Elaborado por:
Dr. Joshuan J. Barboza
Doctor en Investigación Clínica y Traslacional.
Investigador Distinguido RENACYT
Miembro Cochrane – USIL afiliado a INS
SCOPUS ID: 57204457871
ORCID: https://orcid.org/0000-0002-2896-1407
Resumen
La introducción de The Book of Why de Judea Pearl constituye un punto de inflexión en la comprensión de la inferencia científica, al cuestionar la primacía del análisis basado exclusivamente en datos y proponer la necesidad de integrar modelos causales explícitos en la investigación. Este informe desarrolla un análisis conceptual y metodológico orientado a establecer un nexo entre los principios de la inferencia causal y la práctica de las revisiones sistemáticas en investigación clínica. Se argumenta que la síntesis de evidencia, tal como se realiza actualmente, presenta limitaciones estructurales al operar predominantemente en un marco asociativo, lo que compromete la validez de las inferencias clínicas. A través de una reinterpretación de conceptos como confusión, heterogeneidad, estimando e intervención, se propone una evolución hacia revisiones sistemáticas fundamentadas en modelos causales, capaces de responder adecuadamente a las preguntas que motivan la práctica médica.
Introducción
El desarrollo de la medicina basada en evidencia ha consolidado a las revisiones sistemáticas y metaanálisis como el nivel más alto en la jerarquía de evidencia. Sin embargo, esta jerarquía se ha construido sobre un supuesto implícito que rara vez se cuestiona: que la agregación de datos provenientes de múltiples estudios permite aproximarse de manera progresiva a la verdad científica. La introducción de The Book of Why desafía frontalmente esta premisa al afirmar que los datos, por sí mismos, carecen de la capacidad de responder preguntas causales . Esta afirmación obliga a replantear los fundamentos epistemológicos de la síntesis de evidencia, especialmente en un contexto donde las decisiones clínicas dependen no de asociaciones, sino de efectos causales.
La distinción que Pearl establece entre lo que se observa y lo que se interviene constituye el eje central de esta transformación. Mientras que la estadística clásica se ocupa de describir relaciones entre variables a partir de datos observados, la inferencia causal busca responder qué ocurriría si modificáramos deliberadamente una variable en el sistema. Esta diferencia, aparentemente sutil, tiene implicaciones profundas en la forma en que se diseñan, interpretan y sintetizan los estudios clínicos.
La limitación estructural de las revisiones sistemáticas: el predominio del paradigma asociativo
Las revisiones sistemáticas tradicionales operan fundamentalmente bajo un paradigma asociativo. En términos formales, la mayoría de los metaanálisis estiman probabilidades condicionales del tipo , donde se evalúa la frecuencia de un desenlace dado un determinado factor o intervención. Sin embargo, las preguntas que motivan la investigación clínica rara vez son de naturaleza puramente asociativa. Cuando un clínico se pregunta si un tratamiento reduce la mortalidad o si una exposición incrementa el riesgo de enfermedad, está formulando una pregunta causal, que en el lenguaje de Pearl corresponde a .
Esta diferencia implica que una revisión sistemática puede ser metodológicamente rigurosa desde el punto de vista estadístico y, aun así, no responder la pregunta que pretende abordar. Por ejemplo, en un metaanálisis que evalúa la efectividad de un fármaco, la inclusión de estudios observacionales sin un control adecuado de factores de confusión puede generar estimaciones que reflejan patrones de asociación influenciados por la selección de pacientes, la severidad de la enfermedad o las prácticas clínicas locales, en lugar del efecto real del fármaco. En este contexto, el resultado sintetizado no representa el efecto de la intervención, sino una mezcla de múltiples procesos causales no identificados.
El modelo causal como fundamento ausente en la síntesis de evidencia
Uno de los aportes más relevantes del enfoque de Pearl es la introducción del modelo causal como estructura necesaria para interpretar los datos. En la práctica de las revisiones sistemáticas, los modelos causales suelen estar presentes de manera implícita, pero rara vez se explicitan o se utilizan como herramienta analítica. Esto genera una desconexión entre el conocimiento clínico previo y el análisis estadístico realizado.
Consideremos un metaanálisis sobre el uso de corticosteroides en pacientes con COVID-19. En este escenario, la severidad de la enfermedad influye tanto en la probabilidad de recibir el tratamiento como en el riesgo de mortalidad. Esta variable actúa como un confusor clásico. Si los estudios incluidos no controlan adecuadamente la severidad, o si el metaanálisis combina estimaciones ajustadas y no ajustadas sin distinguirlas, el resultado agregado reflejará una asociación sesgada. La ausencia de un modelo causal explícito impide identificar este problema y limita la capacidad del investigador para interpretar correctamente los resultados.
El uso de diagramas causales (DAGs) permitiría representar de manera transparente estas relaciones, facilitando la identificación de variables que deben ser controladas y evitando errores comunes como el ajuste por mediadores o la introducción de sesgos de colisión. Sin embargo, esta práctica aún no está integrada de manera sistemática en la metodología de las revisiones.
Confusión y heterogeneidad: reinterpretación desde la inferencia causal
En el contexto de las revisiones sistemáticas, la confusión se aborda habitualmente como un problema estadístico que puede resolverse mediante ajustes multivariados o modelos de efectos aleatorios. No obstante, desde la perspectiva de la inferencia causal, la confusión es una propiedad estructural del sistema, derivada de la existencia de variables que influyen simultáneamente en la exposición y el desenlace.
