Professional Documents
Culture Documents
“HERMILIO VALDIZÁN”
EPIDEMIOLOGÍA
DOCENTE: Dr. Miguel Ángel, PACO FERNÁNDEZ
ALUMNOS:
Ospino Martin, Luis Pedro
HUÁNUCO – PERÚ
CAUSALIDAD E INFERENCIA CAUSAL
Una comprensión rudimentaria de causa y efecto parecen ser adquiridos por la mayoría de la
gente por su cuenta mucho antes de lo que podría haber sido enseñadas por alguien más.
Incluso antes de que puedan hablar, muchos jóvenes entienden la relación entre el llanto y la
apariencia de un padre u otro adulto, y la relación entre esa apariencia y el de conseguir
lugar, o alimento. Un poco más tarde, van a desarrollar teorías sobre lo que ocurre cuando un
vaso de leche es derramado o entregado, y lo que sucede cuando un interruptor en la pared
es empujada desde una de sus posiciones de reposo a otro. Mientras que las teorías de este
tipo se están formulando, una teoría causal más general también se está formando. La teoría
más general postula que algunos eventos o estados de la naturaleza son causas de efectos
específicos. Sin una teoría general de causalidad, no habría ningún esquema en que colgar la
sustancia de muchas de las teorías causales específicas que uno necesita para sobrevivir.
Sin embargo, los conceptos de causalidad que fueron establecidas de manera temprana en la
vida son demasiado primitivos como para servir de base para las teorías científicas. Esta
deficiencia puede ser especialmente cierto en la salud y ciencias sociales, en los que las causas
típicas no son ni necesarios ni suficientes para producir efectos de interés. Por lo tanto, como
ha sido reconocido en la epidemiología, existe una necesidad de desarrollar un modelo
conceptual más refinado que puede servir como punto de partida en las discusiones sobre la
relación de causalidad. En particular, dicho modelo debe abordar los problemas de la relación
de causalidad multifactorial, la confusión, la interdependencia de los efectos, los efectos
directos e indirectos, los niveles de causalidad, y los sistemas o redes de la causalidad
(MacMahon y Pugh, 1967; Susser, 1973). En este capítulo se describe un punto de partida, el
modelo de causa suficiente-componente (o modelo de causa suficiente), que han demostrado
ser útiles en la aclaración de ciertos conceptos en los mecanismos individuales de la relación
de causalidad. El Capítulo 4 presenta el amplio uso de resultados potenciales o modelos
hipotéticos de causalidad, el cual es útil para relacionar niveles individuales a niveles
poblacionales de causalidad, mientras que el capítulo 12 introduce diagramas de modelos
causales (diagramas causales), que son especialmente útiles para ejemplificar sistemas
causales.
Salvo que se especifique lo contrario, a lo largo del libro vamos a suponer que la enfermedad
se refiere a un evento no recurrente, tal como la muerte o la primera aparición de una
enfermedad, y que el resultado de cada persona o unidad de estudio (por ejemplo, un grupo
de personas) no se vean afectadas por las exposiciones y los resultados de otros individuos o
unidades. Aunque este supuesto simplificará en gran medida nuestra discusión y es
razonable en muchas aplicaciones, no se aplica a los fenómenos contagiosos, tales como los
comportamientos y las enfermedades transmisibles. Sin embargo, todas las definiciones y la
mayoría de los puntos que hacen (especialmente respecto a la validez) se aplican de manera
más general. También es esencial para comprender las situaciones más simples antes de
abordar la complejidad creada por la interdependencia causal de las personas o unidades.
Bajo esta definición, si alguien camina por un camino de hielo cae y se rompe la cadera,
puede haber una larga lista de causas. Estas causas pueden incluir el tiempo en el día del
incidente, el hecho de que el camino no fue autorizado para los peatones, la elección del
calzado de la víctima, la falta de una barandilla, y así sucesivamente. La constelación de
causas necesarias para que esta persona en particular pueda romperse la cadera en ese
momento puede ser representada con el diagrama de causa suficiente en la Figura 2.1.
Entendemos por causa suficiente a un mecanismo causal complejo, un conjunto mínimo de
eventos y condiciones que son suficientes para que el resultado ocurra. El círculo en la figura
consta de cinco segmentos, cada uno de los cuales representa un componente causal que
deberán estar presentes u ocurrirán en orden para que la persona rompa su cadera en ese
instante. El primer componente, la etiqueta A, representa el mal tiempo. El segundo
componente, la etiqueta B, representa un camino no autorizado para los peatones. El tercer
componente, denominado C, representa una mala elección del calzado. El cuarto
componente, con la letra D, representa la falta de una barandilla. El ultimo componente,
llamado U, representa a todos los eventos no especificados, condiciones y características que
deben de estar presentes o se han producido a instancias de la caída que dio lugar a una
fractura de cadera. Para efectos etiológicos, tales como las causas de la enfermedad, muchos
y, posiblemente, todos los componentes de una causa suficiente puede ser desconocido
(Rothman, 1976a). Por lo general, incluyen un componente de la causa, con la etiqueta de U,
para representar el conjunto de factores desconocidos.
Todas las causas componentes son necesarios en la causa suficiente y deben de estar
presentes o haberse ocurrido en los casos en que se cayó la persona para romperse una
cadera. Ninguno está de más, lo que significa que al bloquear la contribución de cualquier
causa componente impide que la causa suficiente actúe. Para muchas personas, los principios
del pensamiento causal persisten en el intento de encontrar las causas individuales como
explicaciones para los fenómenos observados. Pero la experiencia y el razonamiento
demuestran que el mecanismo causal de ningún efecto debe consistir en una constelación de
componentes que actúan en concierto (Mill, 1862; Mackie, 1965). En la etiología de la
enfermedad, una causa suficiente es un conjunto de condiciones suficientes para garantizar
que el resultado se va a producir. Por lo tanto, completar una causa suficiente es equivalente a
la aparición de la enfermedad. El inicio aquí puede referirse a la aparición de las primeras
etapas del proceso de la enfermedad o para cualquier transición de una etapa bien definida y
se caracteriza fácilmente de un escenario a la siguiente, como la aparición de signos o
síntomas.
Figura 2-1 Representación • de la constelación de causas componentes que constituyen una causa sufic
Las causas componentes debe ser definida con respecto a una alternativa claramente
especificada o una condición de referencia (a menudo llamado referente). Considere
nuevamente la falta de una barandilla a lo largo del camino. Para Decir que esta condición es
una causa componente de la fractura de cadera, tenemos que especificar nuevamente una
condición alternativa con el cual contrastar la causa. La mera presencia de una barandilla no
sería suficiente. Después de todo, la fractura de cadera aún podría haber ocurrido en la
presencia de una barandilla, si la barandilla era demasiado corto o si era viejo y de madera
podrida. Sería necesario especificar la presencia de una barandilla lo suficientemente alta y
fuerte como para romperse al caer por la ausencia de esa barandilla para ser una causa
componente de la fractura de cadera.
