Environmental Health, 2006; 5: 21-21 (más artículos en esta revista)

Modelos de causalidad en epidemiología: pasado y la herencia genética futuro

BioMed Central
Paolo Vineis (p.vineis @ imperial.ac.uk) [1], David Kriebel (David_Kriebel@uml.edu) [2]
[1] División de Epidemiología, Salud Pública y Atención Primaria, el Imperial College de Londres, Facultad de Medicina, Imperial College London, St Mary's Campus, Norfolk Place, Londres, W2 1PG, Reino Unido
[2] Departamento de Medio Ambiente de Trabajo, la Escuela de Salud y Ambiente, Universidad de Massachusetts Lowell, Kitson Hall, Room 200 (UML del Norte), 1 University Avenue, Lowell, MA 01854, EE.UU.

Este es un artículo de acceso abierto distribuido bajo los términos de la licencia Creative Commons Attribution License (http://creativecommons.org/licenses/by/2.0], que permite el uso ilimitado, distribución y reproducción en cualquier medio, siempre que la obra original es debidamente citados.

Resumen

La erupción de la investigación genética presenta una tremenda oportunidad para los epidemiólogos para mejorar nuestra capacidad para identificar las causas de la mala salud. Los epidemiólogos han abrazado con entusiasmo las nuevas herramientas de la genómica y la proteómica para investigar genes-medio ambiente. Nosotros sostenemos que ni el pleno de importación ni limitaciones de este tipo de estudios se puede apreciar sin aclarar en modelos teóricos de la interacción, la fracción etiológica, y el concepto fundamental de la causalidad. Por lo tanto, explorar diferentes modelos de causalidad en la epidemiología de las enfermedades derivadas de los genes, el medio ambiente, y la interacción entre genes y medio ambiente. Empezamos de Rothman del "pastel" modelo de necesarias y suficientes causas y, a continuación, discutir nuevos enfoques, que proporcionar más conocimientos sobre los procesos de causalidad multifactorial. Entre ellos dirigidos acíclicos gráficos y modelos de ecuación estructural. Precaución Se insta a la aplicación de dos esenciales y conceptos estrechamente relacionados se encuentran en muchos estudios: la interacción (efecto modificación) y el etiológico o fracción atribuible. Hacemos una revisión de estos conceptos y presentar cuatro importantes limitaciones.

1. La interacción es una característica fundamental de cualquier proceso de causalidad con una serie de medidas probabilística, y no un segundo orden fenómeno identificado por primera vez la contabilidad de "principales efectos".

2. Métodos estándar de evaluación de la interacción no suficientemente en cuenta el ciclo vital, y la dinámica temporal a través del cual una persona es causa suficiente. Diferentes personas pueden estar en diferentes etapas de desarrollo a lo largo del camino hacia la enfermedad, pero esto no suele ser mensurables. Así, por ejemplo, adquirió la susceptibilidad en los niños puede ser una fuente importante de variación.

3. Debe hacerse una distinción entre el individuo y basado en población a nivel de modelos. La mayoría de los debates epidemiológicos de causalidad dejar de hacer esta distinción.

4. En el nivel de población, hay más incertidumbre en la cuantificación de la interacción y la asignación de etiológicos fracciones a diferentes causas necesarias a causa de la ignorancia acerca de los componentes de la causa suficiente.

