Leiva karina causalidad_y_da_gs
-
Upload
adiecs-unmsm -
Category
Documents
-
view
658 -
download
1
Transcript of Leiva karina causalidad_y_da_gs
![Page 1: Leiva karina causalidad_y_da_gs](https://reader034.fdocuments.net/reader034/viewer/2022042518/559f7ac91a28abab5c8b47ea/html5/thumbnails/1.jpg)
Causalidad e Intro a diagramas causales (DAGs, Directed Acyclic Graphs)
Clase creada por Kelika Konda, Ph D
Modificada por Karina Leiva, Ms(c)
![Page 2: Leiva karina causalidad_y_da_gs](https://reader034.fdocuments.net/reader034/viewer/2022042518/559f7ac91a28abab5c8b47ea/html5/thumbnails/2.jpg)
Causalidad
• Muy importante, aunque no siempre lo podemos medir (es complejo el encontrar causas)
• Causa: Aquello que se considera como fundamento u origen de algo (la razón detras del efecto)
• Al identificar causas podemos:
– Implementar medidas de prevención
– Conocer mecanismos que producen la enfermedad
– Establecer tratamientos
![Page 3: Leiva karina causalidad_y_da_gs](https://reader034.fdocuments.net/reader034/viewer/2022042518/559f7ac91a28abab5c8b47ea/html5/thumbnails/3.jpg)
David Hume (1711-1776) • La primera regla de
causalidad: – Temporalidad: “La causa
tiene que ocurrir antes del efecto”
• Segunda Regla: – Contrafactual: 1. Siempre A va antes de B 2. B no puede ocurrir si no
ocurre A 3. Si A no estuviera B no
podría ocurrir Teórico: La misma persona
sin la causa en un tiempo X
A B
![Page 4: Leiva karina causalidad_y_da_gs](https://reader034.fdocuments.net/reader034/viewer/2022042518/559f7ac91a28abab5c8b47ea/html5/thumbnails/4.jpg)
Criterios de Hill
1. Temporalidad 2. Fuerza de Asociación 3. Consistencia 4. Especificidad 5. Gradiente biológico (efecto dosis-respuesta) 6. Plausibilidad 7. Coherencia 8. Experimentación 9. Analogía Criterios a considerar, no lo tomemos como una Ley
![Page 5: Leiva karina causalidad_y_da_gs](https://reader034.fdocuments.net/reader034/viewer/2022042518/559f7ac91a28abab5c8b47ea/html5/thumbnails/5.jpg)
Criterios de Hill
1. Temporalidad:
– No siempre se ve en estudios transversales (excepto cosas fijas: sexo, genes)
– Es mas fácil establecer temporalidad en estudios prospectivos.
2. Fuerza de Asociación:
– Mientras mas fuerte es la asociación, es más probable que sea causal
– Se mide con: PR, OR, RR
![Page 6: Leiva karina causalidad_y_da_gs](https://reader034.fdocuments.net/reader034/viewer/2022042518/559f7ac91a28abab5c8b47ea/html5/thumbnails/6.jpg)
Criterios de Hill
3. Consistencia: Repetición o reproducción de las observaciones
– Diferentes estudios
– Diferencias pueden deberse a: Poblaciones diferentes, diferentes sub-grupos de poblaciones, implementar una intervención social (diferentes circunstancias)
– Meta-análisis: buena forma de probar esto
4. Especificidad de la asociación – Una exposición causa sólo una enfermedad
– Vibrio cholerae: colera, VIH: SIDA
– Hill trató de ser muy cuidadoso con esto (fumar: efectos similares)
![Page 7: Leiva karina causalidad_y_da_gs](https://reader034.fdocuments.net/reader034/viewer/2022042518/559f7ac91a28abab5c8b47ea/html5/thumbnails/7.jpg)
Criterios de Hill
5. Relación Dosis-Respuesta
– Al aumentar la dosis de la exposición, el riesgo de la enfermedad también aumenta
– La falta de esto no excluye una relación causal
6. Plausibilidad biológica
– Coherencia con el conocimiento biológico actual (limitación: lo que conocemos hasta el mometo)
– Muchas veces el conocimiento epidemiológico, precede al biológico
– Helicobacter pylori: úlcera (antes comportamentales)