Para ver la necesidad de especificar el evento, condición o característica alternativa, así como
la primera causa, considere un ejemplo de un hombre que consume altas dosis de ibuprofeno
por varios años y desarrollo una úlcera gástrica. ¿El uso de ibuprofeno causó la úlcera? Uno
podría asumir que en un primer momento la diferencia natural sería con lo que habría
sucedido si no hubiera tenido nada en lugar de ibuprofeno. Dada una fuerte razón para
tomar el ibuprofeno, sin embargo, esta alternativa puede no tener sentido. Si como alternativa
a tomar ibuprofeno podría tomar acetaminofén, un medicamento diferente que podría haber
sido indicado para su problema, y si no hubiera desarrollado la úlcera habría utilizado el
acetaminofen, entonces podemos decir que el uso de ibuprofeno causa la úlcera. Sin embargo,
el ibuprofeno no causaría
la úlcera si la alternativa hubiese sido aspirina y, de haber tomado aspirina, aún se habría
desarrollado la úlcera. La necesidad de especificar la alternativa a una prevención se ilustra
con un titulo de periódico que decía: " Rare Meat Cuts Colon Cáncer Risk" ¿Fue esto un
artículo de un estudio epidemiológico comparando la tasa de cáncer de colon de un grupo de
personas que comieron carne roja raras con la tasa en un grupo de vegetarianos? No, el
estudio comparó las personas que consumían carne roja poco común con las personas que
consumían carne roja muy cocida. La misma exposición, el consumo regular de carne roja
poco común, podría tener un efecto preventivo cuando se compara contra la carne muy
cocinada, y un efecto causal o ningún efecto en contraste con una dieta vegetariana. Un
evento, condición o característica no es una causa por sí misma como una propiedad
intrínseca que esta posee de forma aislada, sino como parte de un contraste de causalidad con
un evento alternativo, condición o característica (Lewis, 1973; Rubin, 1974; Groenlandia y
otros., 1999a; Maldonado y Groenlandia, 2002).
Figura 2-2 proporciona un esquema grafico de las tres causas suficientes que podrían ser
completados durante el seguimiento de un individuo. Las tres condiciones o eventos A, B y E,
se han definido como variables binarias, por lo que sólo puede tomar valores de 0 o 1. Con la
codificación de A utilizado en la figura, su nivel de referencia, A = 0, a veces es causal, pero
su nivel de índice, A = 1, nunca es causal. Esta situación surge porque dos causas suficientes
contienen una causa componente etiquetado como "A = 0," pero la causa suficiente no
contiene una causa componente etiquetado como "A = 1". Un ejemplo de una condición o
evento de este tipo podría ser A = 1 para los que toma suplemento multivitamínico diario y A
= 0 para los que no toman suplementos vitamínicos. Con la codificación de B y E utilizado en
el ejemplo representado en la figura 2-2, los niveles de índice, B = 1 y E = 1, a veces son
causales, pero sus niveles de referencia, B = 0 y C = 0, no son causales. Para cada variable, los
niveles de índice y referencia pueden representar solo dos estados alternativos o eventos
fuera de las muchas posibilidades. Por lo tanto, la codificación de B puede ser B = 1 para
fumar 20 cigarrillos por día durante 40 años y B = 0 para fumar 20 cigarrillos por día durante
20 años, seguido de 20 años de no fumar. E podría ser codificada E = 1 para vivir en un barrio
urbano con bajos ingresos promedio y la desigualdad de ingresos altos, y E = 0 para vivir en
un barrio urbano de altos ingresos promedio y la desigualdad de ingresos bajos.
Cada una de las tres causas suficientes representado en la figura 2-2 es mínimamente
suficiente para producir la enfermedad en el individuo. Es decir, sólo uno de estos
mecanismos necesitan estar presentes para que se produzca la enfermedad (suficiencia), y no
hay causa componentes superfluos en cualquier mecanismo (minimalidad), cada componente
es una parte necesaria de ese mecanismo causal específico. Una causa componente especifico
pueden desempeñar un papel en uno, varios o todos los mecanismos causales. Como se
señaló anteriormente, una causa componente que aparece en todas las causas suficientes es
llamada una causa necesaria de los resultados. A modo de ejemplo, la infección por el VIH es
un componente de cada causa suficiente del síndrome de inmunodeficiencia adquirida
(SIDA) y por lo tanto es una causa necesaria del SIDA. Se ha sugerido que tales causas se
llamen "universalmente necesario," en reconocimiento de que todos los componentes de una
causa suficiente es necesario para que una causa suficiente (mecanismo) pueda operar (Poole,
2001a).
U1 U2 U3
A=0
CAUSAS SUFICIENTESB=1 A=0 E=1 B=0 E=1
Figura 2-2 tres clases de causas suficientes de una enfermedad (causas suficientes I, II, Y III de izquierda a derecha).
Figura 2-2 no representa los aspectos del proceso causal como la secuencia o el tiempo de
acción de las causas componentes, la dosis, o de otras complejidades. Estos pueden ser
especificados en la descripción del cambio de las condiciones y el índice de referencia que
define cada causa componente. Por lo tanto, si el resultado es el cáncer de pulmón y el factor
B representa el tabaquismo, podría ser definido de manera más explícita como fumar por lo
menos 20 cigarrillos al día de cigarrillos sin filtro por lo menos 40 años a partir de los 20 años
o antes (B = 1) o fumar 20 cigarrillos al día de cigarrillos sin filtro, a partir de los 20 años o
antes, y después de no fumar cigarrillos durante los próximos 20 años (B = 0).
Al especificar una causa de componentes, los dos lados de la causal de cambio que lo
componen deben ser definidos con un ojo a las opciones realistas u opciones. Si prescribir un
placebo no es una opción realista terapéutica, un contraste de causalidad entre un nuevo
tratamiento y un placebo en un ensayo clínico puede ser cuestionado por su dudosa
relevancia para la práctica médica.
De manera similar, antes de decir que los anticonceptivos orales aumentan el riesgo de
muerte de más de 10 años (por ejemplo, a través de infarte de miocardio o accidente
cerebrovascular), debemos considerar la alternativa de tomar anticonceptivos orales.
Del mismo modo, las etiologías de los resultados adversos para la salud que son condiciones
o estados, pero no eventos, deben de ser representados en el modelo de suficiente causa por
la inversión de la codificación de los resultados. Considerar la posibilidad de espina bífida, el
cual es un fracaso completo en el cierre del tubo neural durante la gestación. Allí no esta el
momento en el que la espina bífida pueda ser marcada para haber tenido su ocurrencia. Sería
difícil de definir el "tiempo de incidencia" de la espina bífida como la edad gestacional en la
que el cierre completo del tubo neural se produce normalmente. El modelo de causa
suficiente de componentes sería más adecuado en este caso para definir el caso de cierre total
(sin espina bífida) como el resultado y ver las condiciones, eventos, y las características que
previenen este evento benéfico como las causas de las condiciones adversas de espina bífida.
La definición más específicos, y por lo tanto, más útil, de riesgo es "la probabilidad de un
evento durante un período de tiempo determinado."
Bajo estos supuestos, la respuesta de cada individuo con el modelo de exposición en una fila
determinada se puede encontrar en la columna de respuesta. La respuesta aquí es el riesgo de
desarrollar una enfermedad durante un período de tiempo determinado que es el mismo para
todas las personas. Para simplificar, un modelo determinista de riesgo se emplea, de manera
que los riesgos individuales puede ser igual a sólo el valor 0 o 1, y no los valores en el medio.