Fondo

A la hora de fijar las prioridades de la política de salud, es fundamental saber cómo una gran carga de la enfermedad deben ser atribuidos a cada causa evitable. Por ejemplo, la carga laboral de cáncer ha sido objeto de detallados estudios [1, 2]. Por desgracia, existen importantes incertidumbres en casi todos los datos que se utilizan para hacer estas estimaciones. Los principales componentes de datos son los siguientes: 1. -- Una lista de todos los cancerígenos conocidos o presuntos en el lugar de trabajo; 2. -- La prevalencia de la exposición a estos agentes, y 3. -- Información sobre la magnitud de los riesgos de los diferentes tipos de enfermedad de los distintos tipos de exposición (exposición curvas de respuesta). Existen importantes lagunas en lo que sabemos acerca de estos tres, y tan considerable que se llama humildad para la asignación de una figura profesional a la carga del cáncer y otros tipos de enfermedades ambientales. Incertidumbres adicionales de una naturaleza más fundamental también desempeñan un papel: la forma de factor en esas estimaciones la posibilidad (o incluso muy probable) de que múltiples factores de riesgo interactúan de maneras que no entendemos, lo que impide a un simple resumen de la etiológico contribuciones de los diferentes causas. El reto no se limita a los estudios sobre el cáncer: el problema de determinar y cuantificar los componentes múltiples causas de la enfermedad es uno de los más elementales limitaciones en la epidemiología moderna.

Los conceptos de "causalidad" en la medicina: de Koch a Rothman

En una forma bastante simplificada, la causalidad implica la relación entre al menos dos entidades, un agente y una enfermedad. Históricamente, al menos dos distintas épocas de causalidad médico se pueden distinguir. La primera etapa corresponde a la "microbiológicos" revolución (es decir, el triunfo de una lineal monocausal (aristotélica) el concepto de causa). Después de los trabajos de Pasteur y Koch, el agente de una enfermedad llegó a ser concebida como una única causa necesaria (por ejemplo, para Mycobacterium tuberculosis). El concepto de causa necesario significa que la enfermedad no se desarrolla en ausencia de exposición al agente. Este punto de vista implica: a) que la causa es, al menos potencialmente, definir de manera inequívoca y es fácilmente identificable, y b) que la enfermedad también puede ser definida de manera inequívoca (es decir, no se trata de un complejo y variable constelación de síntomas). Es evidente que hay algunas condiciones en las que la relación entre un (necesario) y causa la enfermedad correspondiente es evidente: por ejemplo, la viruela es una clara enfermedad entidad, fácil de definir y diagnosticar, debido a un único necesario virus (sin viruela se desarrolla en la ausencia del virus específico) y una prueba clara de la relación de causalidad ha llegado de la desaparición de la viruela después de la vacunación a gran escala.

Casos como la viruela, sin embargo, una excepción. Más frecuentemente, en el "Pasteur-Koch" paradigma, nos encontramos con un agente claramente definidos (generalmente una bacteria, virus o parásito), que se utiliza como "elemento unificador" de una constelación de síntomas (es decir, la enfermedad, decir, infección de garganta por estreptococos, sí es en gran medida definido y reconocido, sobre la base del agente). Aunque, la popularidad de la "Pasteur-Koch" enfoque de la causalidad no ha disminuido, y la idea de una necesaria causa de la enfermedad es aún debatido como un paradigma universal en la medicina.

La segunda era en la historia de la causalidad en medicina surge del estudio de las enfermedades crónicas como el cáncer o las enfermedades cardiovasculares. En estos casos, el concepto de una "necesaria" condición es rara vez, si alguna vez, significativa. No "necesario" causa de cáncer es conocido (con la posible excepción del virus del papiloma humano y cáncer cervical); más bien, en tales casos, la idea de una "red de causalidad" se ha introducido y aplicado ampliamente [3]. La causal web refleja el hecho de que una concordancia de las diferentes "riesgos" o condiciones se requiere para inducir la enfermedad, ninguno de los cuales es en sí necesario. Por ejemplo, el cáncer de pulmón puede ser inducida por una causal web, incluyendo tabaco y la predisposición individual de CYP1A1 y otros de alto riesgo genotipos [4]. Otra causal web puede estar representado por la exposición al amianto y bajo consumo de frutas y hortalizas en los casos de mesotelioma. La idea de la web implica que, si bien la enfermedad es generalmente bien definido desde un punto de vista clínico (por ejemplo, el cáncer de pulmón o mesotelioma), la perspectiva etiología es más complejo: no todos los casos de cáncer de pulmón puede estar relacionado con la misma exposición, pero podrá compartir que se superponen parcialmente constelaciones de las causas.