![Page 8: Leiva karina causalidad_y_da_gs](https://reader034.fdocuments.net/reader034/viewer/2022042518/559f7ac91a28abab5c8b47ea/html5/thumbnails/8.jpg)
Criterios de Hill
7. Coherencia – Si la relación es causal, se espera que las
observaciones sean coherentes con otros datos – Consumo de tabaco aumenta al aumentar cancer de
pulmón
8. Experimentación – Estándar de Oro para probar causalidad: Ensayos
clínicos – Meta: Crear la contrafactual (los grupos sólo difieran
en la exposición) – No se puede en muchas exposiciones – Suspensión de la exposición
![Page 9: Leiva karina causalidad_y_da_gs](https://reader034.fdocuments.net/reader034/viewer/2022042518/559f7ac91a28abab5c8b47ea/html5/thumbnails/9.jpg)
Criterios de Hill
9. Analogía
– Exposiciones similares pueden producir enfermedades similares
– Virus ataca el Sistema Inmune
![Page 10: Leiva karina causalidad_y_da_gs](https://reader034.fdocuments.net/reader034/viewer/2022042518/559f7ac91a28abab5c8b47ea/html5/thumbnails/10.jpg)
Causalidad
• Criterios de Hill:
– Dentro de un estudio, no se puede concluir causalidad
– Ensayos Clínicos: hay muchas información previa que respalda (Fase I: Seguridad, Fase II: Seguridad y eficacia)
• Modelo causal de Rothman: Conjunto de diversas variables causan un desenlace
• En un estudio, no probamos causalidad; probamos asociación.
![Page 11: Leiva karina causalidad_y_da_gs](https://reader034.fdocuments.net/reader034/viewer/2022042518/559f7ac91a28abab5c8b47ea/html5/thumbnails/11.jpg)
DAGs (Directed Acyclic Graphs)
• Estudios Epidemiológicos: Evaluar la relación entre la exposición y el resultado.
• Confusión: Cuando una asociación se altera por una tercera variable.
A B
A B
C
![Page 12: Leiva karina causalidad_y_da_gs](https://reader034.fdocuments.net/reader034/viewer/2022042518/559f7ac91a28abab5c8b47ea/html5/thumbnails/12.jpg)
Confusión
Café Cáncer de Pancreas
Fumar
RR=3 (Alta asociación)
RR=1.1 (No hay asociación)
![Page 13: Leiva karina causalidad_y_da_gs](https://reader034.fdocuments.net/reader034/viewer/2022042518/559f7ac91a28abab5c8b47ea/html5/thumbnails/13.jpg)
DAGs
• Es una manera rápida y visual de evaluar confusión
• Es un tipo de Diagrama causal (Inteligencia artificial, robótica, sociología)
• Se utilliza en Epidemiología desde 1987 (Robins)
![Page 14: Leiva karina causalidad_y_da_gs](https://reader034.fdocuments.net/reader034/viewer/2022042518/559f7ac91a28abab5c8b47ea/html5/thumbnails/14.jpg)
DAGs son útiles para:
• Diagramas causales muestran la secuencia de eventos causales – Organizando exposiciones y desenlaces en una manera lógica – Identificando relaciones causales – Identificando confusores – Identificando variables intermediarias
• Diseñar estudios – Determinando cual información necesitamos recoger
• Analizar datos – Identificar que variables necesitamos incluir en los análisis
(ajustar)
![Page 15: Leiva karina causalidad_y_da_gs](https://reader034.fdocuments.net/reader034/viewer/2022042518/559f7ac91a28abab5c8b47ea/html5/thumbnails/15.jpg)
DAG
• DAG = Dirigido, Aciclico, Grafico
• Dirigido: flechas indican la dirección de la relación y significan “puede causar” o causa
• Acíclico:
• Gráfico: representación gráfica de relaciones – (En los datos, las variables conectados por flechas serán
asociadas )
Si No
![Page 16: Leiva karina causalidad_y_da_gs](https://reader034.fdocuments.net/reader034/viewer/2022042518/559f7ac91a28abab5c8b47ea/html5/thumbnails/16.jpg)
Que incluimos en un DAG?
