Confusión

La confusión es una mezcla de efectos: una asociación aparente entre una exposición y un resultado se distorsiona porque un tercer factor —el factor de confusión— es una causa común de ambos. A menos que se tenga en cuenta, la confusión puede hacer que una exposición inofensiva parezca dañina, ocultar un efecto real o exagerar uno. El control de la confusión es una de las tareas centrales de la epidemiología observacional.

Definition

La confusión es la distorsión de una asociación exposición-resultado que surge cuando una tercera variable es una causa común tanto de la exposición como del resultado (y no se encuentra en la vía causal entre ellos), de modo que la asociación cruda mezcla el efecto de la exposición con el efecto de esa variable.

Scope

Esta entrada aborda qué hace que una variable sea un factor de confusión, cómo se reconoce la confusión utilizando el razonamiento causal y los gráficos acíclicos dirigidos (DAG), y las principales estrategias para controlarla mediante el diseño y el análisis. También distingue la confusión de la modificación del efecto y de la mediación. Es una referencia metodológica, no una guía clínica.

Core questions

• ¿Es una variable candidata una causa común tanto de la exposición como del resultado?
• ¿Está la variable en la vía causal (un mediador) en lugar de ser un factor de confusión?
• ¿Qué conjunto de variables debe ajustarse para eliminar la confusión?
• ¿Podría la confusión residual o no medida explicar aún la asociación?

Key concepts

• Causa común
• Factor de confusión
• Grafo acíclico dirigido (DAG)
• Intercambiabilidad
• Vía de puerta trasera (backdoor path)
• Ajuste, estratificación y emparejamiento
• Confusión residual y no medida
• Confusión versus mediación

Mechanisms

Desde una perspectiva de resultados potenciales, la confusión es un fallo de intercambiabilidad: los grupos expuestos y no expuestos difieren en su riesgo basal del resultado por razones distintas a la exposición. En términos de diagramas causales, un factor de confusión abre una vía 'de puerta trasera' (backdoor path) no causal que conecta la exposición y el resultado a través de una causa común; bloquear esa vía —condicionando un conjunto apropiado de variables— elimina la confusión. Una variable en la vía causal (un mediador) no es un factor de confusión, y ajustarla puede introducir su propio sesgo. El control se puede ejercer mediante el diseño (aleatorización, restricción, emparejamiento) o mediante el análisis (estratificación, estandarización, ajuste por regresión y métodos como las puntuaciones de propensión). Dado que el ajuste solo puede manejar los factores de confusión medidos, la confusión no medida y residual sigue siendo una limitación de las estimaciones observacionales.

Clinical relevance

La confusión es una razón principal por la que las asociaciones observacionales no son automáticamente causales, y juzgar qué tan bien un estudio la ha manejado es fundamental para evaluar la evidencia sobre exposiciones y enfermedades. El concepto explica cómo se interpreta la evidencia; no es en sí mismo un consejo sobre diagnóstico o tratamiento para ningún individuo.

Epidemiology

La preocupación por la confusión impregna la investigación observacional en diseños de cohortes, casos y controles, y transversales. Motiva los ensayos aleatorizados (que, en promedio, equilibran los factores de confusión medidos y no medidos) y el uso creciente de diagramas causales explícitos y análisis cuantitativos de sesgos para razonar sobre lo que debe ajustarse.

History

La conciencia de que un tercer factor puede mezclar efectos es antigua, pero las definiciones precisas surgieron a finales del siglo XX. Greenland y Robins (1986) enmarcaron la confusión a través de la intercambiabilidad y la comparación contrafactual que el estudio intenta aproximar, y el marco de diagramas causales de Greenland, Pearl y Robins (1999) proporcionó un criterio gráfico para identificar factores de confusión y elegir conjuntos de ajuste. Estos desarrollos separaron claramente la confusión de la modificación del efecto y del sesgo de selección.

Debates

¿Cómo deben seleccionarse los factores de confusión para el ajuste?

La práctica anterior se basaba en criterios estadísticos (por ejemplo, el cambio en la estimación o la significancia de las asociaciones), mientras que los enfoques de diagramas causales argumentan que los conjuntos de ajuste deben elegirse a partir del conocimiento previo de la materia sobre la estructura causal para evitar ajustar por mediadores o colisionadores (colliders).

Key figures

• Sander Greenland
• James Robins
• Judea Pearl
• Olli Miettinen

Seminal works

• greenland-robins-1986
• greenland-pearl-robins-1999
• maldonado-greenland-2002

Frequently asked questions

¿Cuál es la diferencia entre un factor de confusión y un mediador?

Un factor de confusión es una causa común tanto de la exposición como del resultado y se encuentra fuera de la vía causal; un mediador se encuentra en la vía desde la exposición hasta el resultado. Ajustar por un factor de confusión reduce el sesgo, pero ajustar por un mediador puede introducirlo.

¿La aleatorización elimina la confusión?

La aleatorización tiende, en promedio y especialmente en ensayos grandes, a equilibrar las causas comunes medidas y no medidas entre los grupos, razón por la cual controla la confusión de una manera que el ajuste de datos observacionales no puede igualar completamente.

¿Es la confusión lo mismo que la modificación del efecto?

No. La confusión es una distorsión que debe eliminarse; la modificación del efecto es una variación genuina del efecto entre subgrupos y es una propiedad de la relación, no un error.