La principal causal modelo utilizado por los epidemiólogos de hoy es Rothman's "pies" [5]. La idea es que un complejo causal suficiente (a pie) está representado por la combinación de varios componentes causas (rebanadas del pastel). Un conjunto de componentes se produzcan causas juntas puede completar el "pastel", la creación de una causa suficiente y, por tanto, iniciar el proceso de la enfermedad. Rothman del modelo ha sido útil en varias cuentas. Por ejemplo, supongamos que tres factores (A, B y C) hacer una causa suficiente de la enfermedad X. Entonces, uno puede ver que una se parece ser un fuerte o más débil causa en función de cómo común a los demás "slices" B y C son. A tendrá un gran impacto en la aparición de la enfermedad en una población que en B y C son comunes, pero no afecta a todos (a pesar de ser una causa suficiente), donde B o C está ausente. Si fuera cierto que la causa suficiente de A + B + C son el único camino a la enfermedad X, entonces se deduce que el bloqueo o la eliminación de cualquiera de estos tres factores prevenir la enfermedad. Por lo tanto, A y B y C será necesario componente causas. Pero si A, por ejemplo, también contribuyó a una causa suficiente con factores D, E y F, luego de bloqueo B no impediría que la enfermedad X. Esta opinión más compleja (muchos pies para que los factores que contribuyen) es apoyada por la evidencia epidemiológica para la mayoría enfermedades crónicas. Sólo hay unos cuantos ejemplos de causas componente necesario para el cáncer o las enfermedades del corazón.

Las consideraciones anteriores se refieren a nuestra comprensión de la enfermedad de causalidad en el plano individual. El modelo se ve diferente si queremos pasar de la persona a la población. En este caso, la sola idea de "necesaria" componentes tiene sentido. Si consideramos que la actual epidemia de cáncer de pulmón, por ejemplo, no hay duda de que es atribuible a la difusión del hábito de fumar tabaco. Porque, aunque no podemos atribuir un solo caso de cáncer de pulmón a la persona que los hábitos de fumar, no hay duda de que, a nivel de población, la epidemia no se habría producido sin el hábito de fumar cigarrillos. Tenga en cuenta que esta afirmación no se contradice con el hecho de que el cáncer de pulmón también se produce entre los no fumadores. De hecho, las pruebas de fumar cigarrillos como un (nivel de población) causa de cáncer de pulmón es muy fuerte: el riesgo de cáncer en los que dejar de fumar disminuye considerablemente, en comparación con la continuación de los fumadores y, después de algunos años, los enfoques de riesgo los no fumadores [6]. Debe quedar claro entonces, que tenemos que aplicar diferentes criterios de causalidad al considerar las causas de la enfermedad en el individuo o población. Podemos decir que para las enfermedades crónicas, el modelo de causalidad complejos en los cuales hay componentes necesarios es válido a nivel de población.

Otra dificultad con la Rothman pies es que no abordan la secuencia temporal en absoluto. Por tanto, tenemos que considerar otros modelos.

Intermedio variables

Al menos tres modernos modelos de causalidad merecen consideración: modelo gráfico (como por ejemplo en el enfoque de Pearl) [7], modelos contrafactual [8] y los modelos estructurales de la ecuación [9]. Estos modelos son dignos de mención, porque han añadido algunas capas de complejidad al debate sobre la causalidad y también han contribuido a resolver algunas cuestiones pendientes, incluido un enfoque más sofisticado de confusión e identificación de las variables intermedias.

