Hjem » Epidemiologi og statistik » Kausalitet
Kausalitet
Hvis klare og upåvirkede beskrivelser af virkeligheden er videnskabens fundament, så er fund af kausalsammenhænge den bygning, som er bygget ovenpå. Det er én ting at kunne konstatere, at jorden drejer rundt om solen, en helt anden er at forklare årsagen til det.
Alle kliniske interventioner drejer omkring spørgsmålet om kausalitet, idéen om evidensbaseret medicin hviler på forestillingen om, at man kan finde kausalsammenhænge og udnytte dem. Det randomiserede kliniske forsøg er opfundet for at kunne udtale sig om kausalsammenhænge.
Det følgende handler derfor om:
- Definition af kausalitet
- Kausalitet i den kliniske hverdag
- Kausalitet i studier
.
Måske lærer du noget, og hvis du gør, så er det vigtigste take home-point følgende:
Definition af kausalitet
Kausalitet er en fordanskning af det latinske causalitas og er ensbetydende med ordet årsagssammenhæng. I medicinen er ordet kausalitet også almindeligt brugt i det diagnostiske arbejde, når man for eksempel overvejer febrilia obs causa eller akut abdomen obs causa. Her har man konstateret en tilstand Y og leder nu efter det X, der har forårsaget Y.
Når man taler om kausalitet mener man altså typisk noget i retning af, at en variabel X har forårsaget B. Det kan man typisk også skrive sådan her:
X → Y
Tre kriterier (Agresti & Findlay, 2009) skal være opfyldt for at man kan tale om en kausalsammenhæng:
- Der skal være korrelation eller samvariation imellem to variable.
- Variabel X skal komme før variabel Y.
- Der må ikke være andre forklaringer på sammenhængen.
.
I epidemiologien kan man også møde Bradford Hill-kriterierne (opkaldt efter Bradford Hill, som fandt sammenhængen mellem rygning og lungecancer), som er en række kriterier, som, hvis de er opfyldt, sandsynliggør, at der er tale om en kausalsammenhæng. Hvis ovenstående tre kriterier er opfyldt, så er der en kausalsammenhæng, og en del af Bradford Hill-kriterierne referer implicit til ovenstående kriterier.
Kriterium 1 siger, at de to variable, man vil afklare årsagssammenhængen imellem skal samvariere. Det vil sige, at når der sker ændringer i variabel X, så skal der også ske ændringer i variabel Y i enten samme eller modsatte retning. Man kan ikke forestille sig kausalitet, hvis ændringer i X ikke leder til ændringer i Y.
Kriterium 2 siger, at tidsrækkefølgen skal være korrekt. Hvis variabel X skal forårsage variabel Y, så skal variabel X ske før variabel Y. Medmindre variablene X og Y er med i en Christopher Nolan-film, og Joseph Gordon-Lewitt kan forklare, hvad der sker. Ellers går det ikke: Hvis Y forårsager X, så er der omvendt kausalitet, men der er ikke kausalitet.
Kriterium 3 siger, at sammenhængen ikke må forklares af andre variable. Det kan være relativt let at opfylde kriterium 1 og 2, men kriterium 3 kan være fuldstændig umulig. Når man møder formuleringen: “There may be residual confounding,” så er det en gruppe forfattere, der ikke er sikre på, at kriterium 3 er opfyldt. Idéen er, at måske har man fundet at X og Y samvarierer, og at X kommer før Y, men der kunne jo for eksempel være en bagvedliggende variabel, der forklarer både X og Y og forårsager samvariationen imellem X og Y. I så fald er sammenhængen X → Y ikke en kausalsammenhæng, men en spuriøs sammenhæng.
Et vigtigt aberdabei er, at man kan se, at kriterium 1 ikke umiddelbart er opfyldt, men når man holder en tredje variabel konstant, så dukker sammenhængen op.
Kausalitet i den kliniske medicins hverdag
Når man observerer en indlagt patient eller som alment praktiserende læge ser en patient ad flere omgange, så vil man også se forandringer hos patienten, og man kan måske foranlediges til at tro, at de interventioner, man har foretaget er årsagen til forandringerne hos patienten.
