Una buena parte de los estudios epidemiológicos tienen como objetivo la evaluación del efecto que tiene una o varias exposiciones sobre uno o más desenlaces. Sin embargo, para la cuantificación de la inferencia causal producida se emplean comúnmente técnicas estadísticas que contrastan la asociación entre las variables de interés, no precisamente de efecto causal.¹ De hecho, aunque estas medidas podrían no tener una interpretación causal, es frecuente que se ajusten los resultados para todos los potenciales factores de confusión. ^2,3

Algunos epidemiólogos contemporáneos desarrollaron nuevas herramientas metodológicas para la inferencia causal como la teoría o modelo contrafactual⁴ y la representación de los efectos causales a través del gráfico acíclico dirigido (Directed Acyclic Graph - DAG, en inglés).⁵ Este último, que es una fusión de la teoría de la probabilidad con los diagramas de trayectoria, resulta muy útil para deducir visualmente las asociaciones estadísticas implicadas por las relaciones causales entre las variables de estudio.

Aprender las reglas para visualizar relaciones causales mediante un DAG puede tomar un poco de tiempo y práctica. Una vez que estas reglas son dominadas, facilitan muchas tareas, como la comprensión de los sesgos de confusión y selección, la elección de covariables para el ajuste y análisis estadístico, comprensión de efectos directos⁶ y análisis de variables instrumentales.⁷ Al respecto, cabe señalar que algunos investigadores interesados en facilitar el uso de los diagramas causales y disminuir el riesgo de sesgos en los estudios epidemiológicos desarrollaron el software gratuito “DAGitty”.⁸

Es oportuno mencionar que el estudio de los mecanismos causales de los problemas de salud constituye un reto que en algunos escenarios frecuentemente es dejado de lado. Aunque se reconoce el potencial que tiene el uso de los DAGs en la descripción de hipótesis de las posibles redes causales entre las variables de estudio y en la presentación de resultados más robustos para la comunidad científica, estos gráficos todavía presentan un escaso uso en los trabajos de investigación, por lo que se hace prioritario por parte de las sociedades científicas y de las instituciones académicas, la enseñanza de esta herramienta metodológica en la formación de investigadores que estén desarrollando estudios epidemiológicos.

En la actualidad es posible que algunos editores y revisores de revistas científicas indexadas, soliciten a los autores que desean reportar resultados de estudios epidemiológicos que incluyan en el artículo el DAG. En este contexto, un estudio que usó datos de la National Health and Nutrition Examination Surveys - NHANES en Estados Unidos y cuyo objetivo fue examinar el papel de la bilirrubina sérica como posible factor de riesgo para la hipertensión, publicó en su artículo el DAG realizado en DAGitty, para seleccionar un conjunto de variables de ajuste mínimo suficiente que permitieran la identificación del verdadero efecto, sin confusión, de la bilirrubina en la presión arterial.⁹ En 2018 y con datos de un estudio epidemiológico en Brasil,¹⁰ se reportó que el síndrome metabólico fue asociado de forma independiente con la variación del strain longitudinal global o índice de deformación miocárdica. A manera de ejemplo, la Figura 1 muestra el DAG que representa el cuadro conceptual, las posibles relaciones causales de las variables y sus roles en la asociación que querían demostrar los investigadores. En este diagrama, la variable de exposición corresponde al síndrome metabólico y el desenlace es el strain longitudinal global. Las otras covariables que aparecen en el DAG pueden ser clasificadas en varios roles, ejemplo: confusión, mediador, confusión proxy, exposición competitiva y collider. Para describir las relaciones entre las variables en un DAG, estas pueden ser leídas como un árbol de ascendencia y se usa la terminología de parentesco: hijo, padre, descendientes y ancestros.^5,8

Figura 1 Gráfico acíclico dirigido para representar la relación entre el síndrome metabólico y el strain longitudinal global. Variable de exposición: SM (síndrome metabólico); variable desenlace: SLG (strain longitudinal global); variables de confusión: edad, sexo, raza, IMC (índice de masa corporal); variable collider: masa_VI (masa ventricular izquierda); otra variable: FEVI (fracción de eyección del ventrículo izquierdo). 

Por último, es importante resaltar que los diagramas causales también pueden generar conclusiones útiles, incluso en situaciones en las que no es posible identificar un conjunto suficiente de variables para el control y prevención de los sesgos de confusión y selección. En consecuencia, es fundamental que, en la fase de planeación de los estudios epidemiológicos los investigadores tengan el suficiente conocimiento y cuadro conceptual de todas las posibles variables que pueden influenciar la relación entre la exposición y el desenlace de interés. Esto con la finalidad de construir modelos causales plausibles que permitan identificar las variables que se requieren para resolver la pregunta de investigación y el diseño metodológico que se debe emplear para realizar el estudio. Además, la utilización de DAGs en la comunicación y reporte de resultados permite que los modelos de efectos causales puedan ser comparados, facilitando la identificación de posibles explicaciones para los resultados inconsistentes encontrados en la literatura.

El empleo de la metodología DAGs es una oportunidad para Enfermería en el mejoramiento del conocimiento de los fenómenos y problemas de salud, lo cual contribuirá a la identificación de los elementos necesarios a ser intervenidos con el propósito de mejorar el bienestar de la población. Es necesario que los programas de posgrado en enfermería adopten estas nuevas herramientas en sus planes de estudio con el fin de formar una nueva generación de investigadores que estén a la vanguardia de métodos para el análisis de la inferencia causal y produzca avance profesional hacia la excelencia.