Pensamiento Crítico en Fisioterapia

Causalidad: Simplicidad Compleja
Domino

Causalidad: Simplicidad Compleja

En esta entrada se abordarán aspectos muy básicos sobre la causalidad, la mediación y la moderación; con el fin de hacer reflexionar sobre las conclusiones que podemos sacar de distintos diseños de investigación y de la práctica clínica con nuestros/as pacientes.

Causalidad: Simplicidad Compleja

Uno de los aspectos que más nos interesa en el campo de la Fisioterapia, tanto a nivel de investigación como en la práctica clínica, es el establecimiento de asociaciones causales. Es decir, queremos responder a preguntas como, ¿esta intervención causa una mejora en el dolor? ¿el dolor de hombro causa este patrón de movimiento? Tenemos tendencia a pensar que dichas asociaciones causales se pueden conocer fácilmente, y que, guiándonos por el sentido común, podemos establecer las mismas en investigación y/o la práctica clínica, con unos pocos datos. No obstante, estos pensamientos no podrían estar más alejados de la realidad, donde establecer una asociación causal, es una de las tareas más arduas para cualquier investigador, y casi inalcanzable para ningún clínico, si no tiene en cuenta las investigaciones pertinentes relacionadas con su campo de conocimiento.

Hemos observado una asociación,
¿y ahora qué?

Para poder entender mejor el concepto de causalidad, debemos conocer los tipos de situaciones que podemos encontrar entre dos variables que observamos asociadas. Imaginemos que podemos afirmar que existe una asociación entre dos variables, X e Y:

Podemos plantearnos distintas posibilidades ante esta asociación:

X causa Y: Asociación causal

Y causa X: Consecuencia y no causa

 X e Y son causadas por otra variable C: Asociación espuria

X se relaciona con C, que a su vez causa Y, pero no sabemos la relación causal entre X y C: Epifenómeno

X muestra una relación con Y, por casualidad, errores de diseño del estudio, u otros aspectos, cuando en realidad no existe tal asociación entre ambas variables:

Como puede apreciarse, un primer concepto que debemos tener en cuenta, es que asociación no es lo mismo que causalidad, es decir, el hecho de que hayamos observado una asociación entre dos variables dadas, no significa una cause la otra, pudiendo incluso no existir ninguna asociación real entre ellas.

¿Sí, cuándo y cómo?

En general, en Fisioterapia, los diseños de los estudios y los análisis estadísticos que se realizan van destinados a responder a una cuestión, el sí, es decir, si existe o no una asociación entre dos variables. Sin embargo, esta no es la pregunta que más nos interesa, ni en investigación, ni en la práctica clínica, y en la mayoría de los estudios se acaba discutiendo, cuando no concluyendo, acerca de otras dos preguntas, el cuándo y el cómo, sin haber diseñado el estudio para responder a las mismas ni haber planteado los análisis estadísticos adecuados para ello. Hay dos conceptos que debemos tener en cuenta: la moderación (cuándo) y la mediación (cómo).

Moderación: ¿Cuándo se relaciona X con Y?

En un análisis de moderación (o interacción) se evalúa si la relación entre dos variables (X e Y), depende del valor de otra variable, denominada moderadora (W). Por ejemplo, sabemos que el ejercicio terapéutico tiene beneficios en el alivio del dolor y la mejora de la discapacidad en sujetos con dolor lumbar crónico inespecífico. Podríamos hipotetizar que los sujetos con mayor grado de Kinesiofobia, se adherirían peor a los ejercicios y, por tanto, en este subgrupo, el efecto de dicha intervención sería peor, o incluso no sería efectiva, en comparación a las personas con un grado más bajo de Kinesiofobia. Es decir, podríamos hipotetizar que la Kinesiofobia modera la relación entre el ejercicio terapéutico y la mejora de la discapacidad/dolor.

Diagrama conceptual de un análisis de moderación simple

Mediación: ¿Cómo se relaciona A con B?

En un análisis de mediación, lo que tratamos de evaluar es la vía causal a través de la cual pensamos que X ejerce su efecto sobre Y. A esa variable que se encuentra entre la vía causal de X hacía Y, se la denomina mediadora. Por ejemplo, podríamos hipotetizar que el ejercicio terapéutico produce una ganancia de fuerza muscular, y que dicha ganancia es la que, secundariamente, causa una disminución en la discapacidad de personas con dolor lumbar inespecífico. En este caso, la variable fuerza muscular, sería la variable mediadora. Este efecto del ejercicio a través de la fuerza, se denomina efecto indirecto.