• El desenlace
• La exposición(s) (covariables) de interés
• Variables pre-exposición (las causas de variables de interés)
• Variables post-exposición (variables causados por la exposición)
• Flechas que representan las relaciones
![Page 17: Leiva karina causalidad_y_da_gs](https://reader034.fdocuments.net/reader034/viewer/2022042518/559f7ac91a28abab5c8b47ea/html5/thumbnails/17.jpg)
Queremos mostrar los mecanismos
Obesidad
Resistencia a insulina
Hipertensión Arteriosclerosis
Ataque de corazón
Obesidad incrementa el riesgo de una ataque de corazón?
![Page 18: Leiva karina causalidad_y_da_gs](https://reader034.fdocuments.net/reader034/viewer/2022042518/559f7ac91a28abab5c8b47ea/html5/thumbnails/18.jpg)
Variables Intermedias
• En este ejemplo son variables intermedias
Obesidad
Resistencia a insulina
Hipertensión Arteriosclerosis
Ataque de corazón
Resistencia a insulina
Hipertensión Arteriosclerosis
• Representan un paso entre la exposición y la enfermedad
• Obesidad causa ataque de corazón por el medio de resistencia a insulina, hipertensión, y arteriosclerosis
![Page 19: Leiva karina causalidad_y_da_gs](https://reader034.fdocuments.net/reader034/viewer/2022042518/559f7ac91a28abab5c8b47ea/html5/thumbnails/19.jpg)
Queremos controlar por otras causas para medir solamente el efecto de
nuestro exposición de interés
Edad
País de residencia
Mortalidad
Hay una relacion entre pais de residencia y mortalidad?
![Page 20: Leiva karina causalidad_y_da_gs](https://reader034.fdocuments.net/reader034/viewer/2022042518/559f7ac91a28abab5c8b47ea/html5/thumbnails/20.jpg)
Variables confusores
• Un confusor es un variable que es:
– Una causa del desenlace
– Asociado con la exposición
– Y no es una variable intermedia
Fumar
Consumir alcohol
Ataque de
corazón
Asociación Espuria
Triangulo clásico de un confusor
Si no controlamos por el confusor, fumar, parecera que consumir alcohol esta
asociado con ataque de corazón
![Page 21: Leiva karina causalidad_y_da_gs](https://reader034.fdocuments.net/reader034/viewer/2022042518/559f7ac91a28abab5c8b47ea/html5/thumbnails/21.jpg)
Factor desconocido que asocia
fumar y consumir alcohol
Fumar
Consumir alcohol
Ataque de
corazón
Asociación Espuria
![Page 22: Leiva karina causalidad_y_da_gs](https://reader034.fdocuments.net/reader034/viewer/2022042518/559f7ac91a28abab5c8b47ea/html5/thumbnails/22.jpg)
“Backdoor Pathways” Camino por puerta trasera
• Caminos por puerta trasera inician con flechas señalando hacia la exposición de interés y llegan al desenlace
• Para evaluar el efecto causal de una exposición de interés hay “bloquear” estas puertas traseras – Hacemos el bloqueo en el diseño o análisis del estudio
(por controlar confusores)
– Queremos medir solo el efecto de la exposición de nuestra interés
![Page 23: Leiva karina causalidad_y_da_gs](https://reader034.fdocuments.net/reader034/viewer/2022042518/559f7ac91a28abab5c8b47ea/html5/thumbnails/23.jpg)
Ejemplo de caminos por puerta traseras
Uso de poppers (amyl nitrate)
Comportamiento sexual
SIDA
Infección con VIH
Exposición de interés = uso de poppers (no sabían en 1983 sobre la infección por VIH) El confusor es comportamiento sexual. Cuál es el camino por la puerta trasera?
?
![Page 24: Leiva karina causalidad_y_da_gs](https://reader034.fdocuments.net/reader034/viewer/2022042518/559f7ac91a28abab5c8b47ea/html5/thumbnails/24.jpg)
DAG del relación entre IMC y HPT
Edad
IMC Hipertensión
Sexo
?
