Fundamentos, definición y aplicaciones en la epidemiología clínica

Dr. Joshuan J. Barboza

Doctor en Investigación Clínica y Traslacional · Investigador Distinguido RENACYT

Vicerrectorado de Investigación, Universidad Señor de Sipán · Miembro Cochrane

https://orcid.org/0000-0002-2896-1407

1. La idea intuitiva

Un contrafactual (del inglés counterfactual, “contrario a los hechos”) es una afirmación sobre lo que habríaocurrido bajo circunstancias distintas a las que realmente sucedieron. Es un enunciado condicional cuyo antecedente es falso en el mundo real: “Si este paciente, que recibió el fármaco, no lo hubiera recibido, entonces habría muerto”.

La palabra clave es habría. En el mundo real, el paciente sí recibió el fármaco y sí sobrevivió. El escenario alternativo —no haberlo recibido— nunca ocurrió y jamás podremos observarlo directamente en ese mismo individuo. Esa imposibilidad de observar simultáneamente ambos desenlaces es el problema central de toda la inferencia causal.

La afirmación causal cotidiana “el tratamiento X causó la recuperación de este paciente” tiene, implícita, una estructura contrafactual: significa que con el tratamiento el paciente se recuperó, y que sin el tratamiento no se habría recuperado. Una causa, en este marco, es algo que marca una diferencia entre dos mundos posibles.

2. Raíces conceptuales

La noción tiene un largo linaje filosófico. David Hume, en el siglo XVIII, ofreció dos definiciones de causa, y la segunda es explícitamente contrafactual: un objeto seguido por otro, “donde, si el primer objeto no hubiera existido, el segundo nunca habría existido”^[1]. En el siglo XX, el filósofo David Lewis desarrolló formalmente el análisis contrafactual de la causalidad usando la semántica de “mundos posibles”: A causa B si, en el mundo posible más cercano al nuestro donde A no ocurre, B tampoco ocurre.

En estadística y epidemiología, la formalización decisiva vino del modelo de resultados potenciales (potential outcomes), también llamado modelo causal de Neyman-Rubin. Jerzy Neyman lo esbozó en 1923 para experimentos agrícolas; Donald Rubin lo generalizó en los años 70 a estudios observacionales. Paralelamente, Judea Pearl desarrolló el enfoque de los grafos acíclicos dirigidos (DAG) y las ecuaciones estructurales, que ofrece un lenguaje complementario. En epidemiología moderna, Miguel Hernán y James Robins integraron ambas tradiciones y son la referencia estándar hoy^[2].

3. La formalización: resultados potenciales

Para cada individuo i y una exposición o tratamiento binario A (por ejemplo, A=1 recibe el fármaco, A=0 no lo recibe), definimos dos resultados potenciales:

• Y¹ᵢ = el desenlace que ese individuo tendría si recibiera el tratamiento.
• Y⁰ᵢ = el desenlace que ese individuo tendría si no lo recibiera.

El efecto causal individual es la comparación de ambos, por ejemplo la diferencia Y¹ᵢ − Y⁰ᵢ. Se dice que el tratamiento tiene un efecto causal en ese individuo si Y¹ᵢ ≠ Y⁰ᵢ.

El problema es que solo uno de los dos resultados llega a “realizarse”. Si el paciente efectivamente recibió el tratamiento (A=1), observamos Y¹ᵢ; su Y⁰ᵢ queda como el contrafactual no observado. El resultado que sí observamos es factual; el otro es el contrafactual.

Esto es lo que Paul Holland bautizó como el problema fundamental de la inferencia causal^[3]: nunca podemos observar más de un resultado potencial por individuo, de modo que el efecto causal individual es, en rigor, no identificable a nivel de una sola persona. Es un problema de datos faltantes (missing data): a cada sujeto le falta, por diseño de la realidad, la mitad de su información causal.

4. De lo individual a lo poblacional

Dado que el efecto individual es inobservable, la epidemiología desplaza la pregunta al nivel poblacional. Aunque no conozcamos el contrafactual de cada persona, sí podemos estimar promedios. El estimando de interés más común es el efecto causal promedio (Average Treatment Effect, ATE):

ATE = E[Y¹] − E[Y⁰]

Es decir, la diferencia entre el desenlace promedio que tendría la población entera si todos fueran tratados, y el que tendría si nadie lo fuera. Ambos son escenarios contrafactuales: en la realidad, unos se tratan y otros no.

Aquí aparece la distinción crucial que los contrafactuales iluminan: la asociación E[Y | A=1] − E[Y | A=0], que compara dos grupos distintos de personas, no es lo mismo que el efecto causal E[Y¹] − E[Y⁰], que compara la misma población bajo dos condiciones. Solo coinciden cuando los grupos son intercambiables. Esta es la traducción precisa del principio “asociación no es causalidad”.

5. La condición que lo hace funcionar: intercambiabilidad

Para que la comparación entre grupos observados estime el contrafactual poblacional, se necesitan tres supuestos de identificación:

Intercambiabilidad (exchangeability). Los tratados y no tratados deben ser comparables respecto a sus resultados potenciales (posiblemente condicional a un conjunto de covariables L). Dicho de otro modo: no debe haber confusión. Si los tratados eran de por sí más enfermos, la comparación cruda está sesgada porque su Y⁰ no equivale al Y⁰ de los no tratados.

Positividad. En cada estrato de covariables debe haber probabilidad no nula de recibir y de no recibir el tratamiento. No se puede imaginar el contrafactual “no tratado” en un subgrupo donde todos, invariablemente, fueron tratados.