Un modelo estocástico de riesgo individual se relajaba esta restricción y permitir que los
riesgos individuales que se encuentran entre 0 y 1.
Como un ejemplo de cómo las proporciones en la Tabla 2.2 se calcularon, vamos a revisar
cómo la proporción de incidencia entre las personas en la población 1 con B = 1 y E = 0 se
calculó: Hubo 900 personas con A = 1, B = 1 , y E = 0, ninguno de los cuales se convirtió en los
casos ya que no existen causas suficientes de que puede culminar en la aparición de la
enfermedad durante el período de estudio en las personas con esta combinación de
condiciones de exposición. (Hay dos causas suficientes que contienen B = 1 como una causa
de componentes, pero uno de ellos contiene la causa componente A = 0 y la otra contiene el
componente de causa E = 1. La presencia de A = 1 o E = 0 bloquea estos mecanismos
etiológicos.) Había 100 personas con A = 0, B = 1, y E = 0, todos los cuales se convirtió en los
casos ya que todos ellos habían U1, el conjunto de complementos causales para la clase de
causas suficientes que contengan A = 0 y B = 1. Así, entre las 1.000 personas con B = 1 y E = 0,
había 100 casos, una proporción de incidencia de 0,10.
Si tuviéramos que medir la fuerza del efecto por la diferencia de las proporciones de
incidencia, se desprende de la Tabla 2.2 que para la población 1, E = 1 tiene un efecto mucho
más fuerte que B = 1, ya que E = 1 aumenta la proporción de incidencia un 0,9 (en ambos
niveles de B), mientras que B = 1 aumenta la proporción de incidencia de sólo el 0,1 (en
ambos niveles de E). Tabla 2-3 muestra los resultados análogos para la población 2. Aunque
los miembros de esta población tienen exactamente los mismos mecanismos causales que
operan dentro de ellos al igual que los miembros de la población 1, la fuerza relativa de los
factores causales E = 1 y B = 1 se invierten, de nuevo mediante la diferencia de proporción de
incidencia como la medida de fuerza . B = 1 ahora tiene un efecto mucho más fuerte en la
proporción de incidencia que E = 1, a pesar del hecho de que A, B y E no tienen ninguna
relación entre sí, ya sea en la población y sus niveles de índice (A = 1, B = 1 y E = 1) y niveles
de referencia (A = 0, B = 0, y E = 0) están presente en cada uno son cada uno presente o han
producido exactamente a la mitad de cada población.
Como se señaló anteriormente, el conjunto de todas las demás causas en el cual el factor
causal que participa es el llamado complemento causal del factor. Por lo tanto, A = 0, B = 1,
U2, U3 constituyen el complemento causal de E = 1 en el ejemplo anterior. Este ejemplo
muestra que la fuerza del efecto de un factor en la aparición de una enfermedad en una
población, medida como la diferencia absoluta en las proporciones de incidencia, depende de
la prevalencia del complemento causal. Esta dependencia no tiene nada que ver con el
mecanismo etiológico de la acción del componente, ya que el componente es igual en cada
mecanismo en el que aparece. Sin embargo, un factor que parece tener un fuerte efecto, según
lo medido por la diferencia de proporciones contraer la enfermedad, si es complemento
causal es común. Por el contrario, un factor con complemento causal tato parecen tener un
efecto débil.
Si la fuerza del efecto es medida por el cociente de las proporciones que consiguen
enfermedad, en comparación con la diferencia, después la fuerza depende más que un factor
complemento causal. En particular, depende, adicionalmente en como de cómo los
componente comunes o raros son causas suficientes en el cual cada causal especifico no juega
un rol importante. En este ejemplo, dada la ubicuidad de U1, el efecto de E = 1 se mide en
términos de relación de la prevalencia de E = 1 de complemento causal y sobre la prevalencia
de la conjunción de A = 0 y B = 1. Si muchas personas tienen tanto A = 0 y B = 1, la "línea de
base" proporción de incidencia (es decir, la proporción de no-E o "no expuesto" las personas
de contraer la enfermedad) será alta y proporción de contraer la enfermedad debido a E será
comparativamente baja. Si pocas personas tienen tanto A = 0 y B = 1, la línea de incidencia
proporcional será baja y la proporción contraer enfermedad debido a E = 1 será
comparativamente alto. Así, la fuerza del efecto medida por el cociente de la proporción de la
incidencia depende de más condiciones que la fuerza del efecto medida por la diferencia de la
proporción de la incidencia.
Dos causas componentes que actúan en la misma causa suficiente se puede definir como la
interacción causal para producir la enfermedad. Esta definición deja abierta muchos
mecanismos posibles para la interacción, incluyendo aquellos en los que dos componentes
interactúan de una manera física directa (por ejemplo, dos medicamentos que reaccionan para
formar un sub-producto tóxico) y aquellos en los que un componente (el iniciador de la
pareja) altera un sustrato para que el otro componente (el promotor de la pareja) puede
actuar. No obstante, queda excluida cualquier situación en la que un componente E es más
que una causa de otro componente F, sin ningún efecto de E en la enfermedad, sino por el F
componente que causa.
Supongamos ahora que, tal vez, además del mecanismo anterior, el tabaquismo reduce el
tiempo de coagulación y por lo tanto hace que los trombos que obstruyen las arterias
coronarias se estrecha por la aterosclerosis. Este mecanismo estaría representado por una
causa suficiente que contienen tanto el tabaquismo y la aterosclerosis como componentes y
por lo tanto constituiría una interacción sinérgica entre el tabaquismo y la aterosclerosis como
causa de infarto de miocardio. La presencia de esta causa no suficiente, sin embargo, nos
dicen si el fumar también contribuyó al infarto de miocardio, causando la aterosclerosis. Así,
el modelo básico suficiente causa no nos alertan sobre los efectos indirectos (efectos de algún
componente causas mediadas por causas otro componente en el modelo). Los capítulos 4 y 12
introducen potencial de resultados y modelos de gráfica más adecuada para mostrar los
efectos indirectos y una secuencia más general del, mientras que el capítulo 5 se analiza en
detalle la interacción tal como se define en el marco de potencial de resultados y su relación
con la interacción tal como se define en la modelo causa suficiente.
En la figura 2.2, suponiendo que las tres causas suficientes en el diagrama de funcionamiento
son los únicos, ¿qué fracción de la enfermedad es causada por E = 1? E = 1 es una causa
componente de la enfermedad en dos de los suficientes mecanismos de causa, II y III, por lo
que todas las enfermedades que surgen a través de cualquiera de estos dos mecanismos se
puede atribuir a E = 1. Tenga en cuenta que en las personas con la exposición patrón A = 0, B
= 1, E = 1, las tres causas suficientes se completaría. El primero de los tres mecanismos para
completar sería el que realmente produce un caso determinado. Si el mecanismo es el
primero en ser completada, sin embargo, E = 1 no sería parte de la causa suficiente para
producción de ese caso. Sin saber los tiempos determinados de los tres mecanismos, entre las
personas con la exposición patrones A = 0, B = 1, E = 1 nosotros no podemos decir cuántos de
los 100 casos en la población de 1 o 900 casos de la población 2 son etiológicamente atribuible
a E = 1.
