Objetivos de la clase

• Tipos de preguntas de investigación

• Qué es inferencia causal?

• El mundo contrafactual

• El ensayo clínico ideal (ensayo diana)

Tipos de preguntas de investigación

• Estudios descriptivos:
  Nos dan un resumen cuantitativo de alguna características del mundo. Por ej. una prevalencia, visualizaciones.

• Estudios de predicción:
  Nos permite utilizar datos ya medidos para poder predecir un nuevo dato. Por ej. estudios de diagnóstico y scores de pronóstico

• Estudios causales:
  Nos permite utilizar datos para predecir ciertas características en el mundo, si el mundo fuera diferente. Por ej. el efecto de un tratamiento, el efecto de una política de salud, el efecto de una decisión.

Estudios descriptivos

Fuente: https://coronavirus.jhu.edu/map.html

Estudios predictivos

Estudios causales

Y los estudios de asociación?

• Estudiar la asociación entre una exposición y un evento de desenlace no es una pregunta científica.

  • Es una pregunta estadística

  • Existe por razones históricas

  • Encubre la verdadera pregunta de investigación

Mirada crítica

Mirada crítica

"La asociación entre el consumo de chocolate está asociado con un riesgo menor de falla cardiaca."

Correlación y Causalidad

Preguntas causales

• Cuál es la efectividad de un tratamiento para prevenir una enfermedad?

• Si le quito las medias a mi bebé, se resfriará?

• Cuál fue el impacto de cerrar las escuelas en la tasa de contagio de COVID19?

• Si trabajo más horas, me subirán el sueldo?

Causalidad en epidemiología

Cómo conectamos nuestras preguntas a la estadística?

• Podemos definir la inferencia causal respecto al evento contrafactual.

• Podemos pensar la inferencia causal a partir de la emulación de un ensayo clínico hipotético ("ensayo ideal", target trial)

• Podemos definir la inferencia causal en base a diagramas causales (Gráficos acíclicos dirigidos causales)

Preguntas precisas, respuestas precisas

Establecer cuál es la pregunta de investigación causal nos permite:

• Definir cuál es el mejor método estadístico?

• Por qué variables debería o no ajustar en mi modelo?

• Cómo interpretan los resultados mis colegas?

• Confío en un resultado publicado que diga que A causa Y?

• Que datos debería recolectar en un próximo estudio?

Notación

• A = 1 si comí 🍫

• A = 0 si ❌🍫

• Y = 1 si aprobé estadística

• Y = 0 si no aprobé estadística

• $Y^a$ es el evento contrafactual bajo A = a

Efecto causal individual

Partiendo de "Comer chocolate permite aprobar estadística "

El problema fundamental de la inferencia causal

Efecto causal promedio: $Pr[Y^{a=1} = 1] \neq Pr[Y^{a=0} = 1]$

Ensayos clínicos

Experimentos donde se asigna aleatoriamente el tratamiento que recibirá cada participante.

Ensayo clínico ideal:

• No tiene pérdida de seguimieto

• Adherencia total durante la duración del estudio

• Doble ciego

Pasos alineados en el tiempo:

• Criterios de eligibilidad

• Asignación del tratamiento (aleatorización)

• Inicia el seguimiento para medir el desenlace

Hernán MA, Robins JM (2020). Causal Inference: What If

Diferencia de riesgo causal

$Pr[Y^{a=1} = 1] - Pr[Y^{a=0} = 1]$

Si toda la población de estudio hubiese sido tratada, el riesgo del evento seria X unidades más que si nadie hubiese sido tratada, durante el periodo de estudio.

Riesgo relativo causal

$Pr[Y^{a=1} = 1] / Pr[Y^{a=0} = 1]$

Si toda la población de estudio hubiese sido tratada, el riesgo del evento seria X veces más el riesgo que si nadie hubiese sido tratada, durante el periodo de estudio.

Los ensayos de la vida real

• No son ideales (falta de adherencia, pérdida de seguimiento)

• Nos permiten contestar preguntas que no pueden contestarse por ECAs

  • No son éticos
  • No son factibles
  • Necesitan mucho tiempo

• Debemos basarnos en estudios observacionales

Qué hacemos en este caso?

• Diseñamos el ensayo clínico ideal o diana considerando todos los puntos claves de un protocolo.

• Esto nos permite definir bien la pregunta causal

• Evitar errores en el diseño del análisis

Emulación del ensayo diana (target trial emulation)

Beneficios

• Ayuda a refinar la pregunta de investigación (AKA estimand).

• Permite detectar fuentes de sesgo que pueden ser prevenidas por el diseño o en el análisis.

• Permite ser transparente y explicito sobre los supuestos que conectan los datos observacionales a la pregunta causal.

• Asegura interpretación clara de los resultados

Estudios observacionales

Sesgos de confusión

Mensaje final

• Si estas pensando en sesgos de confusión o que necesitas "ajustar" por covariables, tienes una pregunta causal.

• Definir una pregunta clara como estimando es esencial para conceptualizar el diseño que la responda.

• Podemos usar la emulación de ensayos diana aún si no hemos medido (o no existe) la intervención de interés.

• Especificar todos los elementos del ensayo diana es un paso esencial para definir el análisis estadístico.

• Es un proceso dinámico, require que entendamos bien los mecanismos de cómo se generan los datos y que los contrastes causales sean informativos.