Uno de los principales retos para identificar correctamente las secuencias causales que impliquen posibles variables intermedias (como biomarcadores) es evaluar si el "intermedio" variable pertenece a la vía causal entre la exposición y la enfermedad, o si se encuentra en una vía, una correlación en algunas con la exposición o la enfermedad. Explicaciones para el biomarcador de la asociación pueden incluir confusión, ya que la opinión del epidemiólogo del proceso es siempre una perspectiva poblacional. Por ejemplo, ciertas mutaciones pueden constituir una verdadera marcadores intermedios en vías causales entre ciertas sustancias químicas y el cáncer, mientras que otras mutaciones son consecuencia de una cadena de diferentes eventos, como la inestabilidad genómica que se plantea en las células del cáncer (es decir, un efecto de la enfermedad, no una de las causas). Como ejemplo de la probable confusión, se ha demostrado que la proteína C-reactiva (CRP) los niveles de cambio con el cambio en los niveles de otros marcadores de inflamación y con niveles de exposición a factores ambientales de riesgo para las enfermedades del corazón [10]. No está claro si CRP sí se encuentra dentro de la vía causal o es sólo una confusión de otros cambios. La distinción es de crucial importancia en la epidemiología: si el biomarcador es un factor de confusión, entonces su efecto debe ser controlado para producir menos estimaciones sesgadas de las asociaciones de causalidad en la web. Sin embargo, si los biomarcadores es causal en la vía, para luego controlar que introducir sesgo, de magnitud potencialmente importantes.

Muy a menudo los acontecimientos intermedios son a la vez causal y eventos de confusión, lo que complica la resolución de la causalidad webs. Por ejemplo, el desarrollo de enfermedades respiratorias (medido por ejemplo por un cambio en el volumen espiratorio forzado en el primer segundo (FEV 1)) es un predictor independiente de mortalidad y la subsiguiente pérdida de peso, y está influenciado por el aumento de peso antes [11] .

Un enfoque estadístico de confusión para Aclarar las utiliza modelos de ecuación estructural basado en la lógica de counterfactuals [8]. La idea básica es que la exposición que conduzcan a cambios en el marcador intermedio podría ser teóricamente al azar para crear el contrafactual ejemplo, en los que con el marcador y los que no tienen exactamente los mismos niveles de exposición. Este enfoque nos permitiría distinguir un auténtico marcador intermedio (por ejemplo, CRP) de uno que es confundida por la exposición. Normalmente, esta solución sólo es un "experimento mental", porque la mayoría de las exposiciones no pueden ser aleatorios, con excepción de algunos preventivas o intervenciones terapéuticas. En ausencia de una verdadera aleatorización, el enfoque implica la creación de un sistema de ecuaciones que, bajo ciertos supuestos, pueden estimar el contrafactual conjunto de resultados que cada uno de los temas que han experimentado si (s) que ha experimentado la exposición distinta de la que realmente recibió.

Un enfoque similar fundada en counterfactuals utiliza métodos gráficos [7]. De acuerdo con Perla [7], un gráfico de causalidad "es un gráfico dirigido acíclicos (DAG) en el que los vértices (nodos) de la gráfica representan las variables y los bordes dirigidos (flechas) representan efectos de causalidad directa" (Figura 1 es un ejemplo ). El objetivo principal de DAGs es separar la lengua de asociación estadística de la lengua de la causalidad, por hacer que estas últimas sean explícitos en una forma gráfica. Como se expresó por Pearl [7], el estadístico del lenguaje no nos permite distinguir entre la dependencia estadística, cuantificados de probabilidades condicional, causal de la dependencia, "para los que no tenemos ninguna expresión en este tipo de cálculo de probabilidad". El primero en aplicar este enfoque fue el genetista, Sewall Wright, que observó que las ecuaciones son objetos simétricos (es decir, pueden ser reescritos con el fin de intercambiar los dependientes y las variables independientes), por lo que las ecuaciones Wright complementado con un "diagrama de ruta" [7].

La notación de DAGs tiene el mérito de hacer explícitas las hipótesis de causalidad. A través de la separación de sus diferentes vías en la estructura gráfica, es posible simular un experimento (incluso en ausencia de aleatorización) y, por tanto, separar la causalidad de la confusión. El efecto se define como "la capacidad de transmitir los cambios entre las variables." Como la Figura 1 se muestra, si queremos separar la Z de X, podemos evaluar si X es un verdadero factor causal o si es confundida por Z. La distribución conjunta asociados con el modelo modificado se describe la intervención posterior a la distribución de las variables (es decir, controlado o la distribución experimental): si X representa un tratamiento variable, Y una respuesta variable, y algunos de covarianza Z que afecta a la cantidad de tratamiento recibido, el post - intervención de distribución se evalúa la eficacia del tratamiento mediante la comparación de los aspectos de la distribución en los diferentes niveles de X.