Esta reinterpretación tiene implicaciones importantes en el análisis de la heterogeneidad. Tradicionalmente, la heterogeneidad entre estudios se cuantifica mediante estadísticas como el I², interpretándose como una medida de variabilidad no explicada. Sin embargo, desde un enfoque causal, la heterogeneidad puede reflejar diferencias en los mecanismos que generan los datos. Por ejemplo, en un metaanálisis sobre probióticos y función cognitiva, la inclusión de estudios con poblaciones heterogéneas en términos de inflamación basal puede dar lugar a estimaciones divergentes no porque exista variabilidad aleatoria, sino porque el efecto del probiótico depende causalmente del estado inflamatorio del paciente.
En este sentido, la heterogeneidad no debe ser vista únicamente como un inconveniente metodológico, sino como una señal de que los estudios incluidos pueden estar respondiendo a preguntas causales diferentes.
El problema del estimando y la incoherencia en la síntesis de efectos
La distinción entre pregunta causal y estimando es uno de los conceptos más sofisticados introducidos por Pearl. En las revisiones sistemáticas, esta distinción suele ignorarse, lo que conduce a una falta de claridad sobre qué efecto se está estimando realmente. Diferentes estudios pueden evaluar distintas versiones del efecto de una intervención, dependiendo de factores como la adherencia, el contexto clínico o la definición del desenlace.
Por ejemplo, en un metaanálisis que compara videolaringoscopia versus laringoscopia directa, algunos estudios pueden reportar efectos basados en análisis por intención de tratar, mientras que otros utilizan análisis por protocolo. Además, las condiciones en las que se realiza la intervención pueden variar significativamente entre unidades de cuidados intensivos, servicios de emergencia o quirófanos. La combinación de estos resultados asume implícitamente que todos los estudios están estimando el mismo efecto, lo cual rara vez es cierto.
Esta falta de coherencia en el estimando compromete la interpretabilidad de los resultados y limita su aplicabilidad clínica.
Intervención y evidencia: la relación entre ensayos clínicos y estudios observacionales
La inferencia causal establece una distinción clara entre estudios que permiten estimar efectos de intervención y aquellos que solo capturan asociaciones. Los ensayos clínicos aleatorizados se aproximan al estimador al eliminar la confusión mediante la aleatorización. En contraste, los estudios observacionales requieren supuestos adicionales para inferir causalidad.
En las revisiones sistemáticas, la combinación de evidencia proveniente de ambos tipos de estudios es una práctica frecuente, pero conceptualmente problemática. Al hacerlo, se asume que los efectos estimados son comparables, sin considerar que los estudios observacionales pueden estar sesgados por factores no medidos. Por ejemplo, en un metaanálisis sobre infusión continua versus intermitente de antibióticos β-lactámicos, los pacientes más graves pueden ser más propensos a recibir una modalidad específica de tratamiento, lo que introduce un sesgo de selección que no está presente en los ensayos aleatorizados.
La integración de estos estudios sin un marco causal explícito puede llevar a conclusiones erróneas sobre la efectividad de la intervención.
El razonamiento contrafactual en la interpretación clínica
Toda interpretación clínica de los resultados de una revisión sistemática implica, de manera implícita, un razonamiento contrafactual. Cuando se afirma que un tratamiento reduce la mortalidad, se está comparando un escenario observado con un escenario hipotético en el que el tratamiento no se hubiera administrado. Este tipo de inferencia requiere asumir que los grupos comparados son intercambiables y que no existen factores no medidos que influyan en el resultado.
Sin embargo, estas condiciones rara vez se verifican explícitamente en las revisiones sistemáticas. La ausencia de un marco formal para el razonamiento contrafactual limita la capacidad de los investigadores para evaluar la validez de sus conclusiones y para comunicar de manera transparente las incertidumbres asociadas.
Hacia un nuevo paradigma: revisiones sistemáticas basadas en inferencia causal
La integración de la inferencia causal en la metodología de las revisiones sistemáticas no representa simplemente una mejora técnica, sino una transformación conceptual. Implica pasar de un enfoque centrado en la agregación de datos a uno orientado por modelos que explican cómo se generan esos datos.
En este nuevo paradigma, las revisiones sistemáticas deberían incorporar de manera explícita modelos causales en la fase de diseño, definir claramente el estimando de interés, evaluar el riesgo de sesgo desde una perspectiva causal y realizar síntesis estratificadas que respeten las diferencias estructurales entre los estudios. Este enfoque permitiría producir conclusiones más robustas y clínicamente relevantes, alineadas con las preguntas que realmente importan en la práctica médica.
Conclusión
La introducción de The Book of Why pone en evidencia una limitación fundamental en la práctica actual de las revisiones sistemáticas: la ausencia de un marco causal explícito. Aunque la síntesis de evidencia ha avanzado considerablemente en términos de rigor metodológico, sigue operando en gran medida dentro de un paradigma asociativo que no permite responder adecuadamente a las preguntas causales que guían la toma de decisiones clínicas. La incorporación de modelos causales, la diferenciación entre observación e intervención y la formalización de estimandos constituyen pasos necesarios hacia una evolución de la evidencia basada en datos hacia una evidencia basada en comprensión causal. Este cambio redefine no solo la metodología, sino también la naturaleza misma del conocimiento científico en medicina.
REFERENCES
Pearl J. Interpretation and identification of causal mediation. Psychol Methods. 2014;19(4):459-481. doi:10.1037/a0036434
Pearl J. An introduction to causal inference. Int J Biostat. 2010;6(2):7. Published 2010 Feb 26. doi:10.2202/1557-4679.1203
Bareinboim E, Pearl J. Causal inference and the data-fusion problem. Proc Natl Acad Sci U S A. 2016;113(27):7345-7352. doi:10.1073/pnas.1510507113
Pearl J. Structural counterfactuals: a brief introduction. Cogn Sci. 2013;37(6):977-985. doi:10.1111/cogs.12065
Deja un comentario