En términos generales, frente a los resultados obtenidos el investigador debe estar en condiciones de poder evaluar si los resultados pueden ser originados por:

1. Simple azar o chance
2. Ocurrencia de error sistemático
3. Presencia de variables confundentes
4. Fenómenos de interacción entre variables estudiadas.
5. Asociaciones causales

1. Simple azar o chance
Estadísticamente es posible conocer y controlar la probabilidad de ocurrencia de error en la investigación desde fases tan tempranas en la investigación como puede ser la etapa de muestreo. Subsecuentemente, la revisión y análisis preliminar de la información permite verificar la magnitud real de error proveniente de los datos recogidos. Aunque el error aleatorio es imposible de eliminar, el conocimiento de su cuantía permite emitir juicios considerando su magnitud al evaluar los resultados de la investigación. Dependiendo del problema en cuestión y el nivel de conocimientos imperantes el investigador debe decidir cuál es el nivel máximo de error tolerable para, por ejemplo, implementar una medida preventiva o una de control en una población.

2. Ocurrencia de error sistemático
La participación del sesgo en los resultados obtenidos en una investigación puede ser muchas veces abortada sometiendo a una cuidadosa revisión y análisis las características del diseño de la investigación, en particular aquellos aspectos referidos a la medición de las principales variables independientes del estudio (variables de exposición y covariables). Es esencial además minimizar la probabilidad de existencia de errores sistemáticos derivados de la aplicación de instrumentos de medición optimizando las condiciones de aplicación de dichos instrumentos mediante su evaluación previa y su control permanente durante la fase de trabajo de terreno y recolección de información.

3. Presencia de variables confundentes e interacción entre variables estudiadas.
Un capítulo importante en la investigación epidemiológica corresponde al análisis de resultados considerando la participación de variables que pudieran ejercer algún efecto sobre la relación encontrada. Esto podría manifestarse a través de una distorsión del efecto observado respecto al efecto real debido a una desigual distribución de una variable extraña en los grupos estudiados (efecto de confusión). También es posible la obtención de un efecto no esperado, pero real, producto de la interrelación simultánea de dos o más factores participantes en el efecto estudiado (interacción).

4. Asociaciones causales
En el análisis de relaciones de causalidad, el investigador debe tener la certeza absoluta acerca de la direccionalidad de las asociaciones observadas (prospectiva o no) y considerar que la exposición estudiada pudiera corresponder en realidad a un outcome o variable dependiente al estudiar una cadena causal.

Variables confundentes

El efecto de confusión se produce cuando en el análisis de una relación, existe distorsión en el efecto estimado, el que es producido por la presencia de una variable extraña en el estudio de la asociación.

El efecto que puede tener la presencia de esta variable extraña en el resultado puede ser diverso: en ocasiones determina la existencia de asociaciones positivas, las que en la práctica no son reales (error de tipo I o ) o bien, pueden esconder asociaciones reales, las que en presencia de esta variable extraña, quedan enmascaradas (error de tipo II o ß).

El concepto de confusión es crítico en el análisis epidemiológico, siendo más importante en el terreno de la investigación epidemiológica observacional o no experimental que en el campo experimental. Esto se debe a que los estudios experimentales permiten un mejor control de este efecto por características inherentes a su tipo de diseño (randomización, control a priori de eventuales variables confundentes o el uso de matching o pareamiento de variables).

Conceptualmente deben cumplirse algunos requisitos para considerar a una variable como potencialmente confundente:

• La variable incriminada debe estar simultáneamente asociada con la enfermedad (variable dependiente) en estudio y con la exposición,
• Por tanto, debe ser un factor de riesgo para la enfermedad estudiada,
• El factor extraño si bien es cierto debe estar asociado con la exposición (o variable independiente), no debe ser consecuencia de ésta última.

Gráficamente lo anterior corresponde a la siguiente representación:

Figura 1:
Variables confundentes.

Por ejemplo, en el análisis del efecto protector del Beta Caroteno en relación con el cáncer del sistema digestivo, se encuentra evidencia favorable acerca del consumo de vegetales en la reducción del riesgo del cáncer, concluyéndose que el consumo de Beta Caroteno en la dieta rica en vegetales es una medida específica de protección contra el cáncer.

