Modelos Multivariantes: Viendo a Través del Espejo de la Causalidad
Domina el ajuste estadístico, interpreta la regresión logística y aprende cuándo el Odds Ratio te está engañando
Objetivo: Desarrollar un ojo crítico para detectar confusión, leer tablas de regresión ajustada como un investigador senior y comunicar riesgos sin distorsionar la verdad clínica.
La paradoja del café, los helados y la UCI
¿Por qué un día los titulares gritan que el café salva vidas y al siguiente que las destruye? ¿Cómo es posible que los helados predigan ahogamientos o que, en algunos estudios, la obesidad parezca "protectora" en la UCI? La respuesta no está en la estadística avanzada, sino en un concepto profundamente humano: las variables ocultas que nunca medimos. Los modelos multivariantes son tu herramienta para destapar esos factores escondidos y ver la realidad que los números simples no pueden mostrar.
🎭 El Factor de Confusión
Imagina que el confusor es un titiritero. Mueve al mismo tiempo la exposición que estudias y el desenlace que mides, creando una asociación falsa entre ellos. Tu trabajo como investigador es cortar esos hilos.
El test del confusor en tres actos
Acto 1: El confusor debe estar asociado con la exposición. (Ej: El tabaquismo es más frecuente en bebedores de café).Acto 2: El confusor debe ser un factor de riesgo independiente para el desenlace. (Ej: Fumar causa cáncer de pulmón).Acto 3: El confusor no debe ser un mecanismo intermedio, un mediador en la cadena causal. (Ajustar por un mediador es un error de sobreajuste).
| Paradoja Clínica | Confusor Oculto | ¿Qué pasó realmente? |
|---|---|---|
| Beber café se asocia a cáncer de pulmón | Tabaquismo | Los fumadores tienden a beber más café. Al ajustar por tabaco, la asociación café-cáncer desaparece. |
| Comer más helados se asocia a más ahogamientos | Temperatura ambiente (verano) | En verano la gente come más helados y también se baña más. El confusor crea una asociación espuria. |
| La obesidad parece 'protectora' en la UCI | Gravedad al ingreso | Los obesos ingresan más jóvenes y por causas menos graves. Al ajustar por severidad, la paradoja se esfuma. |
| Nueva superficie anti-úlceras no muestra beneficio | Riesgo basal del paciente | Las superficies nuevas se usan en pacientes de mayor riesgo. Sin ajustar, el efecto protector real se oculta. |
Tabla 1: Ejemplos clásicos de confusión que todo profesional de la salud debe conocer.
🧨 La Gran Trampa del Odds Ratio: Cuando los Números Gritan Más que la Realidad
Esta es una de las lecciones más valiosas que aprenderás hoy. El Odds Ratio (OR) es un mentiroso funcional: se comporta de maravilla cuando los eventos son raros, pero se vuelve un exagerado compulsivo cuando los eventos son frecuentes. En la clínica, donde a menudo tratamos desenlaces comunes (infecciones de herida, náuseas postoperatorias, abandono del tratamiento), esta distorsión puede llevar a decisiones erróneas.
Demostración quirúrgica: OR vs RR con tus propias manos
Escenario: Ensayo clínico sobre infección de herida quirúrgica.
Apósito Tradicional
Infección: 40% (40 de 100)
Apósito Nuevo
Infección: 60% (60 de 100)
Riesgo Relativo (RR): 60% / 40% = 1.5 → El nuevo apósito conlleva un 50% más de riesgo. Comunicación honesta.
Odds Ratio (OR): (60/40) / (40/60) = 1.5 / 0.667 = 2.25 → Parece que más que duplica el riesgo. Comunicación engañosa.
Conclusión: Con un evento al 40%, usar el OR como si fuese un RR es un error de interpretación grave que infla artificialmente la magnitud del problema.
| Frecuencia del Evento | Comportamiento del OR | Regla de Oro Clínica |
|---|---|---|
| Menos del 10% (raro) | OR ≈ RR (se comporta bien) | Puedes interpretar el OR como una aproximación directa al riesgo. Es un invitado educado. |
| Más del 10% (frecuente) | OR > RR (exagera la asociación) | Nunca digas 'triplica el riesgo'. Reporta solo dirección y significancia. Si necesitas la magnitud real, usa RR ajustado. |
🔧 Caja de Herramientas: Cómo obtener RR ajustados (y no morir en el intento)
Si tu evento es frecuente y el revisor te exige un Riesgo Relativo ajustado, no uses regresión logística. Tu solución moderna es: Regresión de Poisson con Varianza Robusta (Sandwich) o Regresión Log-Binomial. Están disponibles en Jamovi (módulo GAMLj), JASP y, por supuesto, en R. Este enfoque evita la exageración del OR y te permite comunicar el riesgo de forma honesta y directa para tu paciente.
