El problema de la ciencia en los medios de comunicación: Correlación vs. Causalidad

Cuando captar la atención de los lectores es más importante que la verdad

¿Con qué frecuencia ves titulares como ‘Los perros pueden ayudarte a vivir más tiempo’, como si necesitaras otra razón para tener uno, ‘La falta de sueño puede reducir tu cerebro’, ‘Las personas más altas son más propensas al cáncer’, o ‘Comer arroz integral reduce el riesgo de diabetes? ¿Entiendes la relación entre los factores mencionados? ¿Aceptas los titulares como verdades establecidas?

Tal vez te sorprenda saber, querido/a lector/a, que en los medios de comunicación es más probable que encontremos contenidos derivados de estudios observacionales que por ensayos controlados aleatorios, que generalmente son siempre más precisos y fiables. Lo más probable es que estos dos términos te suenen a chino. Deja que me explique.

 

“La vida” es un misterio

El método científico, la forma de plantear preguntas y establecer estrategias para hallar la verdad que confirme y rechace nuestras hipótesis, o que nos ayuden a formular nuevas preguntas para seguir ampliando nuestro corpus de conocimientos, es solo el mejor método del que disponemos para acercarnos a la verdad. No es infalible, pero es el más fiable.

Cuando planteamos una pregunta, por ejemplo, ‘¿hacer puzzles ayuda a prevenir el Alzheimer?’, necesitamos plantear cómo diseñamos un estudio que pueda darnos una respuesta. Podríamos, por ejemplo, buscar personas con Alzheimer y preguntarles si hacían puzzles y cuántos. Esto tiene sus limitaciones, claro. Por ejemplo, muchos no se acordarán, otros exagerarán o no serán muy precisos en sus respuestas. Por eso, este no sería un buen diseño de estudio para dar respuesta a esta pregunta. Otra opción sería seleccionar personas que hacen puzzles y personas que no, seguirlas durante 10 años y ver si se desarrollan más casos de Alzheimer en un grupo que en otro. Este enfoque tiene otras limitaciones, por ejemplo, es más caro, tal vez 10 años no son suficientes y tendríamos que diferenciar qué diferencias entre grupos son significativas y no debidas al azar. Los dos enfoques mencionados son tipos de estudios observacionales (casos y controles y cochortes). Como véis, no son ideales, pero no siempre se pueden plantear muchas más opciones para acercarnos a responder algunas preguntas.

 

Un diseño mejor

Existen preguntas que nos dan más posibilidades. Por ejemplo, si planteamos si tomar un suplemento multivitamínico puede reducir las infecciones de orina en mujeres de entre 50 y 60 años sin otras enfermedades, podríamos hacer dos grupos de personas en este rango de edad, a un grupo le daríamos el suplemento y a otro grupo le daríamos un placebo con la misma apariencia externa. Al cabo de 2 años, por ejemplo, valoraríamos si el grupo del suplemento ha tenido significativamente menos infecciones de orina. En este caso, nosotros, los investigadores, estamos introduciendo activamente un elemento. En los casos de puzzles anteriores, estábamos seleccionando personas que ya hacían, o no, puzzles. En este caso, somos nosotros los que estamos modificando elementos a la vida de las personas para determinar su impacto en nuestra pregunta. Esto es un ensayo clínico. Sirve, con mucha frecuencia, para valorar nuevos tratamientos. Por ejemplo, ¿será mejor este nuevo antihipertensivo para controlar la tensión arterial, o el que se ha estado utilizando hasta ahora? ¿y más seguro? ¿y los suplementos de omega-3 vs comer pescado 3 veces por semana? Etc.

 

La responsabilidad de los medios y… ¿de la población?

Hace un tiempo, unos investigadores de Harvard examinaron los estudios de los que se hacen eco varios de los principales medios estadounidenses. A continuación, examinaron los ensayos cubiertos en las cinco principales revistas del país. No te sorprenderá saber que descubrieron que los medios eran más propensos a cubrir los estudios observacionales y eran menos propensos a cubrir los ensayos controlados aleatorizados (ensayos clínicos bien diseñados) que las revistas de alto impacto en el ámbito científico. Es decir, lo que es importante para los medios de comunicación y, a menudo, para la población a la que sirven, no suele ser igual de importante para la comunidad científica. Además, cuando los medios de comunicación cubren estudios observacionales, eligen artículos de menor calidad. Los periódicos cubren principalmente investigaciones médicas con una metodología más débil.

Los autores también reconocen que gran parte de lo que los periódicos y otros medios de comunicación deciden publicar se basa en el interés de los lectores. Sin embargo, añaden que cuando existe una diferencia significativa entre los ensayos observacionales y los controlados aleatorios, los medios de comunicación no tienen justificación para no corregir esta práctica. Independientemente de los temas que traten los medios de comunicación, deben ser capaces de entender la diferencia entre ambos.

Vamos a explicarlo con más detalle.

 

Correlación vs Causalidad

La ciencia se ocupa a menudo de medir la relación entre dos o más factores. Por ejemplo, los científicos pueden querer saber si la resolución de pruebas de lógica reduce el riesgo de demencia o si ver la televisión a menudo tiene un efecto negativo sobre la visión.

La correlación es cuando dos factores están relacionados, pero uno no es necesariamente la causa del otro.

La causalidad es cuando un factor causa otro (por ejemplo, el calor causa quemaduras en nuestra piel).

