análisis. La revisión por pares se basa en la experiencia colectiva dentro de una disciplina para identificar posibles debilidades en el diseño y el análisis del estudio, incluyendo las formas en que los resultados pueden depender de la confusión. De manera similar, la replicación puede comprobar la solidez de los hallazgos de un estudio bajo condiciones de estudio o análisis alternativos (por ejemplo, controlando posibles factores de confusión no identificados en el estudio inicial).

Es posible que los efectos de confusión sean menos probables y actúen de manera similar en diferentes momentos y lugares. Al seleccionar los sitios de estudio, se puede caracterizar el entorno en detalle para asegurar que sean ecológicamente similares y, por lo tanto, menos propensos a tener variables de confusión. Finalmente, se puede estudiar la relación entre las variables ambientales que posiblemente confundan el análisis y los parámetros medidos. La información relativa a las variables ambientales se puede utilizar en modelos específicos para cada sitio con el fin de identificar la varianza residual que pueda deberse a efectos reales. ^{[ 27 ]}

Dependiendo del tipo de diseño de estudio empleado, existen diversas maneras de modificar dicho diseño para excluir o controlar activamente las variables de confusión: ^{[ 28 ]}

• Los estudios de casos y controles asignan los factores de confusión a ambos grupos, casos y controles, por igual. Por ejemplo, si alguien quisiera estudiar la causa del infarto de miocardio y piensa que la edad es una variable de confusión probable, cada paciente de 67 años con infarto se emparejará con una persona sana de 67 años "control". En los estudios de casos y controles, las variables emparejadas con mayor frecuencia son la edad y el sexo. Inconveniente: Los estudios de casos y controles son factibles solo cuando es fácil encontrar controles, es decir , personas cuyo estado con respecto a todos los factores de confusión potenciales conocidos es el mismo que el del paciente del caso: Supongamos que un estudio de casos y controles intenta encontrar la causa de una enfermedad determinada en una persona que es 1) 45 años, 2) afroamericano, 3) de Alaska , 4) un ávido jugador de fútbol americano, 5) vegetariano y 6) trabaja en educación. Un control teóricamente perfecto sería una persona que, además de no padecer la enfermedad que se está investigando, reúna todas estas características y no tenga ninguna enfermedad que el paciente no padezca también; pero encontrar un control así sería una tarea enorme.
• Estudios de cohortes : También es posible cierto grado de emparejamiento, que a menudo se realiza admitiendo solo ciertos grupos de edad o un sexo determinado en la población de estudio, creando una cohorte de personas que comparten características similares y, por lo tanto, todas las cohortes son comparables con respecto a la posible variable de confusión. Por ejemplo, si se cree que la edad y el sexo son factores de confusión, solo hombres de 40 a 50 años participarían en un estudio de cohortes que evaluaría el riesgo de infarto de miocardio en cohortes que son físicamente activas o inactivas. Inconveniente: En los estudios de cohortes, la sobreexclusión de datos de entrada puede llevar a los investigadores a definir de forma demasiado restrictiva el conjunto de personas en situaciones similares para las que afirman que el estudio es útil, de modo que otras personas a las que sí se aplica la relación causal pueden perder la oportunidad de beneficiarse de las recomendaciones del estudio. Del mismo modo, la "sobreestratificación" de los datos de entrada dentro de un estudio puede reducir el tamaño de la muestra en un estrato dado hasta el punto en que las generalizaciones extraídas al observar solo a los miembros de ese estrato no son estadísticamente significativas .
• El doble enmascaramiento oculta a la población del estudio y a los observadores la pertenencia de los participantes a un grupo experimental. Al impedir que los participantes sepan si reciben tratamiento o no, el efecto placebo debería ser el mismo para los grupos de control y de tratamiento. Al impedir que los observadores conozcan la pertenencia a un grupo, se evita cualquier sesgo derivado de que los investigadores traten a los grupos de forma diferente o interpreten los resultados de manera distinta.
• Ensayo controlado aleatorizado : Método en el que la población de estudio se divide aleatoriamente para mitigar la posibilidad de autoselección por parte de los participantes o el sesgo por parte de los diseñadores del estudio. Antes de que comience el experimento, los investigadores asignarán a los participantes a sus respectivos grupos (control, intervención, paralelo) mediante un proceso de aleatorización, como el uso de un generador de números aleatorios. Por ejemplo, en un estudio sobre los efectos del ejercicio, las conclusiones serían menos válidas si los participantes tuvieran la opción de pertenecer al grupo de control, que no haría ejercicio, o al grupo de intervención, que estaría dispuesto a participar en un programa de ejercicio. El estudio también consideraría otras variables además del ejercicio, como el estado de salud previo al experimento y la motivación para adoptar actividades saludables. Desde la perspectiva del observador, el experimentador podría seleccionar a los participantes con mayor probabilidad de mostrar los resultados que el estudio busca o interpretar los resultados subjetivos (mayor energía, actitud positiva) de una manera que favorezca sus propios intereses.
• Estratificación : Como en el ejemplo anterior, se considera que la actividad física protege contra el infarto de miocardio, y se asume que la edad es un posible factor de confusión. Los datos muestreados se estratifican por grupo de edad, lo que significa que la asociación entre la actividad y el infarto se analiza para cada grupo de edad. Si los diferentes grupos de edad (o estratos de edad) arrojan razones de riesgo muy diferentes , la edad debe considerarse una variable de confusión. Existen herramientas estadísticas, entre ellas los métodos de Mantel-Haenszel, que tienen en cuenta la estratificación de los conjuntos de datos.
• El control de los factores de confusión mediante la medición de los factores de confusión conocidos y su inclusión como covariables se denomina análisis multivariable, como el análisis de regresión . Los análisis multivariables revelan mucha menos información sobre la magnitud o la polaridad de la variable de confusión que los métodos de estratificación. Por ejemplo, si un análisis multivariable controla el uso de antidepresivos y no los estratifica según sean ATC o ISRS , ignorará que estas dos clases de antidepresivos tienen efectos opuestos sobre el infarto de miocardio, y que uno es mucho más potente que el otro.