![Page 25: Leiva karina causalidad_y_da_gs](https://reader034.fdocuments.net/reader034/viewer/2022042518/559f7ac91a28abab5c8b47ea/html5/thumbnails/25.jpg)
DAG del relación entre Resistencia al insulina y IM
Obesidad
Presión alta
Infarto de miocardio
Resistencia al insulina
Retinopatía Vascular
Identifica el Confusor y Variable Intermedia
?
![Page 26: Leiva karina causalidad_y_da_gs](https://reader034.fdocuments.net/reader034/viewer/2022042518/559f7ac91a28abab5c8b47ea/html5/thumbnails/26.jpg)
La excepción a las variables conectados por flechas no estarán asociados en el análisis
Edad
IMC
Sexo
Variables que conectan a la misma variable = variables colisionadores (variables que chocan) y no estarán asociados en el análisis En este ejemplo edad y sexo NO estaran associados porque chocan en IMC.
![Page 27: Leiva karina causalidad_y_da_gs](https://reader034.fdocuments.net/reader034/viewer/2022042518/559f7ac91a28abab5c8b47ea/html5/thumbnails/27.jpg)
Resumiendo
• DAG
• Variable Intermedia
• Confusor
• Backdoor Pathway
• Collider
![Page 28: Leiva karina causalidad_y_da_gs](https://reader034.fdocuments.net/reader034/viewer/2022042518/559f7ac91a28abab5c8b47ea/html5/thumbnails/28.jpg)
Notas sobre DAGs
• Permite tener un panorama amplio de las relaciones entre las variables
• Representan como pensamos que funciona las relaciones de interés – Puede haber desacuerdos entre personas
familiarizados con el campo de interés – Hay que tener conocimiento antes de hacer un DAG
• La temporalidad es implícita en un DAG (tiempo ) – No debe haber círculos, ni flechas con doble cabeza
![Page 29: Leiva karina causalidad_y_da_gs](https://reader034.fdocuments.net/reader034/viewer/2022042518/559f7ac91a28abab5c8b47ea/html5/thumbnails/29.jpg)
Limitaciones de DAGs
• No pueden evaluar modificación de efecto
• La flechas no dan información sobre – El magnitud del efecto – La dirección del efecto (protector vs. dañino) – Relaciones de dosis-respuesta
• DAGs pueden parecer (y ser) complejos
![Page 30: Leiva karina causalidad_y_da_gs](https://reader034.fdocuments.net/reader034/viewer/2022042518/559f7ac91a28abab5c8b47ea/html5/thumbnails/30.jpg)
Confusión
1. Criterios clásicos Un confusor es: una causa del desenlace, está asociado con la exposición, y no es una variable intermedia
2. Camino por puertas traseras En un DAG, hay flechas apuntados hacia la explosión de
interés y conectado al desenlace
![Page 31: Leiva karina causalidad_y_da_gs](https://reader034.fdocuments.net/reader034/viewer/2022042518/559f7ac91a28abab5c8b47ea/html5/thumbnails/31.jpg)
Resumen
• Es necesario entender bien el fenómeno de interés antes de estudiarlo
• Para ello hay que revisar cuidadosa y extensamente la literatura científica
• Aparte es bueno plantear un modelo conceptual o DAG para explicar nuestro entendimiento del fenómeno
![Page 32: Leiva karina causalidad_y_da_gs](https://reader034.fdocuments.net/reader034/viewer/2022042518/559f7ac91a28abab5c8b47ea/html5/thumbnails/32.jpg)
Material Extra
• Greenland S, Pearl J, Robins JM. Causal Diagrams for Epidemiologic Research. Epidemiology 1999; 10(1): 37-48.
![Page 33: Leiva karina causalidad_y_da_gs](https://reader034.fdocuments.net/reader034/viewer/2022042518/559f7ac91a28abab5c8b47ea/html5/thumbnails/33.jpg)
Que incluir en su DAG
• Su exposición de interés
• Su desenlace de interés
• Posibles confusores
• Posibles variables intermedias