Cada uno de los casos que es etiológicamente atribuibles a E = 1 también se puede atribuir a
las causas de otro componente en los mecanismos causales en la que E = 1 actúa. Cada
componente causa interacciones con sus factores complementarios para producir la
enfermedad, por lo que cada caso de enfermedad puede ser atribuido a cada componente de
la causa en la causa suficiente completado. Tenga en cuenta, sin embargo, que las fracciones
atribuibles agregado a través de causas componentes de la misma enfermedad no suman 1,
aunque existe una tendencia errónea a pensar que lo hacen. Para ilustrar el error en esta
tendencia, tenga en cuenta que una de las causas componente necesario aparece en todas las
causas suficientes completado de la enfermedad, por lo que por sí mismo tiene una fracción
atribuible de 1, sin contar las fracciones atribuibles a otra causas componente. Debido a que
todos los casos de la enfermedad pueden ser atribuidos a cada componente de la causa en su
mecanismo causal, fracciones atribuibles a diferentes causas componentes en general, se
sumarán a más de uno, y no hay límite superior de esta suma.
La idea de que las intervenciones dirigidas a niveles altos de colesterol, presión arterial alta y
el tabaquismo podría eliminar el 75% de la enfermedad cardíaca coronaria es irreal, dado las
estrategias de intervención disponibles en la actualidad. Aunque se puede avanzar para
reducir el efecto de estos factores de riesgo, es poco probable que alguno de ellos podría ser
erradicado por completo de cualquier gran población en el corto plazo. Las estimaciones del
efecto sobre la salud pública de la eliminación de las enfermedades propias como las causas
de la muerte (Murray et al., 2002) son aún más alejada de la realidad, porque no toman en
cuenta todos los efectos de las intervenciones necesarias para lograr la eliminación de la
enfermedad, incluyendo efectos colaterales no previstos (Groenlandia, 2002a, 2005a).
Refutacionismo
Russell no estaba solo en su lamento de la falta de lógica del razonamiento científico que
habitualmente practicaba. Muchos filósofos y científicos de la época de Hume hacia adelante
trataron de establecer una firme base lógica para el razonamiento científico.
En la década de 1920, lo más notable de ellos fue la escuela de los positivistas lógicos, que
buscaba una lógica para la ciencia que podría llevar inevitablemente a las correctas
conclusiones científicas, de manera muy lógica rigurosa puede conducir inevitablemente a
conclusiones correctas en matemáticas. Otros filósofos y científicos, sin embargo, habían
comenzado a sospechar que las hipótesis científicas nunca puede ser probada o establecida
como verdadera en ningún sentido lógico. Por ejemplo, una serie de filósofos señalaron que
los enunciados científicos sólo pueden ser encontrados para ser consistente con la
observación, pero no puede ser probada o refutada en cualquier "hermético" sentido lógico o
matemático. Este hecho es a veces llamado el problema de la no identificación o la
subdeterminación de las teorías por las observaciones. En particular, las observaciones
disponibles son siempre coherentes (consistentes) con varias hipótesis que se son
mutuamente incompatibles, lo que explica por qué (como señaló Hume) las teorías científicas
no pueden ser lógicamente probadas. En particular, la coherencia entre una hipótesis y
observaciones no es prueba de la hipótesis, ya que siempre se puede inventar hipótesis
alternativas que son igual de consistentes (coherentes) con las observaciones.
Por el contrario, una observación válida que sea inconsistente (incompatible) con una
hipótesis implica que la hipótesis como afirma es falso por lo que refuta la hipótesis. Si
retuercen el cuello del gallo antes de que los cuervos y el sol salgan todavía, ustedes tienen
que desmentir que el canto del gallo es una causa necesaria de la salida del sol. O considere
un programa de investigación hipotética para aprender el punto de ebullición del agua. Un
científico que hierve el agua en un recipiente abierto y varias veces las medidas del punto de
ebullición a 100 ° C nunca, no importa cuántas repeticiones confirmatorios están
involucrados, demuestran que 100 ° C es siempre el punto de ebullición. Por otra parte, se
limita a un intento de hervir el agua en un frasco cerrado o en la altura a refutar la tesis de
que el agua siempre hierve a 100 ° C. Según Popper, la ciencia avanza mediante un proceso
de eliminación que él llamó "conjeturas y refutaciones."Los científicos forman hipótesis
basadas en la intuición, conjeturas, y la experiencia previa. Los buenos científicos utilizan la
lógica deductiva para inferir predicciones de la hipótesis y luego comparar las observaciones
con las predicciones. Las hipótesis cuyas predicciones están de acuerdo con las observaciones
se confirman (Popper usó el término "corroborado") sólo en el sentido de que pueden seguir
utilizándose como explicaciones de los fenómenos naturales. En cualquier momento, sin
embargo, puede ser refutada por nuevas observaciones y podría ser sustituido por otras
hipótesis que son más coherentes con las observaciones. Este punto de vista de la inferencia
científica es a veces llamado refutacionismo o falsacionismo. Refutacionistas consideraron a la
inducción a ser una base psicológica: observaciones repetidas que en realidad no indujeron a
la formulación de una ley natural, pero sólo la creencia de que esa ley se ha encontrado. Para
un refutacionista, sólo el consuelo psicológico proporcionado por la inducción explica por
qué aún tiene defensores.
Una manera de rescatar el concepto de inducción del estigma de la pura ilusión de resucitarlo
como un fenómeno psicológico, como Hume y Popper afirmaba que era, pero que juega un
papel legítimo en la formación de hipótesis. La filosofía de la conjetura y la refutación no
impone restricciones sobre el origen de las conjeturas. Incluso ilusiones son permitidas como
hipótesis, y por lo tanto inductivo inspirada hipótesis, sin embargo psicológicos, son válidos
los puntos de partida para la evaluación científica. Esta concesión no admite una función
lógica de la inducción en la confirmación de las hipótesis científicas, sino que permite que el
proceso de inducción a desempeñar un papel, junto con la imaginación, en el ciclo científico
de conjeturas y refutaciones.
Consenso y el naturalismo
Algunos filósofos de ciencia del siglo 20, sobre todo Thomas Kuhn (1962), hicieron hincapié
en el papel de la comunidad científica para juzgar la validez de las teorías científicas. Estos
críticos del modelo de conjeturas y refutaciones, sugirió que la refutación de una teoría
consiste en hacer una elección. Cada observación es en sí misma dependiente de las teorías.
