Resumen del capítulo


Causalidad: viejas ideas y nuevos retos

Juan José Granizo


Formalmente la causalidad es la parte de la epidemiología que explora las relaciones etiológicas entre una exposición y un efecto para la salud. Esta definición tiene la dificultad práctica de medir la exposición real a un factor de riesgo y el efecto que se está investigando. La epidemiología ha usado varios modelos teóricos para definir una causa. El primer modelo científico es el aplicable a las enfermedades infecciosas (Modelo de Koch), aunque se encuentra superado, además de ser inútil para las enfermedades crónicas. Los modelos multicausales aplican nuevas ideas como la pluralidad disyuntiva (un efecto puede tener múltiples causas), pluralidad conjuntiva (las causas deben encadenarse para ocasionar un efecto) y la multiplicidad de efectos de una única causa. Para superar las limitaciones de ambos modelos, se ha propuesto un modelo “determinista modificado” (Rothman) que salva las bases teóricas del determinismo admitiendo el hecho de que la enfermedad aparece según patrones aleatorios. El modelo de Rothman detalla causas suficientes, componentes y necesarias, define el riesgo como aquella condición que aumenta las probabilidades de que ocurra un efecto, e incluye ideas con gran impacto como la interacción y los factores de confusión. Inferir es un proceso subjetivo, por lo que es conveniente ser escéptico con toda afirmación de causalidad. Frente al modelo de Rothman se ha propuesto un modelo probabilísitico, basado en la aparición aleatoria de un efecto, que puede ser útil para grandes poblaciones o cuando no están bien perfilados los riesgos o los efectos. Un paso más allá tenemos los “modelos de causas complejas” que asumen que las causas están relacionadas entre sí, son dependientes unas de otras y con relaciones que se modifican con el tiempo, y a su vez son modificadas por los efectos. Estos modelos están en la línea de análisis de fenómenos caóticos como la climatología, para lo que se apoyan en las ideas de Lorenz y el efecto mariposa (pequeños cambios en las condiciones del modelo inicial ocasionan grandes cambios en el efecto final), los modelos de fractales, teoría de redes y teoría de catástrofes. Presentan una gran utilidad para explicar brotes infecciosos o incidentes de seguridad que pueden estar causados por la acumulación de pequeños fallos que ocasionan efectos considerables. Entre los retos de la causalidad está demostrar que una exposición no es un riesgo real (demostrar la inocencia de una exposición) lo que constituye una demanda social no respondida por la ciencia. Está pendiente de desarrollo las herramientas que nos permitan identificar los factores de protección que bloquean el efecto de los factores de riesgo ya conocidos. Un tercer reto sería que la metodología cualitativa superara a la cuantitativa, no por rigor, si no por simplicidad ya que en el futuro se emplearán técnicas matemáticas complejas, que estarán fuera del alcance y la comprensión de la mayoría de los investigadores clínicos. Y un cuarto reto será aunar datos clínicos, estilos de vida, factores ambientales y genética empleando big data, algo que quizás cambie nuestra visión de la epidemiología.