Una vez que los caminos se aclaran y separados, se puede escribir una serie de ecuaciones que describen ellos, y utilizar estas ecuaciones para calcular las asociaciones pertinentes. Estas ecuaciones será válida bajo dos supuestos: (a) del gráfico es acíclicos y (b) todos los términos de error son conjuntamente independientes. Por desgracia, ambos supuestos son frecuentemente violados en la investigación epidemiológica: (a) muy a menudo feed-back, (por ejemplo, circularidad) se encuentra (por ejemplo, en el ejemplo de la obesidad, lo que provoca enfermedades cardiovasculares, lo que a su vez conduce a la pérdida de peso), y (b) los errores no son independientes. Pero cuando las condiciones (a) y (b) se cumplan, podemos predecir después de la intervención de las distribuciones pre-intervención distribuciones, incluso en ausencia de intervención real (es decir, de un ensayo aleatorio).

Interacciones

"Interacciones" han aparecido con frecuencia en la literatura de la epidemiología de enfermedades crónicas, pero muchos de estos documentos de la dirección las cuestiones estadísticas, como el tipo (aditivo o multiplicativo) del efecto conjunto de variables, ofreciendo muy poca información sobre el subyacente (biológico) mecanismos que podrían justificar la elección de un modelo. Los mecanismos fisiopatológicos de las enfermedades crónicas importantes suelen ser complejas y, en su mayor parte, mal entendido, sino un principio general parece aplicarse: la interacción entre el componente causas se produce dinámicamente a través del tiempo. El desarrollo de la enfermedad supone un elemento esencial secuencia temporal de inicio y las fases posteriores, y este hecho rara vez se ha apreciado en las consideraciones epidemiológicas de la interacción [12]. La exposición efectos pueden ser muy diferentes, cuando la exposición actúa sobre una población cuyos miembros no están en las mismas etapas a lo largo de una vía causal, y esas etapas no pueden ser conocidos por el investigador. El resultado aparecerá como la heterogeneidad (potencialmente muy graves) en la susceptibilidad, cuando se considera estáticamente en un único punto en el tiempo como cuando los epidemiólogos determinar la incidencia momentánea y comparar las historias de exposición los sujetos de estudio.

En consecuencia, hay dos tipos fundamentales de insuficiencia metodológica en las investigaciones epidemiológicas actuales de interacción. Una deriva de la simple ignorancia de los procesos biológicos. La segunda, por lo general dirigidas por epidemiólogos, tiene que ver con problemas de medición: la imprecisión de las variables, errores de clasificación, y la falta de poder de la mayoría de los estudios se centraron en la investigación de la interacción [13 - 15]. Creemos que la primera es probable que sea mucho más importante, a pesar de que ha recibido menos atención. Esta cuestión puede ser mejor ejemplo de gen-medio ambiente.

Fracciones atribuibles

Las predicciones de la cantidad de enfermedades que se evitarían si un determinado factor fueron bloqueados o eliminados de la causal web son a menudo llamados fracciones atribuibles [18]. Groenlandia y Robins (1988) han demostrado que la cantidad que suele ser estimado por los epidemiólogos (que ellos llaman el exceso de fracción) es diferente de (y en la mayoría de los casos inferior a) la etiología o fracción que la proporción de la carga de enfermedad que es causalmente relacionados a la exposición [19]. Los métodos estándar por lo general no estimar la proporción de casos que son etiologically relacionados con una exposición; en general, van a subestimar esta cantidad por un importe desconocido. Existen varias limitaciones de los métodos estándar, pero lo más importante es que las fórmulas habituales no pueden en cuenta la posibilidad de que una exposición puede avanzar en el tiempo la aparición de un caso que finalmente se han producido en ausencia de exposición.