Consistencia (y ausencia de interferencia, SUTVA). El resultado potencial bajo el tratamiento observado debe coincidir con el resultado observado, lo que exige que el tratamiento esté bien definido y que el desenlace de un individuo no dependa del tratamiento de otros.

El ensayo clínico aleatorizado es tan valorado precisamente porque la aleatorización garantiza la intercambiabilidad en el promedio: al asignar el tratamiento al azar, los grupos son, en expectativa, idénticos en todo lo demás (medido y no medido), de modo que el grupo control provee una estimación válida del contrafactual “no tratado” del grupo tratado.

6. Ejemplos aplicados a la epidemiología clínica

6.1. El paciente individual y el razonamiento clínico

Un cardiólogo prescribe un anticoagulante y el paciente no sufre un ictus. ¿Lo evitó el fármaco? La afirmación “el anticoagulante previno el ictus” equivale a decir que el paciente habría tenido un ictus sin él (Y⁰=1) y no lo tuvo con él (Y¹=0). Nunca sabremos si ese individuo pertenecía al grupo que el fármaco realmente protege o si nunca habría tenido el evento de todos modos. Este es el límite epistemológico de atribuir causalidad en un caso único, y por qué la medicina se apoya en efectos poblacionales.

6.2. Confusión por indicación

En un estudio observacional, los pacientes que reciben oxigenoterapia domiciliaria tienen mayor mortalidad que los que no la reciben. Ingenuamente parecería que el oxígeno “mata”. Pero el contrafactual correcto no es “los pacientes sin oxígeno”; es “estos mismos pacientes con EPOC grave, si no hubieran recibido oxígeno”. Como el oxígeno se indica justo a los más enfermos, los grupos no son intercambiables. El marco contrafactual explica exactamente dónde falla la comparación cruda y qué habría que ajustar.

6.3. La paradoja de la mortalidad del obeso

Entre pacientes con insuficiencia cardíaca, los obesos a veces muestran menor mortalidad. El razonamiento contrafactual y los DAG revelan que esto puede ser un artefacto de sesgo de colisión (condicionar sobre tener la enfermedad abre una vía espuria), no un efecto protector real de la obesidad. El pensamiento contrafactual disciplina la interpretación.

6.4. Diseño de “target trial” (ensayo diana)

Hernán y Robins proponen que, ante datos observacionales, se especifique explícitamente el ensayo aleatorizado hipotético que respondería la pregunta, incluyendo el contraste contrafactual de interés (por ejemplo, “iniciar estatinas ahora” frente a “no iniciarlas”), y luego se emule con los datos disponibles. Esto ha reducido sesgos clásicos como el immortal time bias en estudios de fármacos.

6.5. Medición del impacto en salud pública

La fracción atribuible poblacional es intrínsecamente contrafactual: estima qué proporción de casos de cáncer de pulmón no habría ocurrido si nadie hubiera fumado, comparando la incidencia observada con la incidencia contrafactual bajo exposición cero. Toda la carga de enfermedad atribuible a un factor de riesgo se define contra un escenario que no existió.

7. Por qué importa para la investigación clínica

El marco contrafactual ofrece tres aportes concretos a la práctica de la investigación clínica y traslacional.

Un lenguaje preciso para formular la pregunta causal antes de tocar los datos: obliga a definir el tratamiento, el contraste y la población de interés (el estimando), evitando análisis mal planteados.

Una guía diagnóstica de sesgos: confusión, sesgo de selección y sesgo de colisión se entienden como violaciones específicas de intercambiabilidad, y los DAG permiten decidir qué variables ajustar y —muy importante— cuáles no ajustar.

Un puente entre estudios observacionales y experimentales: métodos como el ajuste por propensity score, la ponderación por probabilidad inversa de tratamiento (IPTW), la estandarización (fórmula g) o las variables instrumentales son, todos, estrategias para reconstruir el contrafactual poblacional cuando no hay aleatorización.

8. Para profundizar

Causal Inference: What If, de Miguel A. Hernán y James M. Robins (disponible gratuitamente en el sitio de Harvard), es la referencia obligada; los capítulos 1 a 3 cubren los fundamentos contrafactuales. Para el enfoque de grafos, Causality, de Judea Pearl, o su versión divulgativa The Book of Why. El artículo seminal de Paul Holland, “Statistics and Causal Inference” (JASA, 1986), sigue siendo la exposición más clara del problema fundamental. Para epidemiología clínica aplicada, los artículos metodológicos de Hernán sobre target trial emulation en JAMA y American Journal of Epidemiology.

Referencias

Hernán, M. A., & Robins, J. M. (2020). Causal Inference: What If. Boca Raton: Chapman & Hall/CRC.

Holland, P. W. (1986). Statistics and Causal Inference. Journal of the American Statistical Association, 81(396), 945–960.

Pearl, J. (2009). Causality: Models, Reasoning, and Inference (2.ª ed.). Cambridge University Press.

Pearl, J., & Mackenzie, D. (2018). The Book of Why: The New Science of Cause and Effect. Basic Books.

Rubin, D. B. (1974). Estimating causal effects of treatments in randomized and nonrandomized studies. Journal of Educational Psychology, 66(5), 688–701.

Rothman, K. J., Greenland, S., & Lash, T. L. (2008). Modern Epidemiology (3.ª ed.). Lippincott Williams & Wilkins.

---

^[1]Hume, D. (1748). An Enquiry Concerning Human Understanding, Sección VII.

^[2]Hernán, M. A., & Robins, J. M. (2020). Causal Inference: What If. Boca Raton: Chapman & Hall/CRC.

^[3]Holland, P. W. (1986). Statistics and Causal Inference. Journal of the American Statistical Association, 81(396), 945–960.