Todos estos métodos tienen sus inconvenientes:

1. La mejor defensa disponible contra la posibilidad de resultados espurios debido a factores de confusión suele ser prescindir de los esfuerzos de estratificación y, en su lugar, realizar un estudio aleatorio de una muestra suficientemente grande tomada en su conjunto, de manera que todas las posibles variables de confusión (conocidas y desconocidas) se distribuyan al azar entre todos los grupos de estudio y, por lo tanto, no estén correlacionadas con la variable binaria de inclusión/exclusión en ningún grupo.
2. Consideraciones éticas: En los ensayos controlados aleatorizados y doble ciego, los participantes desconocen que reciben tratamientos simulados y podrían verse privados de tratamientos efectivos. ^{[ 29 ]} Existe la posibilidad de que los pacientes solo acepten someterse a cirugía invasiva (que conlleva riesgos médicos reales) bajo el supuesto de que recibirán tratamiento. Si bien esto plantea una preocupación ética, no es una descripción completa de la situación. Para las cirugías que se realizan actualmente con regularidad, pero para las que no existe evidencia concreta de un efecto real, podrían surgir problemas éticos al continuar realizándolas. En tales circunstancias, muchas personas se exponen a los riesgos reales de la cirugía, pero estos tratamientos podrían no ofrecer ningún beneficio perceptible. El control mediante cirugía simulada es un método que podría permitir a la ciencia médica determinar si un procedimiento quirúrgico es eficaz o no. Dado que existen riesgos conocidos asociados con las operaciones médicas, es éticamente cuestionable permitir que se realicen cirugías no verificadas indefinidamente en el futuro.

Se ha planteado la preocupación de que los factores de confusión en la investigación médica puedan producir resultados nulos falsos debido a la disminución de la fiabilidad de la exposición y al aumento de las correlaciones entre hermanos. ^{[ 30 ] [ 31 ]}

Los artefactos son variables que deberían haberse variado sistemáticamente, ya sea dentro o entre estudios, pero que accidentalmente se mantuvieron constantes. Por lo tanto, los artefactos representan una amenaza para la validez externa . Los artefactos son factores que covarían con el tratamiento y el resultado. Campbell y Stanley ^{[ 32 ]} identifican varios artefactos. Las principales amenazas para la validez interna son la historia, la maduración, las pruebas, la instrumentación, la regresión estadística , la selección, la mortalidad experimental y las interacciones entre la selección y la historia.

Una forma de minimizar la influencia de los artefactos es utilizar un diseño de grupo de control con pretest y postest . En este diseño, "grupos de personas que son inicialmente equivalentes (en la fase de pretest) se asignan aleatoriamente para recibir el tratamiento experimental o una condición de control y luego se evalúan nuevamente después de esta experiencia diferencial (fase de postest)". ^{[ 33 ]} De esta manera, cualquier efecto de los artefactos se distribuye (idealmente) de manera equitativa entre los participantes de ambas condiciones, la de tratamiento y la de control.

• falacia de interpretación observacional
• Prueba anecdótica : prueba basada en testimonios personales. 
• Inferencia causal – Rama de la estadística 
• Método epidemiológico – Método científico en el campo específico 
• Paradoja de Simpson : error en el razonamiento estadístico con grupos 
• Sesgo por variables omitidas

• Pearl, J. (enero de 1998). "Por qué no existe una prueba estadística para la confusión, por qué muchos creen que sí existe y por qué están casi en lo cierto" (PDF) . Departamento de Ciencias de la Computación de UCLA, Informe Técnico R-256 .
• Montgomery, DC (2001). "Bloqueo y confusión en el${\displaystyle 2^{k}}$Diseño factorial. Diseño y análisis de experimentos (5.ª  ed.). Wiley. págs. 287–302 . Este libro de texto ofrece una visión general de los factores de confusión y cómo tenerlos en cuenta en el diseño de experimentos. {{cite book}}: CS1 mantenimiento: postscript ( enlace )
• Brewer, MB (2000). «Diseño de investigación y cuestiones de validez». En Reis, HT; Judd, CM (eds.). Manual de investigación . Nueva York: Cambridge University Press . pp. 3–16 . ISBN  9780521551281.
• Smith, ER (2000). «Diseño de investigación». En Reis, HT; Judd, CM (eds.). Manual de métodos de investigación en psicología social y de la personalidad . Nueva York: Cambridge University Press. pp. 17–39 . ISBN  9780521551281.

• Tutorial: Factores de confusión y modificación de la medida del efecto (Escuela de Salud Pública de la Universidad de Boston)
• Regresión lineal (Universidad de Yale)
• Tutorial de la Universidad de Nueva Inglaterra