Diagrama conceptual de un análisis de mediación simple

Sin embargo, no todo el efecto que podría ejercer el ejercicio terapéutico sobre la discapacidad, ha de deberse a una ganancia de fuerza. Existe una parte del efecto del ejercicio que no se produce a través de esa variable mediadora, y que se producirá a través de otras no contempladas en el modelo, este se conoce como efecto directo. La suma del efecto indirecto y el efecto directo es igual al efecto total del ejercicio terapéutico sobre la discapacidad.

Asociación no implica causalidad, pero… ¿es necesaria la correlación para establecer causalidad?

Algo que cualquier persona con un mínimo de formación en metodología parece reconocer, es la afirmación anteriormente mencionada: correlación no implica causalidad. Podríamos pensar que para que podamos establecer una asociación causal entre X e Y, debemos observar una correlación simple entre ambas variables, es decir:

De hecho, uno de los métodos más antiguos para estudiar la mediación, el modelo de pasos causales de Baron & Kenny de 1986, así lo establece. Su primer paso para hablar de una asociación causal entre X e Y comprende evaluar la correlación simple entre dichas variables, de modo que, si no hay una relación significativa entre las mismas, no se prosigue con los posteriores análisis.

Sin embargo, este planteamiento está equivocado, y algo que no suele tenerse tan claro es que esta correlación, no es un criterio necesario para establecer causalidad.

Como he comentado anteriormente, el efecto total que X ejerce sobre Y es igual a la suma del efecto indirecto a través de una variable mediadora (M), y el efecto directo que no se ejerce a través de dicha variable mediadora. Podemos, por tanto, tener un modelo de mediación como el siguiente:

Es decir, si el efecto indirecto a través de una variable mediadora (M), tiene signo opuesto al efecto directo, esto haría que, al analizar la relación simple entre X e Y, obtuviéramos que no hay una relación entre ambas variables (efecto total = 0), a pesar de que X influye causalmente en Y a través de M.

Imaginemos ahora que asumimos que X causa Y y analizamos dicha asociación en una muestra de 200 sujetos, y obtenemos un coeficiente de correlación de Pearson de -0.03 (IC 95%, -0.17 a 0.10; p = .63). La muestra está compuesta por 100 hombres y 100 mujeres. Si el factor sexo, modera la relación entre X e Y, de manera que dicha relación se invierte en función del sexo, entonces al analizar la muestra en su conjunto podemos obtener que no hay relación entre X e Y, pero analizándola por separado, teniendo en cuenta ese factor moderador, obtendríamos lo siguiente:

Hombres: 0.58 (IC 95%, 0.44 a 0.70; p < .01)

Mujeres: -0.62 (IC 95%, -0.72 a -0.48; p < .01)

Es decir, a pesar de no existir una relación entre X e Y, eso no implicaría que X no causa Y, ya que si tenemos en cuenta la variable moderadora se obtiene un resultado totalmente opuesto.

En resumen, la existencia de una relación simple entre X e Y no es un criterio suficiente ni necesario para establecer una asociación causal entre X e Y. Es por ello por lo que, los modelos de mediación y moderación, o su combinación dentro de lo que se denomina, análisis de procesos condicionales, son mejores opciones para el estudio de modelos causales en investigación, los cuales pueden ser mucho más complejos que los presentados en este escrito.

Diagrama conceptual de un análisis de mediación múltiple en serie con moderación

A pesar de la clara ventaja de este tipo de análisis multivariante, su utilización dentro del ámbito de la Fisioterapia es casi inexistente dentro de los ensayos controlados aleatorizados. En una búsqueda realizada a través de Pubmed el 01 de abril de 2021, de los 27601 resultados reportados por la búsqueda de (“physical therapy» OR physiotherapy), solamente se obtuvieron 63 (0.23%) resultados que reportasen términos relacionados con los análisis de mediación (“mediation” OR “sobel test” OR “joint significance” OR “causal steps” OR “conditional process analysis”).

