Predecir y explicar: una peligrosa confusión | 24 AGO 18

Un factor de riesgo no es lo mismo que un factor causal

Los "factores de riesgo" que predicen un estado de salud no son necesariamente objetivos de la intervención. Los estudios que evalúan la causalidad son más explicativos que predictivos
Autor/a: C. Mary SchoolingEmail author and Heidi E. Jones Fuente: Emerging Themes in Epidemiology201815:10 https://doi.org/10.1186/s12982-018-0080-z Clarifying questions about “risk factors”: predictors versus explanation
INDICE:  1. Página 1 | 2. Referencias bibliográficas
Página 1

Resumen

Antecedentes

  • En la investigación biomédica se piensa que se desperdicia mucho esfuerzo. Las recomendaciones para la mejora se han centrado principalmente en procesos y procedimientos. Aquí, adicionalmente sugerimos menos ambigüedad con respecto a las preguntas abordadas.

Métodos

  • Aclaramos la distinción entre dos conceptos combinados, predicción y explicación, ambos abarcados por el término "factor de riesgo", y proporcionamos métodos y presentación apropiados para cada uno.

Resultados

  • Los estudios de predicción de riesgos utilizan técnicas estadísticas para generar modelos contextualmente específicos basados en datos que requieren una muestra representativa que identifique a las personas en riesgo de condiciones de salud de manera eficiente (poblaciones objetivo para las intervenciones).
     
  • Los estudios de predicción de riesgos no necesariamente incluyen las causas (objetivos de la intervención), pero pueden incluir sustitutos o biomarcadores de causas baratos y fáciles de medir.
     
  • Los estudios explicativos, idealmente integrados en un modelo informativo de la realidad, evalúan el papel de los factores causales que, si se dirigen a las intervenciones, es probable que mejoren los resultados.
     
  • Los modelos predictivos permiten la identificación de personas o poblaciones con un riesgo elevado de enfermedad, lo que permite focalizar intervenciones probadas que actúan sobre factores causales.
     
  • Los modelos explicativos permiten la identificación de factores causales que se dirigen a las poblaciones para prevenir la enfermedad.

Conclusión

Garantizar una coincidencia clara de la pregunta con los métodos y la interpretación reducirá el desperdicio de investigación debido a interpretaciones erróneas.

Introducción

Asegurar que el enfoque conceptual coincida con la pregunta evitaría confundir la respuesta a una pregunta con la respuesta a una pregunta diferente

La investigación biomédica ha llegado a una crisis en la que se piensa que se desperdicia mucho esfuerzo de investigación [1]. Las recomendaciones para mejorar la situación se han centrado principalmente en procesos y procedimientos, tales como abordar cuestiones de alto impacto, a partir de lo que ya se conoce, el registro de protocolos y la disponibilidad de datos [1].

Aquí también sugerimos que asegurar que el enfoque conceptual coincida con la pregunta evitaría combinar diferentes preguntas y confundir la respuesta a una pregunta con la respuesta a una pregunta diferente.

Gran parte de la investigación biomédica observacional se refiere al papel de los "factores de riesgo" en la enfermedad, que se realiza por dos motivos principales:

(1) Estratificación o predicción del riesgo.

(2) Evaluación de la causalidad.

Estas son dos preguntas fundamentalmente diferentes, relacionadas con dos conceptos diferentes, es decir, predicción versus explicación, que requieren enfoques diferentes y tienen interpretaciones sustancialmente diferentes.

Sin embargo, el uso del término "factor de riesgo" como algo que puede predecir y / o explicar significa que estos dos conceptos pueden combinarse para que un estudio no cumpla ninguno de los objetivos, es decir, no prediga ni explique.

El colesterol LDL de lipoproteínas de baja densidad es un factor de riesgo no causal (es decir, predictor) para la enfermedad cardiovascular

Por ejemplo, los principales predictores de enfermedades cardiovasculares se han asumido durante mucho tiempo como objetivos de la intervención [2].

Después de una inversión de investigación extensa y costosa durante más de 35 años, incluido el desarrollo, prueba y falla de una nueva clase de medicamentos (inhibidores de CETP) [3], recientemente se ha identificado que el colesterol de lipoproteínas de baja densidad es un factor de riesgo no causal (es decir, predictor) para la enfermedad cardiovascular [4, 5].

Igualmente, los factores que no predicen el riesgo rara vez se identifican como factores causales (como los factores que son ubicuos en una comunidad determinada y, por lo tanto, no se los considera un riesgo creciente) [6], lo que sugiere que se están pasando por alto las intervenciones. Teniendo en cuenta la importancia de evitar "preguntas de baja prioridad" [1], aclaramos la diferencia entre estos dos conceptos y su uso en estudios observacionales.

Modelos predictivos

Fumar causa tanto dedos amarillos como cáncer de pulmón, los dedos amarillos podrían predecir pero no explicar el cáncer pulmonar

La estratificación del riesgo, los modelos de predicción o los modelos de "pronóstico del clima" identifican a personas o grupos con un riesgo elevado o elevado de una afección de salud particular, idealmente para que se les puedan ofrecer intervenciones comprobadas u otras medidas de mitigación que puedan implementarse.

Un ejemplo muy exitoso de un modelo de estratificación de riesgo es el puntaje de Framingham que predice el riesgo de 10 años de enfermedad cardíaca en personas sanas [7], para informar la prevención, como el uso de moduladores de lípidos.