📋 Cómo Leer una Tabla de Regresión Logística Sin Perder el Aliento
Te presento una tabla realista de un estudio sobre Reacciones Adversas a Medicamentos (RAM). Vamos a extraer la historia clínica que cuentan estos números.
| Variable (Factor de Riesgo) | OR Ajustado | IC 95% | Valor p | Tu Interpretación Clínica |
|---|---|---|---|---|
| Edad (por cada 10 años más) | 1.45 | 1.20 – 1.75 | < 0.001 | Cada década de vida aumenta las odds de sufrir una RAM en un 45%. Factor de riesgo no modificable, pero identifica población vulnerable. |
| Sexo femenino | 1.80 | 1.10 – 2.95 | 0.019 | Ser mujer casi duplica las odds de RAM. Dato esencial para personalizar la prescripción. |
| Polimedicación (≥5 fármacos) | 2.30 | 1.40 – 3.78 | 0.001 | El factor de riesgo modificable más potente. Revisar la medicación es una intervención directa para reducir RAM. |
| Uso del fármaco X (vs. alternativas) | 0.65 | 0.42 – 0.99 | 0.045 | Factor protector significativo. El fármaco X reduce las odds de RAM en un 35%. Evidencia a favor de su uso preferente. |
Tabla 2: Factores asociados a Reacción Adversa a Medicamento (RAM) en pacientes hospitalizados. Modelo de regresión logística ajustado por todas las variables de la tabla.
Tips de lectura rápida para la guardia
- Significancia:Mira el IC 95%. Si NO cruza el 1 (en OR) o el 0 (en coeficientes), la asociación es estadísticamente significativa (p<0.05). El valor p exacto te da el grado de evidencia en contra de la hipótesis nula.
- Dirección:OR > 1 = factor de riesgo. OR < 1 = factor protector. Simple y directo.
- Magnitud relativa: Compara los OR entre sí para priorizar factores de riesgo. Aquí, la polimedicación (OR=2.30) pesa más que la edad por década (OR=1.45).
🏥 Del Dato al Diagnóstico: Casos Reales en tu Especialidad
Psicología Clínica
Predictores de abandono en TCC para ansiedad
OR ajustados: Edad <30 años = 2.10 (1.30-3.40); Bajo apoyo social = 3.50 (2.00-6.12); Comorbilidad psiquiátrica = 1.90 (1.10-3.28). Lección: El apoyo social emerge como el factor de riesgo modificable más potente. La intervención no es solo individual; debe incluir el entorno.
Fisioterapia
Recuperación funcional tras fractura de cadera
OR ajustados: Edad ≥85 años = 0.40 (reduce odds de recuperación); Buen estado cognitivo = 2.80; Inicio de fisioterapia <48h = 1.95. Lección: La intervención precoz es un factor independiente casi tan potente como un buen estado cognitivo basal. El tiempo es función.
⛔ Los 5 Pecados Capitales al Interpretar Modelos Multivariantes
1Ignorar confusores no medidos
Consecuencia: Tu ajuste es una armadura con agujeros. El sesgo residual sigue campando a sus anchas.
Antídoto: Evalúa críticamente si los autores midieron los confusores que la fisiopatología y la literatura señalan como claves. Si faltan, el estudio es débil.
2Interpretar OR como RR en eventos frecuentes
Consecuencia: Afirmar que un OR de 2.8 'casi triplica el riesgo' es una falta de honestidad científica que infla resultados.
Antídoto: Ante evento >10%, limita tu lenguaje a dirección y significancia. Si necesitas magnitud real, calcula o solicita el RR ajustado.
3Sobreajustar: meter el ventilador en el modelo
Consecuencia: Incluir mediadores (pasos intermedios) o variables basura distorsiona el efecto de la exposición principal, creando un espejismo estadístico.
Antídoto: El ajuste debe basarse en un DAG (Gráfico Acíclico Dirigido) o un modelo conceptual claro, no en una pesca de variables automática.
4Cazar significación sin mirar el tamaño del efecto
Consecuencia: Con muestras enormes, cualquier tontería sale significativa. Un OR de 1.02 puede ser 'significativo' pero clínicamente irrelevante.
Antídoto: Pregúntate siempre: ¿esta magnitud de efecto cambiaría mi práctica clínica? La significancia estadística no es sinónimo de relevancia clínica.
5No reportar qué variables se ajustaron
Consecuencia: Falta de transparencia y reproducibilidad. Desconfía de frases vagas como 'se ajustó por factores relevantes'.
Antídoto: Exige una tabla con todos los OR ajustados o una nota al pie detallada. La ciencia de calidad es reproducible.
La regla de los 10 eventos por variable (10 EPV) — parsimonia en regresión logística
Una de las decisiones más críticas al construir un modelo multivariante es cuántas variables incluir. Incluir demasiadas variables para pocos eventos es el sobreajuste (overfitting): el modelo "aprende" el ruido de los datos de entrenamiento y falla en nuevas muestras.