I det arbejde kan man nemt komme til at glemme, at korrelation ikke implicerer kausalitet.
Ofte vil man se, at en iværksættelsen af ens intervention korrelerer med, at patientoutcome, og ofte vil interventionen også være iværksat før ændringer i patientoutcome. Men desværre vil der meget ofte være flere konkurrerende forklaringer på ændringerne i patientoutcome.
Man kunne illustrere det med nedenstående figur, der tager hensyn til, at mange sygdomme har en naturhistorie, der minder om forløbet skitseret med den sorte kurve nedenfor.
X-aksen i figuren viser en patients symptombyrde, og Y-aksen viser tid. Den sorte streg er sygdommens naturhistorie. Ved symptombyrdens peak iværksætter man en intervention i håb om at det kliniske forløb vil følge den stiplede linje: Et kortere forløb med en lavere symptombyrde.
Problemet er selvfølgelig, at det er umuligt at afgøre, om man ligger på den stiplede kurve eller den sorte kurve for netop den patient, man sidder med. Den enkelte patient har ingen kontrolgruppe. Måske har interventionen ingen forskel gjort for netop denne patient, og måske har man blot observeret sygdommens naturhistorie. Det vil sige, at nok ser man en korrelation, og nok passer tidsrækkefølgen, men der er en anden forklaring som udelukker kausalitet.
Man kan også være uheldig, at man iværksætter interventionen på et tidspunkt, hvor sygdommens naturhistorie er begyndt at vise sig fra sin remitterende side, og i så fald korrelerer intervention godt nok med symptombyrde, men tidsrækkefølgen passer ikke, og der er en anden god forklaring på bedringen i symptombyrden.
Man kan også være udsat for, at der faktisk er kausalitet, men at man overestimerer effekten af sin intervention. Måske driver naturhistorien af en given sygdom 90 % af det man tror er en korrelation imellem symptombyrde og intervention, og interventionen kun de resterende 10 %.
Med andre ord: Selv med de bedste studier, de bedste guidelines, masser af evidens, så er den observerede effekt af en intervention hos den enkelte patient blot en korrelation, og korrelation er ikke det samme som kausalitet. Correlation does not imply causation.
Kausalitet i klinisk medicins studier
En del studier i den kliniske medicin beskæftiger sig slet ikke med årsagssammenhænge. Mange studier tæller og kategoriserer bare, de er deskriptive i deres natur; andre studier forsøger at forudsige en tilstand.
Omvendt er en del studier interesserede i at udtale om årsagssammenhænge. En stor del af den kliniske epidemiologi forsøger at fastlægge kausalitet ved hjælp at statistiske metoder til kontrol af andre årsager, der kunne forklare en korrelation. Guldstandarden for kliniske studier i forhold til at fastlægge kausalitet er det randomiserede kontrollerede forsøg. Grundrationalet i et RCT er, at hvis man vil fastlægge om outcome skyldes en intervention eller ej, så må man blinde alle deltagere for interventionen. Når ingen ved, hvem der har fået intervention, så kan en forskel imellem kontrol og interventionsgruppe kun skyldes interventionen. Desværre er en del spørgsmål praktisk umulige at gennemføre som RCT, og heldigvis er en del spørgsmål komplet uetiske at gennemføre som RCT.
Mere om design af kliniske studier på et senere tidspunkt.
Kilder
Agresti A & Finlay B (2009). Statistical methods for the social sciences 4th Ed.. USA: Pearson. pp.: 301-315.
Fedak KM, Bernal A, Capshaw ZA, Gross S. Applying the Bradford Hill criteria in the 21st century: how data integration has changed causal inference in molecular epidemiology. Emerg Themes Epidemiol. 2015 Sep 30;12:14. doi: 10.1186/s12982-015-0037-4. PMID: 26425136; PMCID: PMC4589117.
Dahly, Darren (2023). Sorry, what was the question again? På StatsEpi.substack.com. Tilgået d. 14/4-2024.