Lo esencial
- Un factor de confusión ofrece una explicación de causa común para una asociación.
- En la causalidad inversa, el desenlace en desarrollo puede influir en la exposición.
- La aleatorización y el ajuste abordan problemas distintos y ambos necesitan evaluación cuidadosa.
01
La asociación describe un patrón; la causalidad pregunta por un cambio
Una asociación significa que una exposición y un desenlace varían juntos. La exposición puede ser un medicamento, una conducta o una condición ambiental. La pregunta causal es si cambiar esa exposición modificaría el desenlace frente a una alternativa pertinente, en una población y un período definidos.
Empieza convirtiendo el titular en una pregunta: «¿Comparado con qué, para quiénes y durante cuánto tiempo?». Sustituir un alimento por otro no es lo mismo que añadirlo. Observar a quienes ya eligieron una conducta tampoco equivale a asignarla. Formular preguntas precisas facilita detectar comparaciones engañosas.
Fuentes de esta sección: [1]
02
Un ejemplo práctico de confusión
Imagina un estudio donde quienes compran una aplicación de ejercicio tienen menos visitas hospitalarias. Es un ejemplo ilustrativo, no un estudio real. Los compradores podrían disponer ya de más tiempo para ejercitarse, mayores ingresos o mejor acceso a atención preventiva. Un factor previo podría influir tanto en la compra como en la salud posterior, ofreciendo una explicación de causa común.
La conclusión correcta no es que la aplicación no pueda ayudar. Es que esa comparación no aísla su contribución. Pregunta qué diferencias existían antes de la compra y cómo se midieron y trataron. Una muestra grande puede estimar una asociación con mucha precisión y aun así dejar este problema sin resolver.
Fuentes de esta sección: [1]
03
Causalidad inversa y límites del ajuste
Imagina ahora que quienes caminan menos reciben más diagnósticos posteriormente. Una enfermedad temprana, todavía no diagnosticada, podría estar limitando sus caminatas. El momento del diagnóstico no tiene por qué ser el inicio de la enfermedad. Por eso «el hábito se midió primero» puede no bastar para descartar causalidad inversa.
Una estimación «ajustada» compara grupos después de tener en cuenta estadísticamente ciertos factores medidos. Su credibilidad depende de seleccionar los factores correctos, medirlos bien y utilizar supuestos adecuados. El ajuste no recupera automáticamente información ausente; ajustar por una consecuencia de la exposición puede responder otra pregunta. Busca la lista de variables y los análisis de sensibilidad, no solo la palabra «ajustado».
04
Qué aporta la aleatorización
Una asignación aleatoria adecuada hace comparables a los grupos en promedio respecto a factores iniciales medidos y no medidos. Ocultar la próxima asignación evita que las decisiones de reclutamiento alteren ese proceso. El enmascaramiento es distinto: reduce la influencia de conocer el tratamiento asignado sobre la conducta o la evaluación.
Un ensayo todavía puede verse afectado por resultados ausentes, desviaciones del tratamiento previsto o publicación selectiva. A su vez, un estudio observacional puede aportar evidencia valiosa cuando un ensayo es inviable o poco ético. Evalúa cómo responde el diseño a la pregunta causal, sin tratar su etiqueta como garantía ni como motivo de rechazo automático.
Fuentes de esta sección: [2]
05
Cinco preguntas para el próximo titular de salud
- ¿Qué exposición, comparación, población y desenlace se estudiaron realmente?
- ¿Podría una causa común explicar la asociación?
- ¿Una enfermedad temprana pudo cambiar la conducta antes del diagnóstico?
- ¿Qué factores se ajustaron y faltaban datos importantes?
- ¿El tamaño del efecto, su incertidumbre y otros estudios respaldan el titular?
Un valor p pequeño no determina si existe confusión. Un intervalo de confianza describe incertidumbre bajo los supuestos del análisis, no protección contra todos los sesgos. No necesitas resolver todo el modelo estadístico para advertir cuándo «se relaciona con» se ha convertido en «previene» sin un argumento causal convincente.
Fuentes
- Cochrane Handbook, Chapter 25 — Assessing risk of bias in a non-randomized studyCochrane · 2024Fuente consultada:
- Cochrane Handbook, Chapter 8 — Assessing risk of bias in a randomized trialCochrane · 2024Fuente consultada:
- Cochrane Handbook, Chapter 15 — Interpreting results and drawing conclusionsCochrane · 2024Fuente consultada:
Historial de revisiones
- Artículo inicial preparado con asistencia automatizada y fuentes comprobadas el 2026-09-08T06:06:52Z (UTC). La fecha de publicación 2026-02-18T06:30:24Z (UTC) se asignó retrospectivamente a petición del responsable del sitio y es distinta de la preparación y la comprobación de fuentes. El contenido utiliza evidencia disponible para la fecha asignada. No consta una revisión clínica independiente.