La regla empírica de Peduzzi et al. (1996) establece que para una regresión logística estable se necesitan al menos 10 eventos por cada variable independiente candidata al modelo (no por cada covariable, sino por cada parámetro estimado). Por ejemplo:
- Estudio con 50 ingresos hospitalarios (el evento) → máximo 5 variables en el modelo. Con más, el modelo es inestable y los OR tienen intervalos de confianza enormes o inverosímiles.
- Estudio con 200 reingresos → hasta 20 variables son manejables, aunque siempre se prefiere guiarse por un DAG conceptual y no por la capacidad matemática bruta.
Al leer un artículo: cuenta los eventos del desenlace y divide entre el número de variables ajustadas. Si el cociente es menor de 10, el modelo puede estar sobreajustado. Busca si los autores reportaron validación interna (bootstrap, split-sample) o externa. Si no lo hacen, interpreta los OR ajustados con mucha cautela.
Referencia: Peduzzi, P., Concato, J., Kemper, E., Holford, T. R. & Feinstein, A. R. (1996). A simulation study of the number of events per variable in logistic regression analysis. Journal of Clinical Epidemiology, 49(12), 1373–1379.
🩺 Algoritmo de Lectura Crítica para Modelos Multivariantes
Identifica la Pregunta y el Diseño
¿Cuál es la exposición principal y el desenlace? En estudios observacionales (cohortes, casos y controles), el ajuste multivariante es casi obligatorio para controlar la confusión. En un ensayo clínico aleatorizado bien hecho, el ajuste es un refinamiento, no una necesidad.
Audita las Variables de Ajuste (Sección de Métodos)
Busca la lista de covariables incluidas. ¿Están los sospechosos habituales (edad, sexo, comorbilidad)? ¿Falta algún confusor obvio según la literatura? Si el modelo no incluye variables clave, sus resultados son cuestionables.
Examina la Tabla de Resultados Ajustados
Concéntrate en los OR (o RR) ajustados, sus intervalos de confianza al 95% y los valores p. Recuerda: un IC 95% que no cruza el 1 indica significancia. Compara la magnitud de los OR ajustados entre sí para priorizar factores.
Interpreta la Magnitud con Cautela (Frecuencia del Evento)
Pregúntate: ¿cuál es la frecuencia basal del evento? Si es >10%, el OR sobreestima. No lo traduzcas directamente a 'riesgo'. Si los autores no reportan la frecuencia basal, es una bandera roja.
Compara lo Crudo vs. lo Ajustado (La Prueba del Confusor)
Un cambio sustancial (>10%) entre el OR crudo y el ajustado indica que la confusión operaba y el ajuste fue efectivo. Si apenas cambia, o el confusor no era tal, o el ajuste no aportó mucho. Esto te da pistas sobre la robustez del hallazgo.
Quiz de verificación
Un estudio sobre profilaxis antiemética reporta náuseas postoperatorias en el 35% con el fármaco estándar y en el 20% con el nuevo. El OR ajustado (controlando por sexo, edad y tipo de cirugía) es 0.45 (IC 95%: 0.28-0.71). Un colega te dice: 'El nuevo fármaco reduce el riesgo de náuseas en un 55%'. ¿Es correcta esta afirmación?
Para Convertirte en un Experto en Causalidad y Modelos
📖 Lecturas Fundamentales
- Hernán, M. A. & Robins, J. M. (2020). Causal inference: What if. Chapman & Hall/CRC. (Descarga gratuita online). El libro de cabecera moderno sobre inferencia causal. Imprescindible para entender DAGs y confusión.
- Rothman, K. J., et al. (2008). Modern epidemiology (3rd ed.). Lippincott Williams & Wilkins. El tratado clásico y riguroso sobre sesgo, confusión y modelos en epidemiología clínica.
- Martínez-González, M. A., Sánchez-Villegas, A., Toledo, E. & Faulin, J. (2020). Bioestadística amigable (4ª ed.). Elsevier. Capítulos dedicados a regresión logística y análisis de supervivencia explicados con claridad y ejemplos del mundo real.
🎬 Videos y Tutoriales Online
- Curso Online: "Causal Diagrams" de Miguel Hernán (edX/YouTube)Una serie magistral y gratuita para aprender a dibujar e interpretar DAGs y entender la confusión de raíz.
- Canal de YouTube: StatQuest with Josh StarmerExplicaciones visuales y divertidas sobre regresión logística, Odds Ratios y más. Perfecto para consolidar conceptos.
- Tutoriales de GAMLj en JamoviBusca tutoriales del módulo GAMLj para aprender a ejecutar regresiones logísticas, de Poisson y modelos mixtos directamente en Jamovi, paso a paso.
La diferencia entre ver números y entender la historia que esconden es lo que separa a un técnico de un clínico-investigador. Hoy has afilado tu mirada. Recuerda: ajustar no es una técnica, es una filosofía de pensamiento crítico.