Otros ejemplos incluyen modelos de pronóstico para identificar el mejor tratamiento para el cáncer [8], o modelos para predecir tendencias de la enfermedad, como Google Flu Trends [9]. Estos modelos predictivos generalmente se basan en proyecciones estadísticas de patrones previos, y para ser factible generalmente se basan en información capturada fácilmente.

Por ejemplo, el puntaje de Framingham puede aplicarse en la práctica clínica diaria, incluso en entornos de escasos recursos, porque solo requiere una evaluación de la edad, el sexo, el tabaquismo, la presión arterial, los lípidos y la diabetes, que son relativamente baratos y rápidos de medir. Las tendencias de gripe de Google se basaron en términos de búsqueda de Internet para síntomas particulares [9].

Los modelos de predicción generalmente se desarrollan con base en criterios estadísticos para ajustarse bien a la distribución de los datos, utilizando técnicas como la selección gradual o, más recientemente, las técnicas de aprendizaje automático. Los modelos de predicción a menudo incluyen varios "factores de riesgo" para obtener un modelo que se ajuste bien a los datos y pueda explicar la mayor cantidad de varianza en la condición de salud del resultado.

La contribución de cada "factor de riesgo" se presenta para que el lector pueda ver la contribución independiente de cada uno a la predicción general, así como las medidas de ajuste del modelo. Los modelos de predicción generalmente se validan en poblaciones similares.

Como con todos los modelos estadísticos, no se puede esperar que predigan bien en circunstancias nuevas [9], y se desarrollan mejor utilizando una muestra representativa de la población en la que se aplicarán.

Una medición constantemente deficiente afectará la precisión, ya que agrega ruido. Una medición incoherentemente deficiente afectará el poder predictivo, porque puede cambiar la relación entre el factor de riesgo y el resultado.

Los modelos de predicción pueden no ser generalizables a poblaciones que difieren de aquella en la que se desarrollaron porque en una nueva población la correlación entre factores causales predictivos y verdaderos puede ser diferente. Por ejemplo, el modelo de Framingham a menudo tiene que calibrarse para predecir correctamente el riesgo absoluto de cardiopatía en nuevas poblaciones [10].

Si bien las tendencias de la gripe de Google ya no brindan estimaciones; se volvió impreciso, posiblemente porque el modelo necesitaba una recalibración dinámica de la relación entre los términos de búsqueda y la influenza para mantenerse en el camino correcto [9].

Los "factores de riesgo" que predicen un estado de salud no son necesariamente objetivos de la intervención

Los modelos de predicción probados son inmensamente valiosos para identificar poblaciones objetivo, es decir, personas o grupos que necesitan prevención o tratamiento, pero los "factores de riesgo" que predicen un estado de salud no son necesariamente objetivos de la intervención. Por ejemplo, los síntomas de la gripe no causan influenza y no son objetivos de intervención para prevenir la aparición de la gripe.

Si los "factores de riesgo" que predicen las condiciones de salud en los modelos de estratificación del riesgo también son objetivos de la intervención deben establecerse a partir de diferentes estudios diseñados para evaluar los efectos de las intervenciones.

Como tal, no es apropiado calcular un riesgo atribuible a la población o una proporción de "factores de riesgo" a partir de un modelo de predicción de riesgos, porque la eliminación de estos "factores de riesgo" podría o no afectar la salud de la población.

De manera similar, el propósito de los modelos predictivos es explicar la mayor cantidad de varianza en el resultado, por lo que solo se deben incluir los factores que contribuyen a explicar la varianza. Los conceptos de confusión, mediación y modificación de la medida del efecto no son aplicables a los modelos predictivos. Los términos de interacción se pueden agregar a los modelos predictivos para mejorar el ajuste del modelo, pero estas interacciones no deben interpretarse como indicadores de diferentes efectos por subgrupo.

Modelos explicativos

Los estudios que evalúan la causalidad son más explicativos que predictivos

Los modelos explicativos pueden considerarse modelos simplificados, abstractos y proposicionales de algún aspecto particular de cómo funciona el mundo, que proporcionan una guía sobre cómo manipular elementos de interés. Como tal, los modelos explicativos se basan en factores potencialmente causales, es decir, factores cuya manipulación cambia el resultado [11].

Los estudios que evalúan la causalidad son más explicativos que predictivos. Los modelos explicativos están diseñados para evaluar si un "factor de riesgo" particular explica la ocurrencia, o el curso, de la enfermedad y, como tal, es un objetivo válido de intervención. Los "factores de riesgo" seleccionados como posibles factores causales podrían basarse en "factores de riesgo" de los modelos predictivos, podrían basarse teóricamente o podrían formularse hipótesis a partir de otras fuentes.

Por ejemplo, el puntaje de Framingham incluye factores como fumar y la presión arterial, que indudablemente causan enfermedades cardíacas, pero también otros "factores de riesgo" como la edad, el sexo y las lipoproteínas de alta densidad, cuyo papel causal en la enfermedad cardíaca es menos claro [12].

Por el contrario, los factores que no predicen la enfermedad podrían identificarse como posibles factores causales basados en la fisiología o las teorías bien establecidas.

Por ejemplo, observacionalmente la longitud de los telómeros no parece predecir el cáncer de células renales, pero las personas con telómeros genéticamente más largos tienen un mayor riesgo [13], lo que sugiere un papel causal en el cáncer de células renales, como en otros cánceres [14].

 

Comentarios

Para ver los comentarios de sus colegas o para expresar su opinión debe ingresar con su cuenta de IntraMed.

AAIP RNBD
Términos y condiciones de uso | Todos los derechos reservados | Copyright 1997-2022