9  Capítulo 9 — ¿Es realmente la causa?

Epidemiología aplicada en acuicultura — Parte III: La caja de herramientas del investigador

Dónde encaja esto — Anticipar (prevención primordial/primaria). La anticipación solo funciona si actúas sobre causas reales. Una medida de control dirigida a una asociación confundida y no causal malgasta dinero y deja intacto al verdadero motor. Este capítulo separa las causas genuinas de las impostoras.

9.1 Panorama

El Capítulo 5 nos dio asociaciones; este pregunta si son causales. Tres cosas pueden fabricar una asociación que no es causa: el azar (manejado con intervalos de confianza), el sesgo (una falla en cómo se recogieron los datos) y la confusión (un tercer factor que impulsa tanto la exposición como el desenlace). Trabajamos un ejemplo real e importante —el vínculo entre piojo de mar y SRS—, mostramos cómo la confusión por estación lo infla, lo ajustamos y cerramos con los criterios que usan los epidemiólogos para argumentar causalidad cuando un experimento aleatorizado es imposible.

Usamos srs_confounding.csv: 1.000 ciclos-jaula con carga de piojos, estado de SRS y estación.

9.2 9.1 Preparación

pacman::p_load(rio, here, tidyverse, janitor, epiR)
conf <- import(here("data", "srs_confounding.csv"))

9.3 9.2 Confusión — la impostora

Un factor de confusión se asocia con la exposición y es causa independiente del desenlace, sin estar en la vía causal. El agua cálida es el clásico aquí: eleva las cargas de piojos y, por separado, eleva el riesgo de SRS (por estrés branquial, transmisión más rápida). Así, las jaulas con muchos piojos también tienden a ser jaulas de temporada cálida, que habrían tenido más SRS de todos modos.

La asociación cruda:

tab <- table(conf$high_lice, conf$srs)
epi.2by2(tab, method = "cross.sectional")
#> Odds ratio (crudo)   2.84

Una OR cruda de 2,84 parece alarmante. Pero estratifica por estación y ajusta con el estimador de Mantel–Haenszel —que R hace directamente—:

mantelhaen.test(table(conf$high_lice, conf$srs, conf$season))
#> OR común (MH, ajustada por estación) = 1.55

La OR ajustada cae a 1,55 —cercana al efecto real incorporado en estos datos (OR ≈ 1,5)—. Dentro de cada estación la OR es modesta (fría 1,98; cálida 1,45); solo la cifra cruda estaba inflada, porque la estación hacía casi todo el trabajo. La lección viene directo del terreno: los piojos sí elevan el riesgo de SRS, pero comparar ingenuamente jaulas con muchos y pocos piojos sin considerar la temperatura casi duplica el efecto aparente (las “advertencias honestas” de tu charla —temperatura y estación impulsan ambos—).

9.3.1 Controlar la confusión

  • En el diseño: aleatorización (rara en terreno), restricción o emparejamiento.
  • En el análisis: estratificación (Mantel–Haenszel) o regresión multivariable (los modelos logísticos del Capítulo 11).

Un grafo acíclico dirigido (DAG) es la herramienta para decidir qué ajustar. Ajusta por factores de confusión; nunca ajustes por una variable que esté en la vía causal.

9.4 9.3 Sesgo — la regla torcida

Donde la confusión es una señal real pero mezclada, el sesgo es un error sistemático incrustado por cómo se recogieron los datos. Dos familias importan más:

  • Sesgo de selección — los animales muestreados no son representativos. Un estudio de casos y controles de SRS que tome controles solo de sitios sanos y bien manejados sobreestimará el efecto de cualquier factor de riesgo.
  • Sesgo de información (mala clasificación) — la exposición o el desenlace se mide con error sistemático. Si el corte de qPCR difiere entre laboratorios (Peña et al., 2025), “positivo a SRS” se clasifica distinto entre sitios.

El sesgo no se arregla en el análisis —solo se evita con buen diseño (Capítulo 7)—. Por eso la disciplina de diseño es una actividad de Anticipar, no una formalidad.