En el caso de la televisión, la investigación puede descubrir que las personas que pasan mucho tiempo viendo la televisión son más propensas a desarrollar problemas de visión. En ese caso, podemos concluir que ver la televisión con frecuencia provoca problemas de visión. Sin embargo, también puede darse el caso de que las personas que ven mucho la televisión sean personas cuyo trabajo implica varias horas de uso del ordenador. Por tanto, podemos decir que existe una correlación entre ver la televisión y los problemas de visión, pero no sabemos si ver la televisión es la causa de los problemas de visión.

En el caso de la demencia, la investigación puede revelar que las personas que resuelven a menudo pruebas de lógica tienen un menor riesgo de desarrollar demencia. Por tanto, concluimos que la resolución frecuente de pruebas lógicas provoca mejoras en las funciones cerebrales. Sin embargo, en el estudio puede haber personas con un coeficiente intelectual elevado. Por tanto, podemos decir que existe una correlación entre la resolución de pruebas y un menor riesgo de demencia, pero no sabemos si es la causa de la mejora de las funciones cerebrales.

Es más fácil demostrar una correlación entre dos cosas que que una causa la otra. Cuando los cambios en un factor provocan un cambio en otro factor, se describe como una relación causal. Correlación y causalidad no son lo mismo. A veces dos cosas pueden estar en relación sin que una provoque la otra.

Por ejemplo, cuanto más se llama a los policías, más probable es que los ladrones roben un banco. En este caso, el robo del banco no es el resultado de llamar a la policía. Ambas variables (el número de policías y el atraco al banco) fueron causadas por la presencia de ladrones.

Aunque existe una relación causal entre las variables, a veces puede ser difícil determinar qué variable provoca el cambio de otra. Por ejemplo, puede haber una correlación entre el estado de ánimo de las personas y su salud física. Pero no está claro qué variable afecta a la otra. ¿Un buen estado de ánimo mejora la salud física, o una buena salud física mejora el estado de ánimo de las personas?

Ciertos tipos de estudios pueden demostrarnos una relación de causa y efecto entre dos cosas. Otros tipos sólo pueden ayudarnos a encontrar correlaciones. Por ejemplo, los ensayos controlados aleatorios pueden proporcionar buenas pruebas de una relación de causa y efecto. Los estudios transversales, como las encuestas puntuales, no pueden hacerlo.

En los medios de comunicación, los títulos de los artículos suelen tergiversar completamente la investigación en la que se basan. Muchos titulares sugieren relaciones de causa y efecto. Sin embargo, al leer el artículo con más atención, descubriremos que la investigación era correlacional, y en ese caso, el artículo no justifica el título. Cuando leas una investigación sobre salud, debes distinguir entre correlaciones y causalidad, y entender cuál de estas dos cosas demuestra la investigación. Soy consciente de que no todo el mundo puede hacer esto, y no hace falta que seas un experto en ciencia para saber discernir de qué información fiarte o no. Lo importante es que mantengas cierto grado de escepticismo, que ante la duda sobre la veracidad de algún dato tu escepticismo sea aun mayor, y que elijas bien tus fuentes de información, en base a su rigor y credibilidad (más allá de los números de su audiencia). No caigamos en el error de pensar que “si sale en la tele” o “si lo dice un experto de Alemania”, tiene que ser cierto.

 

 

Referencias:

Bhandari, P. (2021). Correlation vs. Causation | Differences, Designs & Examples. Scribbr. https://www.scribbr.com/methodology/correlation-vs-causation/

Correlation and causation. (s.f.). Understanding Health Research. https://www.understandinghealthresearch.org/useful-information/correlation-and-causation-15?fbclid=IwAR0h3eeH54Ht9rtntzwkE6ZyecZgwxL_6trtJaO4kUMIIbS-447bzWzKJfY

Correlation of Physical Sciences. (1856). The Buffalo medical journal and monthly review of medical and surgical science, 12(1), 34–36.

Correlation versus causation: The media typically gets it wrong. (2014). American Council on Science and Health. https://www.acsh.org/news/2014/01/22/correlation-versus-causation-media-typically-gets-wrong?fbclid=IwAR3HarTRJsH1j5gH1XS1BUvY0v0ZNMglIb6skWnhp1QJMWQT31-4nkFtJms

Papana A. (2021). Connectivity Analysis for Multivariate Time Series: Correlation vs. Causality. Entropy (Basel, Switzerland), 23(12), 1570. https://doi.org/10.3390/e23121570

‌Statistical Language - Correlation and Causation (s.f.). Australian Bureau of Statistics.. https://www.abs.gov.au/websitedbs/D3310114.nsf/home/statistical+language+-+correlation+and+causation

Amyad Raduan

Amyad Raduan (GlóbuloAzul)

Licenciado en Medicina por la Universidad Miguel Hernández de Elche, con Máster propio en Integración y Resolución de Problemas Clínicos en Medicina por la Universidad Alcalá de Henares, Máster en Medicina Clínica por la Universidad Camilo José Cela y actualmente realizando un Máster Oficial en Investigación Clínica por la Universidad Miguel Hernández de Elche. También es Diplomado en Transporte Sanitario Medicalizado. En la actualidad, ejerce como Médico Residente en la especialidad de Medicina Familiar y Comunitaria, en el Hospital Vega Baja de Orihuela (Alicante). Asímismo, es dueño y fundador de la empresa de divulgación científica especializada en medios audiovisuales, GLÓBULO SALUD SL, a través de la cual coordina a un equipo de médicos, ilustradores y animadores. (Canal de YouTube)

Continúa leyendo