Por ejemplo, la observación de las lunas de Júpiter con un telescopio nos parece como una
observación directa, pero sólo porque la teoría de la óptica en que se basa el telescopio es tan
bien aceptado. Cuando nos enfrentamos a una observación refutando, un científico se
enfrenta a la opción de rechazarla o la validez de la teoría que se investiga o la validez de la
observación de refutar, que a su vez debe basarse en las teorías científicas que no son ciertas
(Haack, 2003). Observaciones que son los casos de falsificación de las teorías a veces puede
ser tratado como "anomalías", tolerada sin falsear la teoría con la esperanza de que las
anomalías con el tiempo se pueden explicar. Un ejemplo epidemiológico es la observación de
que los fumadores que inhalan con menor profundidad presentaron mayores tasas de cáncer
de pulmón que los fumadores que inhalan profundamente. Esta anomalía fue explicado
eventualmente cuando se observó que el tejido pulmonar más alto en los pulmones es más
susceptible a los tumores de pulmón asociado con el tabaquismo, el humo y alquitrán
inhalados superficialmente tienden a depositarse más alta en los pulmones (Wald, 1985).
En otros casos, las anomalías pueden llevar eventualmente a la caída de la doctrina científica
actual, así como los mecanismos de Newton fue desplazada (quedando sólo como una
aproximación de primer orden) por la teoría de la relatividad. Kuhn afirmó que en todas las
ramas de la ciencia el punto de vista científico imperante, que calificó de "ciencia normal", de
vez en cuando sufre cambios importantes que equivalen a las revoluciones científicas. Estas
revoluciones señalan una decisión de la comunidad científica para descartar la infraestructura
científica en lugar de falsificar una nueva hipótesis que no puede ser fácilmente injertado
sobre él. Kuhn y otros han argumentado que el consenso de la comunidad científica
determina lo que se considera aceptado y lo que se considera refutado.
Los críticos de Kuhn caracterizaron esta descripción de la ciencia como uno de un proceso
irracional, "una cuestión de psicología de masas" (Lakatos, 1970). Aquellos que creen en una
estructura racional de la ciencia consideraron la visión de Kuhn como una descripción
lamentablemente real de gran parte de lo que pasa por la actividad científica, pero no
obligatoria para ningún buena ciencia. Aunque muchos filósofos modernos rechazan las
demarcaciones rígidas y formulaciones para la ciencia como refutacionismo, que sin embargo
sostienen que la ciencia se basa en la razón, aunque posiblemente sentido informal común
(Haack, 2003). Otros van más allá de Kuhn y sostienen que los intentos de imponer una
singular estructura racional o la metodología de las trabas de la ciencia a la imaginación y es
una receta para el mismo tipo de represión autoritaria de las ideas que los científicos han
tenido que enfrentar a lo largo de la historia (Feyerabend, 1975 y 1993).
Son los comentarios de Kuhn sobre el desarrollo científico… para ser leído como
descripciones o prescripciones? La respuesta, por supuesto, es que deben leerse en ambos
sentidos a la vez. Si tengo una teoría de cómo funciona la ciencia y por qué, necesariamente
debe tener repercusiones en la manera en que los científicos deberían comportarse si su
empresa está floreciendo.
Pocos, si acaso, no estaría de acuerdo que una teoría de la inferencia debe ser evaluado por lo
menos en parte por lo bien que nos lleva a detectar errores en nuestras hipótesis y
observaciones. Hay, sin embargo, muchas otras actividades inferenciales, además de la
evaluación de hipótesis, tales como la predicción o pronóstico de los acontecimientos, y los
intentos posteriores para controlar los acontecimientos (que por supuesto se requiere
información de causalidad). Estadísticos más que los filósofos han enfrentado con mayor
frecuencia estos problemas en la práctica, por lo que no debería sorprender que las filosofías
principales interesados en estos problemas surgieron a partir de las estadísticas en lugar de la
filosofía.
Bayesianismo
No hay otra filosofía de la inferencia que, como la mayoría, tiene una visión objetiva de la
verdad científica y una visión del conocimiento como provisional o incierto, pero que se
centra en la evaluación de los conocimientos en lugar de la verdad. Al igual que el
refutacionismo, la forma moderna de esta filosofía desarrollada a partir de los escritos de
pensadores del siglo 18. Los argumentos de coordinación aparecieron por primera vez en un
ensayo fundamental por el Reverendo Thomas Bayes (1764), y por lo tanto, la filosofía se
refiere generalmente como Bayesianismo (Howson y Urbach, 1993), y fue el célebre
matemático y científico francés Pierre Simon de Laplace, que primero le dio un formato de
estadística aplicada. Sin embargo, no llegó a una expresión completa hasta después de la
Primera Guerra Mundial, sobre todo en los escritos de Ramsey (1931) y DeFinetti (1937), y,
como el refutacionismo, no comienzan a aparecer en la epidemiología hasta la década de 1970
(por ejemplo, Cornfield, 1976).
Continuando con la razón de esta manera, podríamos llegar a un estado más pesimistas que
incluso Hume imaginado. No sólo es la inducción sin fundamento lógico, la deducción ha
limitado la utilidad científica porque no podemos garantizar la verdad de todas las premisas,
incluso si un argumento lógico es válido. La respuesta Bayesiana a este problema es parcial,
ya que pone a prueba severa sobre el científico y pone una limitación severa en los resultados.
Dice más o menos esto: Si usted puede asignar un grado de certeza o probabilidad personal, a
las premisas de su argumento válido, puede usar cualquiera y todas las reglas de la teoría de
la probabilidad de obtener una certeza para la conclusión, y esto ciertamente será lógicamente
una consecuencia válida de sus certezas originales. Un hecho ineludible es que la certeza de
concluir, o posterior probabilidad, puede depender en gran medida en lo que se utiliza como
certezas inicial, o probabilidades previas. Si las certezas iniciales no son las mismas que las de
un colega, ese colega puede muy bien asignar una certeza a la conclusión diferente de la que
deriva. Con la acumulación de pruebas consistentes, sin embargo, los datos pueden
usualmente obligar incluso extremadamente dispar antes de converger en similares
probabilidades posteriores.
Debido a que las probabilidades posteriores que emana de una inferencia bayesiana
dependerá de la persona que proporcione la certeza inicial y así puede variar entre los
individuos, las inferencias que se dice que son subjetivas. Esta subjetividad de la inferencia
bayesiana es a menudo confundido con un tratamiento subjetivo de la verdad. No sólo es un
punto de vista de Bayesianismo incorrecto, es diametralmente opuesta a la filosofía
bayesiana. El enfoque bayesiano representa un intento constructivo para hacer frente al
dilema de que las leyes científicas y los hechos no deben ser tratados como se conoce con
certeza, mientras que la lógica deductiva clásica rinda conclusiones sólo cuando una ley,
hecho, o la conexión se afirma con el 100% de certeza.
Una crítica común de la filosofía bayesiana es que distrae la atención lejos de los objetivos
clásicos de la ciencia, tales como el descubrimiento de cómo funciona el mundo, hacia los
estados psicológicos de la mente llamado "certezas", "probabilidades subjetivas", o "grados de
creencia" (Popper, 1959). Esta crítica, sin embargo, no reconoce la importancia del estado de
la mente de un científico en la determinación de lo que las teorías a la prueba y qué tipo de
pruebas aplicar, la influencia consiguiente de los estados en el almacén de datos disponibles
para la inferencia, y la influencia de los datos sobre los estados de ánimo.