El uso de los análisis de moderación o interacción es más habitual tanto en ensayos controlados aleatorizados, como en estudios de carácter observacional, pero a mi modo de ver, tampoco el suficiente para la relevancia que tienen este tipo de análisis, ya que principalmente se utilizan para ver interacciones tiempo-por-grupo, o con factores como el sexo, siendo menos habitual el análisis de interacción con variables continuas y/o el uso de modelos más complejos de análisis de procesos condicionales.

Esta situación es anacrónica, dados los avances en computación de los últimos años, que facilitan notoriamente la implementación de este tipo de análisis más complejos de manera sencilla y que, por si no se había podido intuir de lo anteriormente mencionado, mejoran de manera importante la potencia estadística de los estudios, es decir, nos facilitan encontrar asociaciones entre variables que, de otra manera, pasaríamos por alto.

¿Qué análisis estadístico nos permite establecer causalidad?

Siempre ha existido cierto debate sobre que análisis estadísticos permiten establecer causalidad, existiendo personas que tienen tendencia al uso de Análisis de la Varianza (ANOVA) en ensayos controlados aleatorizados, y al uso de análisis de regresión lineal en caso de estudios observacionales, bajo la asunción de que un ANOVA se destina a estudiar causalidad y una regresión lineal no. La respuesta rápida a la pregunta sería ninguno, no existe ningún análisis estadístico que permita establecer causalidad. Poniendo de ejemplo el caso mencionado, un ANOVA y un análisis de regresión lineal son exactamente lo mismo y, con la codificación adecuada, nos reportarán los mismos resultados, el ANOVA no es mejor que la regresión para establecer causalidad, a pesar de que así lo crean algunas personas.

Para poder establecer una asociación causal entre dos variables debemos tener en cuenta múltiples aspectos, muchos de ellos no relacionados con el tipo de análisis estadístico. En 1965, Austin Bradford Hill, un epidemiólogo inglés, publica su estudio The Environment and Disease: Association or Causation? En el cual aúna múltiples criterios de casualidad, actualmente conocidos como los criterios de causalidad de Hill:

  1. Fuerza de asociación: Tamaño del riesgo medido con los tests apropiados.
  2. Consistencia: La asociación es consistente cuando los resultados son replicados en diferentes situaciones usando diferentes métodos.
  3. Especificidad: Cuando una sola causa produce un efecto específico.
  4. Secuencia temporal: La exposición (causa) precede siempre al resultado (efecto).
  5. Gradiente biológico (dosis-respuesta): Un incremento en el nivel de exposición (en cantidad y/o tiempo) incrementa el riesgo.
  6. Evidencia experimental: La condición puede ser alterada (prevenida o mejorada) con regímenes experimentales apropiados.
  7. Plausibilidad biológica: La asociación concuerda con el entendimiento actualmente aceptado sobre los procesos patobiológicos.
  8. Coherencia: La asociación debería ser comparable con las teorías y conocimientos existentes.
  9. Analogía: El hallazgo de asociaciones análogas entre factores similares y enfermedades similares.

A mayor número de criterios que se cumplan, mayor es la confianza que podemos tener en la afirmación de que una variable X causa Y. Por lo general, se requiere de múltiples investigaciones, con distintos tipos de diseños, y reproducidos por distintos grupos de investigadores independientes, para poder sugerir asociaciones causales. Lo que si que podemos afirmar es que hay algunos tipos de análisis estadístico más adecuados que otros, para el estudio de modelos causales.

Conclusiones

El establecimiento de una asociación causal en investigación es una tarea ardua, que requiere de múltiples investigaciones con un diseño adecuado, análisis estadísticos multivariantes y tener en cuenta siempre posibles explicaciones alternativas a los hallazgos encontrados, para poder sugerir la existencia de la misma.

Toda esta complejidad hace que, en la práctica clínica, sea imposible establecer una asociación causal sin tener en cuenta los conocimientos adquiridos a través de la investigación, e incluso en ese caso, no deja de ser también una tarea ardua.

Sobre el autor...

ruben4121

Rubén Fernández Matías

Fisioterapeuta, Estudiante de Doctorado.
Graduado en Fisioterapia. Estudiante de Doctorado, Universidad de Alcalá. Socio ARP-sapc y APETP.

Deja un comentario