Como un ejemplo, supongamos que estamos interesados en la estimación de la contribución de un lugar de trabajo alergeno a la tasa de asma en una cohorte ocupacionalmente expuestos. Sin una fuerte hipótesis biológicas, no es posible decir si hay nuevos casos de asma en el período de estudio que se habrían producido en ausencia de la exposición, pero cuya hora de inicio se adelantó por la exposición. Para incluir este tipo de "etiológico" (como Groenlandia y Robins lo llaman) en la carga total de la exposición parece adecuado, aunque ello requerirá una estrecha hipótesis biológicas. Una vez más, en este caso, la interpretación de fracciones atribuibles debe ser prudente dada la limitada comprensión que los epidemiólogos (y la ciencia en general) tienen la forma de estudiar la dinámica temporal de los procesos causales.

Principales efectos

Los epidemiólogos tienden a centrarse principalmente en los "primeros efectos" de una sola exposición, al analizar el papel del medio ambiente que causan enfermedad en [20]. Por "efecto principal", nos referimos al hecho de que el contraste de intereses entre las personas expuestas a un único agente de medio ambiente y los no expuestos, con independencia de otros riesgos o variaciones genéticas. Las interacciones son consideradas como algo secundario, si no es una injerencia, a la directa y (unicausal) asociación de intereses.

Los "principales efectos en primer lugar" estrategia de parsimonious pueden aparecer, pero es incompatible con lo que sabemos sobre los mecanismos de la carcinogénesis y otras enfermedades crónicas, y también con sentido común razonamiento acerca de la causalidad. En la carcinogénesis, por ejemplo, es bien establecido que la vía a un tumor incluye varias etapas, y que algunas exposiciones puede llevar a cáncer de "completar" la cadena causal ya iniciado por los anteriores exposiciones. Esto implica una falta de independencia entre el "antes" y "después" las causas que parecen estar en conflicto con un enfoque que considera a las interacciones como de importancia secundaria. En general, estamos constantemente probablemente afectados por el "incompleta" cadenas causales, lo que puede ser precipitado por los acontecimientos causal oportuna.

Genéticos y adquiridos susceptibilidad

La epidemiología genética búsqueda de las interacciones del entorno, o (un concepto) susceptibilidad genética [21], ha llevado a algunas conclusiones importantes, pero se han producido hasta ahora pocos ejemplos de grandes diferencias en la susceptibilidad genética a los agentes medioambientales. En lugar de ello, el número de informes de impacto modesto sobre el medio ambiente inducida por la enfermedad es cada vez mayor [22]. Adquirida la susceptibilidad no ha recibido el mismo grado de atención como la susceptibilidad hereditaria, pero creciente evidencia sugiere que, al menos en la carcinogénesis, las primeras (por ejemplo, mutaciones relevantes para la carcinogénesis) es común incluso en el momento del nacimiento y en los primeros años de vida. Adquirida la susceptibilidad añade aún más complejidad a la idea de la interacción de genes medio ambiente, por lo que resulta aún más importante para los epidemiólogos cuidadosamente para interpretar la cadena causal en estudio.

