SciELO - Scientific Electronic Library Online

 
vol.63 número4Carácterísticas demográficas y clínicas de pacientes con Covid-19 en Chihuahua, México índice de autoresíndice de materiabúsqueda de artículos
Home Pagelista alfabética de revistas  

Servicios Personalizados

Revista

Articulo

Indicadores

Links relacionados

  • No hay artículos similaresSimilares en SciELO

Compartir


Salud Pública de México

versión impresa ISSN 0036-3634

Salud pública Méx vol.63 no.4 Cuernavaca jul./ago. 2021  Epub 27-Feb-2023

https://doi.org/10.21149/12777 

Cartas al editor

Inferencia causal en análisis basados en datos de vigilancia epidemiológica para Covid-19

Causal inference in analyses base don epidemiological surveillance data for Covid-19

Martín Lajous, D en C Epid1  mlajous@insp.mx

(1) Centro de Investigación en Salud Poblacional, Instituto Nacional de Salud Pública. Ciudad de México, México.


Señor editor: Se ha reconocido que nuestra capacidad para hacer inferencia causal utilizando datos de vigilancia epidemiológica de Covid-19 está limitada debido al riesgo de sesgos.1 Sin embargo, se ha hablado poco sobre cómo las preguntas causales implícitas en algunos análisis hechos con este tipo de datos son vagas, lo que dificulta la interpretación de resultados.

Contar con exposiciones bien definidas facilita la inferencia causal. Aunque atractivas, preguntas como ¿cuál es el efecto de la obesidad sobre muerte por Covid-19? son difíciles de responder porque son ambiguas respecto al efecto causal que buscan estimar.2 La obesidad y las enfermedades crónicas resultan de una multiplicidad de mecanismos (i.e. dieta poco saludable, inactividad física, genes), condiciones que son en realidad desenlaces o pasos intermedios y no “exposiciones”. Dado que por lo general no conocemos el mecanismo por el cual las personas acumularon grasa corporal (o desarrollaron una enfermedad), nuestra capacidad para hacer inferencia causal y traducir resultados en intervenciones en salud pública es limitada.

En contraste, al asignar la exposición en experimentos aleatorizados, la pregunta causal es naturalmente precisa. Investigadores que realizan estudios observacionales pueden evaluar la vaguedad de sus preguntas causales imaginando el ensayo diana o experimento que hubieran querido hacer (incluso si el ensayo no fuese factible o ético).3 Para la pregunta sobre obesidad y muerte por Covid-19, sería necesario concebir un experimento donde se aleatorizara a personas dentro de obesidad en marzo de 2020, con seguimiento el resto del año para identificar muertes por Covid-19. Sin embargo, aquí aparecen varias dificultades. Primero, es difícil imaginar cómo asignar participantes dentro de obesidad. Alternativamente, tendríamos que pensar en intervenciones (i.e. dieta, actividad física) que afecten adiposidad y, potencialmente, muerte por Covid-19. Segundo, al redefinir la exposición cambiaría la pregunta causal y tendríamos que reconocer que el impacto de una intervención en dieta será distinto al de una en actividad física, aun si ambas afectan adiposidad. Y finalmente, sería importante asegurarnos que la intervención pueda afectar el desenlace en la ventana de tiempo de la pandemia. Entonces, por ejemplo, una pregunta menos vaga sería ¿cuál es el efecto de la obesidad por consumo de una dieta hipercalórica en personas de peso normal sobre muerte por Covid-19 a 12 meses? Como es aparente, esta pregunta no será posible responderla con datos de vigilancia epidemiológica.

¿Podemos responder preguntas útiles con los datos abiertos de Covid-19? Sí, por ejemplo, podemos clasificar personas y determinar su pronóstico (predecir su riesgo de muerte) lo cual es de gran utilidad para decisiones clínicas. Sin embargo, esto no equivale a la identificación de factores de riesgo que deban usarse para hacer recomendaciones de dieta o actividad física a la población para prevenir muerte por Covid-19.

La disponibilidad sin precedentes de datos de la pandemia en México es una gran oportunidad para la generación de información en salud. Sin embargo, para evitar un uso ineficiente de recursos de investigación, previo a cualquier análisis será importante contar con preguntas causales precisas, asegurarse que los datos permitan responderlas y que las estrategias analíticas sean las adecuadas.

Referencias

Accorsi EK, Qiu X, Rumpler E, Kennedy-Shaffer L, Kahn R, Joshi K, et al. How to detect and reduce potential sources of biases in studies of SARS-CoV-2 and COVID-19. Eur J Epidemiol. 2021;36(2):179-96. https://doi.org/10.1007/s10654-021-00727-7 [ Links ]

Hernán MA, Taubman SL. Does obesity shorten life? The importance of well-defined interventions to answer causal questions. Int J Obes (Lond). 2008;32(supl 3):S8-14. https://doi.org/10.1038/ijo.2008.82 [ Links ]

Hernán MA, Robins JM. Using Big data to emulate a target trial when a randomized trial is not available. Am J Epidemiol. 2016;183(8):758-64. https://doi.org/10.1093/aje/kwv254 [ Links ]

Declaración de conflicto de intereses. El autor declara no tener conflicto de intereses.

Creative Commons License Este es un artículo publicado en acceso abierto bajo una licencia Creative Commons