9.5 9.4 Argumentar causalidad sin un experimento

La epidemiología de terreno rara vez permite ensayos aleatorizados, así que la causalidad se argumenta con un conjunto de puntos de vista (según Bradford Hill). Aplicados a piojos → SRS:

  • Fuerza — una asociación ajustada clara (OR ~1,5; RR ~1,4 en metaanálisis).
  • Consistencia — vista en cohortes de terreno y desafíos experimentales (Lhorente 2014; Arriagada 2019).
  • Temporalidad — la innegociable: el alza de piojos ovígeros precede a la mortalidad por SRS (Diethelm-Varela et al., 2025). La causa debe venir antes del efecto.
  • Dosis-respuesta — más piojos, más mortalidad por SRS.
  • Plausibilidad — las lesiones por piojos abren la piel, una vía de entrada conocida.
  • Experimento — los desafíos de coinfección elevan la mortalidad al agregar piojos.

Ningún criterio único prueba la causa, y el contexto importa: el vínculo piojos–SRS es fuerte en Chile pero ausente en Irlanda a niveles de piojos récord-bajos.

9.6 9.5 Interpretación en el centro de cultivo

Para Anticipar, el beneficio es evitar errores costosos. Tratar la OR cruda de 2,84 como el efecto de los piojos sobreacreditaría la desparasitación e ignoraría el motor compartido, la temperatura —y la desparasitación es en sí un estresor que puede empeorar el SRS (Price et al., 2020)—. El camino disciplinado es: estima la asociación (Cap. 5), descarta el azar (IC), diseña sin sesgo (Cap. 7), ajusta la confusión (aquí) y sopesa los criterios causales.

9.7 9.6 Ejercicios

Inténtalo tú (9.1). Reproduce la OR cruda y la ajustada de Mantel–Haenszel. ¿Cuánto cambió el ajuste por estación la estimación, y en qué dirección?

9.2 Calcula las OR por estrato para estación cálida y fría por separado. Son parecidas entre sí pero ambas menores que la cruda —explica por qué esa es la firma de la confusión más que de la modificación del efecto—.

9.3 Un estudio de casos y controles recluta casos de SRS de todos los centros pero controles solo de centros sin historia de SRS. Nombra el sesgo y explica en qué dirección empuja la razón de odds.

9.4 De los puntos de vista de Bradford Hill, ¿cuál es lógicamente esencial (una asociación que lo incumple no puede ser causal), y por qué un estudio transversal rara vez puede establecerlo?

9.5 Dibuja un DAG simple para estación, piojos y SRS. ¿Por qué variable debes ajustar y por cuál no, y por qué?

9.8 Resumen y qué sigue

  • Una asociación puede surgir del azar, el sesgo o la confusión antes de reflejar una causa.
  • La confusión (un motor compartido) se maneja con estratificación (Mantel–Haenszel) o regresión; aquí infló la OR piojos–SRS de un ~1,5 real a un 2,84 crudo.
  • El sesgo es una falla de diseño y no se arregla en el análisis —solo se previene—.
  • La causalidad se argumenta por peso de la evidencia (fuerza, consistencia, temporalidad, dosis-respuesta, plausibilidad, experimento), y es específica del contexto.

Esto cierra la Parte III. En el Capítulo 10 — Vacunas, R₀ e inmunidad de rebaño pasamos a Prevenir.

9.9 Referencias y lecturas

  • Dohoo I, Martin W, Stryhn H. Veterinary Epidemiologic Research. 2.ª ed. VER Inc.; 2009.
  • Diethelm-Varela B, et al., Mardones FO. Epidemiología del SRS: temporalidad de piojos y mortalidad. J Fish Dis. 2025;e70097.
  • Lhorente JP, et al. Desafío de coinfección: Caligus y P. salmonis. PLoS ONE. 2014.
  • Arriagada G, et al. Abundancia de piojos y mortalidad posterior por SRS. Prev Vet Med. 2019;171:104771.
  • Price D, et al. Baños de piojos e inicio del SRS. Aquaculture. 2020.

Archivos de este capítulo: data/srs_confounding.csv y scripts/make_srs_confounding.R.