Otra respuesta a esta crítica es que los científicos ya utilizan los datos para influir en sus
grados de creencia, y no se avergüenzan de expresar los grados de certeza. El problema es
que el proceso convencional es informal, intuitiva, e inefable, y por lo tanto no están sujetas a
un escrutinio crítico, en el peor de los casos, eso a menudo equivale a nada más que los
expertos anunciando que han visto las pruebas y aquí es cómo asegurarse de que estén. Cómo
llegaron a esta certeza se deja claro, o, dicho de otro modo, no es "transparente". El problema
es que nadie, ni siquiera un experto, es muy buena de manera informal e intuitiva
formulando certezas que predicen los hechos y los acontecimientos futuros (Kahneman et al,
1982;. Gilovich, 1993; Piattelli-Palmarini, 1994;. Gilovich et al, 2002). Una de las razones de
este problema es que los sesgos y prejuicios pueden fácilmente entrar en juicios de expertos.
Los métodos bayesianos fuerzan a los expertos a "poner sus cartas sobre la mesa" y especificar
de forma explícita la fuerza de sus creencias previas y por qué tienen tales creencias, defender
las especificaciones contra argumentos y pruebas, y actualizar sus grados de certeza con la
nueva evidencia de manera que no viole la lógica de la probabilidad.
En cualquier contexto de la investigación, habrá un número ilimitado de hipótesis que
podrían explicar un fenómeno observado. Algunos sostienen que el progreso es el mejor con
la ayuda de pruebas severas (empíricamente difíciles) las explicaciones que parece más
probable a la luz de investigaciones anteriores, de modo que las deficiencias de la actualidad
"recibido" las teorías pueden ser más rápidamente descubierto. De hecho, muchas
investigaciones en determinados campos toma esta forma, como cuando las predicciones
teóricas de la masa de las partículas se someten a pruebas cada vez más precisas en los
experimentos de la física. Este proceso no implica una mera repetición de los estudios sobre el
pasado. Por el contrario, se trata de pruebas de las predicciones no probado previamente,
pero importante de la teoría. Sin embargo, existe un imperativo para hacer las bases de las
creencias anteriores criticables y defendibles. Antes de que las probabilidades puedan variar
entre las personas, no significa que todas las creencias se basan en la misma información, ni
que todos son igualmente válidos.
Las probabilidades de hipótesis auxiliares también son importantes en el diseño del estudio y
la interpretación. La falta de una teoría para pasar una prueba puede conducir al rechazo de
la teoría con mayor rapidez cuando las hipótesis auxiliares en los que la prueba depende
poseen alta probabilidad. Esta observación proporciona una razón para preferir "nicho" de los
estudios de casos y controles (en el que los controles se seleccionan de una lista de la
población de origen de los casos) a "hospitalarios" estudios de casos y controles (en el que los
controles son "seleccionados" por la ocurrencia o el diagnóstico de una o más enfermedades
distintas de la enfermedad-la definición de caso), porque los primeros tienen menos
mecanismos para la selección sesgada tema y por lo tanto, se les da una mayor probabilidad
de selección de los sujetos imparciales. Incluso si se pone en duda los argumentos anteriores,
la mayoría de los epidemiólogos desean de alguna manera expresar los diferentes grados de
certeza acerca de los posibles valores de una medida de efecto a la luz de los datos
disponibles. Tales expresiones, inevitablemente, se obtendrán de la cara de una considerable
incertidumbre acerca de los detalles metodológicos y diversos eventos que llevaron a los
datos disponibles y pueden ser extremadamente sensibles a los argumentos utilizados en su
derivación. Como se señaló anteriormente, la mayoría de la gente, incluyendo científicos, la
pobre razón en la cara de incertidumbre. Por lo menos, la filosofía subjetiva Bayesiano ofrece
una metodología para el razonamiento de sonido en condiciones de incertidumbre y, en
particular, ofrece muchas advertencias en contra de ser demasiado seguro acerca de una de
las conclusiones (Groenlandia 1998a, 1988b, 2006a; véanse también los capítulos 18 y 19).
Estas advertencias se hacen eco en la filosofía refutacionista. Como Peter Medawar (1979) lo
expresó, "no puedo dar ningún científico de cualquier edad mejor que éste consejo: la
intensidad de la convicción de que una hipótesis es verdadera no tiene incidencia alguna
sobre si es cierto o no." Queremos sumar dos puntos. En primer lugar, la intensidad de la
convicción de que una hipótesis es falsa no tiene relación con si es falso o no. En segundo
lugar, los métodos bayesianos no creen en el error de las pruebas. Ellos usan pruebas para
modificar las creencias, que los científicos hacen rutinariamente en cualquier caso, pero a
menudo de manera implícita, intuitiva, e incoherente.
Quizás el elemento común más importante que se desprende de las filosofías debate es que la
prueba es imposible en la ciencia empírica. Este simple hecho es especialmente importante
para los epidemiólogos de observación, que a menudo se enfrentan a las críticas que la
prueba es imposible en epidemiología, con la implicación de que es posible en otras
disciplinas científicas. Estas críticas pueden provenir de un punto de vista de que los
experimentos son la fuente definitiva de los conocimientos científicos. Esa visión es errónea
en al menos dos razones. En primer lugar, la naturaleza no experimental de la ciencia no se
opone a impresionantes descubrimientos científicos, los ejemplos son innumerables las placas
tectónicas, la evolución de las especies, los planetas que orbitan otras estrellas, y los efectos
del tabaquismo sobre la salud humana. Aun cuando es posible, los experimentos (incluidos
los ensayos aleatorios) no ofrecen algo parecido a la prueba y de hecho puede ser
controvertido, contradictorio, o no reproducibles. Si los ensayos clínicos aleatorios aportado
la prueba, que nunca tendría que hacer algo más que uno de ellos en una hipótesis dada. Ni la
ciencia ni la física experimental, es inmune a estos problemas, como lo demuestran episodios
como el experimental "descubrimiento" (luego desmentido) de la fusión fría (Taubes, 1993).
Algunos científicos sostienen que las relaciones experimentales epidemiológicas son sólo
indicativas y creemos que el estudio de laboratorio detallado de los mecanismos dentro de un
solo individuo puede revelar las relaciones de causa-efecto con certeza. Este punto de vista
pasa por alto el hecho de que todas las relaciones son sugestivas exactamente de la manera
discutida por Hume. Incluso la disección mecanicista más cuidadosa y detallada de los
eventos individuales no puede proporcionar más de las asociaciones, aunque a un nivel más
fino. Los estudios de laboratorio a menudo implican un grado de control de observadores que
no se puede abordar en epidemiología, es sólo este control, no el nivel de observación, que
pueden fortalecer las inferencias de los estudios de laboratorio. Y además, ese control no es
garantía contra el error. Además, los científicos y los tomadores de decisiones están a
menudo muy convencidos de que sólo las pruebas del laboratorio de mecánica están
disponibles.