Sin embargo, en este ejemplo pueden existir al menos dos posibles variables confundentes a considerar. La primera, es la edad, variable que se asocia con la incidencia de cáncer, y que podría asociarse con el nivel de consumo de verduras y hortalizas, lo que podría verificarse si en el estudio se contara con información acerca de la constitución por edad de los sujetos estudiados.
Otra variable confundente podría ser el consumo de fibra en la dieta. En este caso, el nivel de consumo y tipo de fibra está relacionada simultáneamente con la variable “consumo de vegetales” y con la variable cáncer. Para ambos ejemplos de posibles variables confundentes, se cumplen las condiciones previamente señaladas para poder considerarlas como tales. De no considerarse en el análisis la presencia de ellas pudiera concluirse una recomendación errónea basándose en una relación espúrea o ficticia.

Para mayor claridad respecto a las características de las variables confundentes se plantearán tres situaciones hipotéticas (Figura 2):

Figura 2.
Ejemplos de posible variables confundentes

1. En este caso, el tabaquismo se relaciona simultáneamente con la exposición y con el desenlace u outcome. Corresponde realmente a una variable confundente.

2. En esta situación, el nivel de colesterol sérico corresponde a una variable “intermedia”, vale decir, en la cadena causal precede al daño y es consecuencia de la exposición principal en estudio. En este caso, la variable no corresponde a una variable confundente.

3. Finalmente se da acá el caso en que la variable de exposición (tabaquismo) está asociada con una tercera variable (consumo de alcohol). Si embargo, esta última, no corresponde a una variable confundente, puesto que sólo se asocia con la exposición y no con el desenlace.

No siempre es fácil saber si se cumplen los requisitos para que una variable sea considerada confundente. Por ejemplo, ¿cómo saber si una variable es factor de riesgo para el desenlace estudiado si se desconocen antecedentes al respecto?

Para tales efectos, es posible que en el análisis se pueda obtener información desagregando la información recogida.

En un hipotético ejemplo de estudio de casos (enfermos) y controles (sanos) destinados a establecer la existencia de asociación entre la exposición al consumo de café y el riesgo de cáncer del páncreas, se estudian 100 casos y 100 controles, con el siguiente resultado:

Tabla 1.
Ejemplo: Consumo de café y cáncer de páncreas

El valor de Odds ratio correspondiente es:

OR = 30 x 82 = 1.95
     
18 x 70

Con lo cual se concluye que el consumo de café esta asociado con un mayor riesgo de padecer de cáncer del páncreas.

Una posible variable de confusión en este estudio pudiera estar dada por la edad de los sujetos participantes en el estudio. Si así fuera, primeramente se debería estudiar si se cumplen los requisitos para considerar a esta variable como una variable de confusión:

En primer lugar se analizará la relación existente entre la variable edad y la variable dependiente en estudio (cáncer de páncreas), utilizando para ello información desagregada de la edad, considerada ésta dicotómicamente en menores o mayores de 40 años de edad:

Tabla 2.
Ej. Consumo de café y cáncer del páncreas: casos y controles según grupo de edad

Luego, el porcentaje de sujetos mayores de 40 años con cáncer es claramente superior (50%) al de sujetos sanos (20%).
Esto se puede validar mediante un test de chi cuadrado
( =19,78 , p < 0.0001)

En una segunda etapa, se estudiará la asociación entre esta variable (edad) con la variable “exposición”.

Tabla 3.
Ej. Antecedente de exposición de acuerdo a categoría de edad, casos y controles

Se aprecia que la frecuencia de exposición no es uniforme en los estratos de edad, teniendo los mayores de 40 años un mayor porcentaje de exposición. Evaluado esto mediante un test de chi cuadrado, se tiene =39.91, p < 0.0001

Finalmente, está claro que la edad de los sujetos, así categorizada, no es consecuencia del consumo de café, con lo cual se establece el cumplimiento de los requisitos para que la variable edad pueda considerarse como eventualmente confundente.

Web Gabriel Rada. Revisado 2007 Tomás Merino