La inferencia causal es importante en la investigación médica para ayudar a determinar si los tratamientos son beneficiosos y si las exposiciones naturales son perjudiciales. En muchos entornos, La recopilación de datos dificulta la inferencia causal sin hacer suposiciones demasiado optimistas o idealistas. En un nuevo artículo publicado en el Revista de la Asociación Estadounidense de Estadística , Los investigadores del Karolinska Institutet desarrollan nuevos métodos estadísticos para hacer posible la inferencia causal en algunos entornos sin hacer tales suposiciones.

Los autores Erin Gabriel, Michael Sachs y Arvid Sjölander del Departamento de Epidemiología Médica y Bioestadística, describa en el nuevo artículo cómo se pueden utilizar e interpretar estos métodos.

Nuevas herramientas que se pueden aplicar en una variedad de entornos de investigación diferentes.

Los ensayos aleatorizados son un tipo de experimento en el que se asignan al azar grupos de voluntarios para obtener o no un nuevo medicamento. y luego se hace una comparación entre los dos grupos asignados al azar para evaluar el efecto del medicamento aleatorizado en la supervivencia, infección, o bienestar de los pacientes. A diferencia de los nuevos medicamentos, hay muchas cosas que no se pueden asignar al azar a los voluntarios, como el tabaquismo y la exposición al asbesto, o que podría ser aleatorio, pero se estudian con mayor frecuencia en estudios observacionales, como el vino tinto y el consumo de frutas.

En estos entornos, el efecto de una exposición puede ser difícil de determinar porque otros factores pueden influir tanto en la exposición de interés como en el resultado. Por ejemplo, vivir en Suecia se asocia con una menor mortalidad y un mayor consumo de moras que en Hungría, por lo que buscar el efecto de las moras en la mortalidad en un grupo que incluía a personas tanto de Hungría como de Suecia puede llevar a un investigador a creer que las moras reducen la mortalidad.

Métodos estadísticos desarrollados con un enfoque novedoso

Aunque existen muchas herramientas para tratar los factores medidos, como el país de residencia, para permitir la prueba y estimación de tales efectos, Todos estos métodos requieren que un investigador esté dispuesto a adivinar todos los demás factores que no ha medido. El trabajo presentado aquí usa matemáticas, lógica y estadísticas para relajar la necesidad de adivinar y, en lugar de dar un valor único del efecto, da una gama de posibles tamaños de efecto. Aunque algunos investigadores han desarrollado métodos similares, los métodos son muy pocos y específicos para el tipo de datos y cómo se recopilaron. Erin Gabriel y sus colegas desarrollan nuevos métodos para permitir un número mucho mayor de estilos de recopilación de datos, muchos de los cuales son muy comunes en Suecia debido a los registros.

"Estos métodos estadísticos, que son fáciles de implementar, puede ayudar en muchos entornos donde la inferencia causal se ve amenazada por un sesgo de confusión y / o selección no medido, "dice la primera autora Erin Gabriel.

Los autores esperan que sus herramientas sean utilizadas por investigadores de todo el mundo para ayudarlos a tomar decisiones sin tener que adivinar factores no medidos en sus datos. En su trabajo actual y futuro, su objetivo es crear y describir nuevas herramientas estadísticas que se puedan utilizar en ensayos clínicos imperfectos.