Todos los frutos del trabajo científico, en la epidemiología o de otras disciplinas, son en el
mejor de formulaciones tentativas de una descripción de la naturaleza, aun cuando la obra se
lleva a cabo sin errores. La provisionalidad de nuestro conocimiento no impide que las
aplicaciones prácticas, pero hay que mantenernos escépticos y críticos, no sólo de todos los
demás trabajos, sino de la nuestra también. A veces las hipótesis etiológicas disfrutar de un
grado extremadamente alto, universal o casi universalmente compartidos, de la seguridad. La
hipótesis de que fumar cigarrillos causa cáncer de pulmón es uno de los ejemplos más
conocidos. Estas hipótesis elevarse por encima de "tentativa" la aceptación y están más cerca
que podemos llegar a la "prueba". Pero ni siquiera estas hipótesis han “demostrado” con
grado de certeza absoluta que acompaña la prueba de un teorema matemático.
Otro ejemplo de una teoría que puede probarse fácilmente por datos epidemiológicos, se
revela con la observación de mujeres que tomaron estrógeno como terapia de reemplazo
hormonal que tenían una incidencia considerablemente elevada de cáncer endometrial.
Horwitz y Feinstein (1978) conjeturó una teoría de contraste para explicar la asociación: Ellos
propusieron que las mujeres que tomaban estrógeno experimentaron síntomas como sangrar
y eso los indujo a consultar a un médico. Los criterios de diagnóstico resultantes llevaron al
descubrimiento de cáncer del endometrial en una fase más temprana en estas mujeres,
comparado con mujeres que no estaban tomando estrógeno. Horwitz y Feinstein defendieron
que esta asociación descubrimiento - daño, determinó el diagnóstico temprano usando como
criterio el sangrado inducido, de otro modo muchos de estos cánceres no se habrían
descubierto en absoluto. Se usaron muchas observaciones epidemiológicas para evaluar estas
hipótesis de contraste. La teoría del descubrimiento – daño predijo que mujeres que habían
usado estrógeno sólo durante un tiempo corto tendrían mayor frecuencia de síntomas de
sangrado que los llevaría a consultar al médico, ya que inició este síntoma poco después de
que empezó en tratamiento con estrógeno. Porque la reciente asociación de uso de estrógeno
y cáncer endometrial era lo mismo en usuarios de estrógeno de largo o corto plazo. La teoría
de descubrimiento – daño fue refutado debido a que era un explicación para todos menos
para un pequeño fragmento de cáncer endometrial que ocurría después del uso de
estrógeno. La refutación de la teoría del descubrimiento – daño también dependía de muchas
otras observaciones. Especialmente importante era la implicación de la teoría, debido a que
hay cáncer endometrial no detectado en población femenina típica, pero que la incidencia es
mayor en mujeres usuarios de estrógeno, sin embargo no se confirmó esta hipótesis en
observaciones extensas.(Hutchison y Rothman, 1978).
Criterio causal
Un juego normalmente usado de criterio era basado en una lista de consideraciones o “los
puntos de vista” propuesto por Sir Austin Bradford Hill (1965). La lista de Hill era una
expansión de una lista ofrecida previamente en el hito del reporte de Cirugía General
americana Smoking and Health (1964), qué a su vez se anticipó por los canon inductivos de
John Stuart Mill (1862) y las reglas dadas por Hume (1739). Como consecuencia, otros, sobre
todo Susser, han desarrollado las consideraciones causales más allá (Kaufman y Poole, 2000).
Hill sugirió las consideraciones siguientes intentando distinguir las asociaciones causales de
la no causal que ya eran “absolutamente bien definido y más allá de lo que nosotros
cuidaríamos para atribuir a la obra de oportunidad”: (1) la fuerza, (2) la consistencia, (3) la
especificidad, (4) el temporalidad, (5) la pendiente biológica, (6) la plausibilidad, (7) la
coherencia, (8) la evidencia experimental, y (9) la analogía. Hill dio énfasis que esas
inferencias causales no pueden ser basadas en un juego de reglas, enfatizando la importancia
de probar estadísticamente, y entonces pueden reconocerse la importancia de muchos otros
factores en decisión que hace (Phillips y Goodman, 2004). No obstante, los mal orientados a la
vista popular donde sus consideraciones deben usarse como el criterio para la inferencia
causal lo hacen necesario examinarlos en detalle.
La fuerza
Hill defendió que las asociaciones fuertes están compeliendo particularmente porque, para
las asociaciones más débiles, es “más fácil” para imaginar eso que hoy nosotros llamaríamos
un embrollador de desmedida que podría ser responsable para la asociación. Varios años
anteriores, Cornfield et al. (1959) dibujó conclusiones similares. Ellos se concentraron en un
solo embrollador hipotético que, solo, explicaría una asociación observada completamente.
Ellos expresaron una preferencia fuerte para que la proporción mida fuerza, como opuesto
para diferenciar las medidas, y enfocó en adelante cómo la estimación observada de una
proporción de riesgo que mantiene un mínimo la asociación que un embrollador
completamente explicativo debe tener con la exposición (en lugar de un mínimo para la
asociación de la enfermedad confusora). De importancia especial, Cornfield et al. reconoció
que teniendo sólo una asociación débil no se puede determinar una conexión causal
(Rothman y Poole, 1988). Hoy, algunas asociaciones, como aquéllos entre fumar y
enfermedad cardiovascular o entre el humo del tabaco medioambiental y el cáncer pulmonar,
es aceptado por la mayoría como causal aunque las asociaciones son consideradas débiles.
Ejemplos opuestos de fuerte son difíciles de hallar pero las asociaciones del no causal
tampoco son imposibles de encontrar; cualquier estudio con confusores muy bien ilustra el
fenómeno. Por ejemplo, considere la relación fuerte entre el síndrome de Down y línea del
nacimiento que están implicados por la relación entre del síndrome de Down y la edad
materna. Claro, una vez que el factor confunsor se identifica, la asociación se disminuye
controlando para el factor.
Estos ejemplos nos recuerdan que una asociación fuerte es necesaria " ni suficiente para la
causalidad, y esa debilidad es necesaria " ni suficiente para la ausencia de causalidad. Una
asociación fuerte sólo afecta a la hipótesis de que la asociación es completamente o
parcialmente debido a embrolladores de desmedida u otra fuente de prejuicio modesto.
La consistencia
La especificidad
El criterio de especificidad tiene dos variantes. Uno es que una causa lleva a un solo efecto, no
los efectos múltiples. El otro es que un efecto tiene una causa, no las causas múltiples. Hill
mencionó los dos de ellos. El criterio anterior, la especificidad de efectos, se usó como un
argumento a favor de una interpretación causal de la asociación entre fumar y el cáncer
pulmonar y, en un acto de razonamiento redondo, a favor de las comparaciones de la
proporción y no las diferencias como las medidas apropiadas de fuerza. Cuando se
examinaron las medidas de la proporción, la asociación de fumar a las enfermedades parecía
“cuantitativamente específico” al cáncer pulmonar. Cuando se examinaron las medidas de la
diferencia, la asociación parecía ser el no específico, con varias enfermedades (otros cánceres,
la enfermedad del corazón coronaria, etc.) ser por lo menos como fuertemente asociado con
fumar como el cáncer pulmonar era. Hoy nosotros sabemos que el fumar afecta el riesgo de
muchas enfermedades y que las comparaciones de la diferencia estaban retratando esta falta
de especificidad con precisión. Desgraciadamente, sin embargo, el episodio histórico del
debate encima de fumar y se cita a menudo la salud hoy como la justificación para el criterio
de especificidad y por usar las comparaciones de la proporción para medir fuerza de
asociación. Las lecciones apropiadas para aprender de ese episodio deben ser simplemente el
contrario.
