Metodologías Cuantitativas 2: Sesgo de confusión y cómo controlar un confusor / Quantitative Methodologies 2: Confusion bias and how to control a confounding factor

RESUMEN

Identificar el sesgo de confusión y cómo controlarlo es uno de los desafíos metodológicos más importantes en el diseño de estudios que buscan identificar la causalidad. Este sesgo está presente en cualquier análisis de la asociación entre una exposición y un resultado de interés, una asociación que puede estar sesgada o no por una tercera variable llamada confusor. Podemos diagnosticar un confusor en todos los casos en los que este crea una asociación espuria entre una variable de exposición o variable independiente y la variable de resultado o variable dependiente. Para controlar el sesgo de confusión, podemos usar diferentes métodos. Estos incluyen aquellas técnicas aplicadas en el diseño del estudio, tales como restricción, aleatorización y coincidencia, y aquellas técnicas empleadas en el análisis de datos, como la estratificación, el análisis multivariado, la estandarización, los puntajes de propensión, el análisis de sensibilidad y el inverso ponderación de probabilidad. En esta revisión, analizamos cómo identificar una variable de confusión y las principales técnicas para controlar el sesgo de confusión.

ABSTRACT

Addressing confounding bias is one of the challenges when conducting causality studies. This occurs when we report a causal association between an exposure and an outcome, when in fact it could be result of the effect of a third factor called confounding variable. That is, when a confounder variable creates a spurious relationship between the exposure or independent variable and the outcome of interest or dependent variable. By knowing the confounding variables and their association with the exposure of interest, the confounding bias could be controlled. To control for confounding bias, we can use different methods. These include techniques applied in study design, such as restriction, randomization, and coincidence, and techniques used in data analysis, such as stratification, multivariate analysis, standardization, propensity scores, analysis sensitivity and the inverse probability weighting. In this review, we discuss how to identify a confounding variable and the main techniques for controlling for confounding bias.