Antes de poner de relieve algunos estudios recientes adquiridos en la susceptibilidad al cáncer, es importante que tengamos claro la distinción entre dos sondeo similar de conceptos: heredabilidad genética y la causalidad (o determinismo). Heredabilidad tiene que ver con patrones similares de los rasgos observables entre padres e hijos, mientras que una característica es "genéticamente determinada," si se codifica en los causados por los genes en un entorno normal. Dos ejemplos extremos puede ayudar a aclarar la distinción. El número de dedos en la mano humana está completamente determinado por la genética - el raro desviaciones de 5 dedos en cada mano, causada por defectos del desarrollo (por ejemplo, de la talidomida y, por tanto, no son hereditarios). En contraste, el uso de faldas entre la población europea tiene una heredabilidad muy fuerte (se produce sólo en las mujeres, con la excepción de los impares Scotsman). Falda por lo tanto, es el uso estrechamente relacionado con tener dos cromosomas X, pero no es genéticamente determinado (23). Tales conceptos erróneos son claramente pertinentes para la discusión sobre la heredabilidad versus determinación genética del cáncer. Por ejemplo, el estudio de la enfermedad agrupación en gemelos idénticos no proporciona pruebas claras con las que inferir que el cáncer (o la esquizofrenia para el caso) se debe a los cambios heredados en el ADN. Gemelos idénticos suelen heredar un medio ambiente similar de sus padres. Lo mismo se aplica a las reclamaciones que IQ ha heredabilidad del 60%, el rendimiento académico del 50%, situación profesional y el 40%. Estas cifras no significan que tales características son heredadas a través de los genes (ADN) (es decir, que hay determinación genética, sino sólo que existe una fuerte asociación entre el carácter en los niños y sus padres, o entre dizygotic twins, en comparación con los gemelos monozygotic , Según el diseño del estudio).

Discusión

Hemos explorado diferentes enfoques para el esclarecimiento de la causalidad en epidemiología de las enfermedades derivadas de los genes, el medio ambiente, y la interacción entre ambos. Varios retos se enfrentan los epidemiólogos, ya que tratar de separar las contribuciones de múltiples factores de riesgo en las enfermedades crónicas. La interacción es una característica fundamental de cualquier proceso de causalidad con una serie de medidas probabilístico, lo que hace muy difícil estimar la contribución individual de un solo factor en una cadena causal. De rutina los análisis estadísticos son de ayuda limitada en este sentido, porque la norma hipótesis son difíciles, si no imposible, de verificar. Además, la interacción no es un segundo orden fenómeno identificado por primera vez la contabilidad de "principales efectos". Norma enfoques para evaluar la interacción no suficientemente en cuenta la duración de la vida y la dinámica temporal a través del cual una persona es causa suficiente. Por consiguiente, las diferentes personas pueden no estar en la misma fase de desarrollo a lo largo del camino hacia la enfermedad, aunque la verificación no es generalmente posible. Además, debe hacerse una distinción entre el individuo y basado en población a nivel de modelos. La mayoría de los debates epidemiológicos de causalidad dejar de hacer esta distinción. Por último, en la cuantificación de la interacción y la asignación de etiológicos fracciones a diferentes causas necesarias a nivel de población, la incertidumbre adicional se produce a causa de la ignorancia acerca de los componentes de la causa suficiente.

Conclusión

Llegamos a la conclusión de que es de vital importancia para la investigación epidemiológica para estudiar "interacciones" y, en particular, adquirió la susceptibilidad a las enfermedades mediante el uso de modelos apropiados de la causalidad. Aunque los epidemiólogos deben seguir para buscar genes-medio ambiente en la causalidad de las enfermedades crónicas, nuevos puntos de vista que va a suceder muy lentamente. La ignorancia sobre las medidas en una cadena causal que dificultan la identificación de los componentes causas, ya sea ambiental o genético, en esa cadena. Por lo tanto, recomendamos que los epidemiólogos (a) prestar más atención a los riesgos que pueden inducir adquirido la susceptibilidad a la enfermedad, (b) examinar más a fondo la importancia de las exposiciones múltiples y su secuencia en la determinación de las enfermedades crónicas, y (c) apreciamos que la interacción no sólo es un concepto estadístico, sino que está profundamente arraigado en nuestros modelos de causalidad biológica.

Abreviaturas

ETS = humo ambiental de tabaco

PCR = proteína C-reactiva

Conflicto de intereses

Los autores declaran que no tienen intereses en conflicto.

Autores de las contribuciones

Ambos autores contribuyeron igualmente a este trabajo.

Agradecimientos

Este documento fue preparado en el contexto del Taller sobre "Bradford Hill después de 40 años", organizado por la Agencia Europea de Medio Ambiente en Londres, diciembre de 2005. Damos las gracias a David Gee de aliento y sugerencias.