Por Marcel Ribeiro-Dantas
Los ajustes bien intencionados pueden llevarnos a estimaciones incorrectas.
*
La tasa de mortalidad en los recién nacidos es mayor entre los que nacen con bajo peso al nacer. Los recién nacidos de madres fumadoras tienen más probabilidades de nacer con bajo peso al nacer. Paradójicamente, los recién nacidos con bajo peso al nacer cuyas madres son fumadoras tienen una tasa de mortalidad más baja que los recién nacidos con bajo peso al nacer de madres no fumadoras. Entonces, ¿fumar es bueno?
El bioestadístico Jacob Yerushalmy, un estadounidense nacido en Israel, presentó este argumento por primera vez en 1964, cuando ya existía un consenso de que fumar era perjudicial para la salud. Pero no fue hasta 2006 que esta paradoja se explicó satisfactoriamente: Yerushalmy había muerto más de tres décadas antes.
Los datos que había recopilado el investigador no eran el resultado de una mirada superficial, ya que fue el responsable de un estudio de más de 15.000 niños en San Francisco, Estados Unidos. Varios estudios ya han demostrado que los recién nacidos de madres fumadoras pesan menos y, dado que el bajo peso se asoció con un mayor riesgo de muerte, se esperaba que esto implicara una mayor mortalidad. El propio Yerushalmy discutió este asunto con cautela, sin apenas creer lo que le decían los números.
Aproximadamente dos décadas después, el estadounidense David Sackett, uno de los padres de la medicina basada en la evidencia, se encontró con un problema similar. Al analizar 257 pacientes hospitalizados, encontró una fuerte asociación estadística entre aquellos con enfermedades locomotoras y enfermedades respiratorias, es decir, era posible hacer predicciones sobre una de las condiciones al saber si el paciente había tenido la otra. Hubo plausibilidad en este hallazgo, ya que las enfermedades del aparato locomotor podrían conducir a la inactividad, lo que podría conducir a una enfermedad respiratoria. Sin embargo, sabemos que la correlación no implica causalidad. En un episodio en Estados Unidos, por ejemplo, se observó que cada vez que aumentaban las ventas de helados, había más ataques de tiburones. ¿¡El consumo de helado está causando tiburones !? ¡No! En verano la gente compra más helados y va más a la playa. En invierno, si nadie entra al agua, el tiburón verá barcos.
Fue porque entendió la posibilidad de sesgo en los datos del hospital que Sackett repitió su análisis con 2783 personas, incluidos pacientes ambulatorios. Para su sorpresa, si antes había habido una fuerte correlación (cientos de pacientes monitoreados de cerca, plausibilidad biológica), ahora las dos condiciones parecían no tener nada que ver entre sí. (Recuerde que la cantidad de individuos en el primer análisis no fue despreciable: había más de 15,000 niños estudiados por Yerushalmy).
El fenómeno que ocurrió en estos dos estudios se conoce como sesgo de colisión. El término colisión proviene de la representación gráfica de las relaciones causales: A → B ← C. A y C causan B y las flechas “chocan” en B. En algunos análisis de datos, existen razones para ajustar nuestras mediciones en función de ciertas condiciones, como como por ejemplo, no mezcle ajo y cantos rodados, es decir, no compare naranjas con plátanos. Este tipo de intuición lleva a muchos investigadores a sentir que deberían ajustar sus variables de interés por todas las demás variables medidas, como si más siempre fuera mejor.
Hoy, sin embargo, se sabe que algunas variables, llamadas colisionadores, no necesitan ser ajustadas, y si lo hacen, tendrán el efecto contrario: sesgar el análisis, en lugar de eliminar el sesgo. Lo que hizo Sackett fue ajustar por una variable colisionador: hospitalización (enfermedades locomotoras → hospitalización ← enfermedades respiratorias). En algunos casos los investigadores optan por no estudiar solo a los pacientes hospitalizados: investigan lo que está a su alcance. Yerushalmy, por otro lado, tomó la decisión de mirar solo a los niños que nacieron con bajo peso al nacer (fumar durante el embarazo → bajo peso ← otras causas de bajo peso).
Un razonamiento que dilucida la paradoja del bajo peso al nacer es que existen varios motivos que pueden provocarlo, como serias anomalías genéticas, con un efecto negativo más fuerte que el provocado por las madres fumadoras durante el embarazo. Digamos, hipotéticamente, que el 10% de los bebés con bajo peso al nacer, hijos de madres fumadoras, morirá, pero que otras causas de bajo peso al nacer conducen a la muerte en el 50% de los casos. En este caso, es mejor tener bajo peso porque la madre fumaba que por otras causas más graves (y cuyas madres no fumaban). Esto no quiere decir que sea mejor fumar, sino que en este caso concreto (nacer con bajo peso al nacer) existen causas más letales. Si consideramos a todos los bebés, con bajo peso al nacer o no, la mortalidad es mucho menor en los bebés de madres que no fumaron. En el caso de Sackett, los pacientes críticamente enfermos fueron hospitalizados. Al observar no solo a los pacientes hospitalizados, se pudo ver los datos sin sesgo, es decir, que las dos condiciones tenían una relación muy débil entre ellas, si es que la había.
Esta paradoja nos ha intrigado durante mucho tiempo y, aun resuelta, su mensaje principal sigue siendo poco conocido: contrariamente a la creencia de que cuantas más variables se ajusten mejor, hay aquellas cuyo ajuste puede sesgar el análisis.
*
Marcel Ribeiro-Dantas es investigador del Institut Curie, perteneciente a la PSL Research University y candidato a doctorado en la Sorbonne University, donde investiga la inferencia causal en datos observacionales en el área de la salud.
Suscríbete al boletín de Serrapilheira para seguir más noticias del instituto y del blog Ciência Fundamental.
Noticia de Brasil
Fuente: uol.com.br