Weiss (2002) defendió esa especificidad puede usarse para distinguir algunas hipótesis
causales de las hipótesis no causal, cuando la hipótesis causal predice una relación con un
resultado pero ninguna relación con otro resultado. Su argumento es persuasivo cuando,
además de la hipótesis causal, uno tiene una hipótesis no causal alternativa que predice una
asociación del no específica. Weiss ofreció el ejemplo protector de la sigmoidocospía que era
asociado en los estudios del caso – control con una 50% a 70% reducción en la mortalidad de
los tumores del distal del recto y tumores del colon del distal dentro del alcance del
sigmoidoscopio, pero ninguna reducción en la mortalidad de los tumores en otra parte en el
colon. Si el efecto protector de la sigmoidocospía no fuera específico a los tumores de colon
de distal, no prestaría el apoyo a toda la teoría no causal para explicar la asociación, cuando
Weiss sugirió, pero sólo a esa teoría no causal que habría predicho una asociación no
específica. Así, la especificidad puede entrar en la obra cuando puede deducirse lógicamente
de la hipótesis causal en cuestión y cuando pueden deducirse los no especificidad
lógicamente de uno o más hipótesis no causal.
La temporalidad
La pendiente biológica
El tema algo polémico de consumo del alcohol y mortalidad es otro ejemplo. Las
proporciones de muerte son más altas entre los no bebedores que entre los bebedores
moderados, pero ellos ascienden a los niveles más altos para los grandes bebedores. Hay
debate considerable sobre que se relacionan partes de la curva de la dosis – respuesta J-
formada causalmente los artefactos no causal al consumo del alcohol y qué partes está
proviniendo de confusores u otros prejuicios. Algunos estudios parecen encontrar sólo una
relación creciente entre el consumo del alcohol y mortalidad, posiblemente porque las
categorías de consumo del alcohol son demasiado anchas para distinguir las proporciones
diferentes entre los bebedores moderados y no bebedores, o posiblemente porque ellos tienen
menos confusores al más bajo extremo de la balanza del consumo.
Estos problemas implican que la existencia de una asociación monotónico es necesaria " ni
suficiente para una relación causal. Una relación del no monotónico sólo refuta esas hipótesis
causales específico bastante para predecir una curva de dosis – response monotónico.
La plausibilidad
“Nada podría ser más ridículo que el extraño que pasó la noche en la dirección de una nave
de emigrantes que atribuyó el Tifus a lo que se infestó allí, al bicho con que los cuerpos del
enfermo podría infestarse. Una causa adecuada, uno razonable en sí mismo, debe corregir las
coincidencias de experiencia simple.”
Lo que era a Cheever una explicación inverosímil resultó ser la explicación correcta, porque
era de hecho el bicho que causó la infección del tifus. Cosas así es el problema con la
plausibilidad: También no es basado a menudo en lógica o datos, pero sólo en las creencias
anteriores. Éste es no decir que el conocimiento biológico debe descontarse cuando una nueva
hipótesis está evaluándose, pero sólo para señalar la dificultad aplicando ese conocimiento.
Los Bayesianos se acercan a la inferencia intenta tratar con este problema requiriendo ese uno
cuantifique, en una probabilidad (0 a 1) la balanza, la certeza que uno tiene en las creencias
anteriores, así como en las nuevas hipótesis. Esta cuantificación despliega el dogmatismo o
imparcialidad del analista en una moda pública, con los valores de certeza acérquese
traicionando un compromiso fuerte del analista para a 1 o 0 o contra una hipótesis. También
puede proporcionar unos medios de probar esas creencias cuantificadas contra la nueva
evidencia. No obstante, ningún acercamiento puede transformar la plausibilidad en un
criterio causal objetivo.
La coherencia
Tomado del informe americano de Cirugía General Smoking and Health (1964), el término
coherencia implica que una interpretación de causa y efecto para una asociación no choca con
lo que es conocido de la historia natural y biología de la enfermedad. Hill dió ejemplos para
la coherencia, como el efecto histopatológico de fumar en el epitelio bronquial (en la
referencia a la asociación entre fumar y el cáncer pulmonar) o la diferencia en la incidencia de
cáncer pulmonar por el sexo, podría ser considerado ejemplos de plausibilidad
razonablemente, así como la coherencia; la distinción parece ser una multa. Hill dió énfasis a
que la ausencia de información coherente, como distinguido, al parecer, de la presencia de
información contradictoria, no debe tomarse como la evidencia contra una asociación a
siendo considerada causal. Por otro lado, la presencia de información contradictoria puede
refutar una hipótesis de hecho, pero uno siempre debe recordar que la información
contradictoria puede equivocarse o puede interpretarse mal. Un ejemplo mencionado antes es
el “la anomalía de la inhalación” fumar y el cáncer pulmonar, el hecho de que el exceso de
cánceres pulmonares visto entre los fumadores parecía concentrarse a los sitios en las vías
aéreas superiores del pulmón. Varios observadores interpretaron esta anomalía como la
evidencia que los cigarros no eran responsables por el exceso. Otras observaciones, sin
embargo, hicieron pensar en el cigarro lleva a que se deposite los carcinógenos
preferencialmente donde el exceso fue observado, y para que la anomalía era de hecho
consistente con un papel causal para los cigarros (Wald, 1985).
La evidencia experimental
Hill, sin embargo, mencionó que la evidencia experimental significó algo más: “la evidencia
experimental, o semi experimental” obtuvo de reducir o eliminar un putativamente la
exposición perjudicial y ver si la frecuencia de enfermedad declina como la consecuencia. Él
llamó a este la posible evidencia más fuerte de causalidad que puede obtenerse. Puede ser
defectuoso, sin embargo, como el “semi experimental” el acercamiento es nada más de un
“antes de y después de” análisis de tendencia de tiempo que puede confundirse o por otra
parte puede torcerse por un organizador de cambios del seglar concomitantes. Es más, aun
cuando el levantamiento de exposición reduce la frecuencia de enfermedad causalmente, no
podría ser por la razón del etiológica supuesta. El agotando de un pantano cerca de una
ciudad, por ejemplo, habría predictivamente y causalmente reducir la proporción de fiebre
amarilla o malaria en esa ciudad el verano siguiente. Pero sería un error para llamar esta
observación la posible evidencia más fuerte de un papel causal de miasmas (Poole, 1999).
Analogía
La visión de cualquiera podría derivarse de la analogía que está impedido por la imaginación
inventiva de científicos que pueden encontrar las analogías por todas partes. A mejor, la
analogía proporciona una fuente de hipótesis más detalladas sobre las asociaciones bajo el
estudio; la ausencia de tales analogías sólo refleja que falte de imaginación o experiencia, no
la falsificación de la hipótesis.
Bibliography:
Rothman, Kenneth J.; Greenland, Sander; Lash, Timothy L. Modern Epidemiology, 3rd
Edition Copyright ©2008 Lippincott Williams & Wilkins Section I: Basic Concepts Chapter 2:
Causation and Causal Inference. Page: 5 – 31