Kausalitet

Kurs: Basvetenskap 5 Moment 2

Vad är det?

• Kausalitet innebär att exponeringen faktiskt orsakar utfallet, till skillnad från att bara samvariera med det.
• Formellt definieras en kausal effekt kontrafaktiskt: skillnaden mellan vad som hände med exponering och vad som skulle ha hänt utan exponering, hos samma individ. Eftersom man aldrig kan observera båda utfallen hos samma person (“the fundamental problem of causal inference”) måste man skapa jämförbara grupper — och det är därför Randomisering är så kraftfullt.
• Association ≠ kausalitet. Vid en observerad association finns fyra möjliga förklaringar som alltid ska övervägas:
  1. Slump — hanteras med Konfidensintervall och Statistisk signifikans.
  2. Bias — selektion, informationsbias, misklassifikation.
  3. Konfundering — en tredje faktor orsakar båda.
  4. Omvänd kausalitet — utfallet orsakade exponeringen. Först när dessa fyra är uteslutna blir kausalitet en rimlig förklaring.

Varför är det viktigt / Mekanism

• Bradford Hill-kriterierna är den klassiska checklistan: styrka, konsistens, specificitet, temporalitet, biologisk gradient (dos-respons), plausibilitet, koherens, experimentellt stöd och analogi.
  • Endast temporalitet är absolut nödvändig — orsaken måste komma före verkan. Övriga är stödjande argument, inte krav, och Hill själv betonade att de inte är en poängräkning.
• Randomiserad kontrollerad studie är det starkaste designverktyget, eftersom randomisering balanserar även okända konfoundrar. Ingen statistisk justering kan göra detta.
• Men kausalitet kan etableras utan RCT, och det är viktigt att kunna motivera varför: tobak och lungcancer, Asbest och mesoteliom, aflatoxin och hepatocellulär cancer — samtliga fastställda på observationella data eftersom randomisering av skadliga exponeringar är oetisk. Argumentationen bygger på mycket stark association, konsistens över populationer och designer, tydlig dos-respons, korrekt temporalitet, plausibel mekanism, och att risken sjunker när exponeringen upphör (reversibilitet, ett av de mest övertygande argumenten).
• Moderna verktyg för kausal inferens i observationella data:
  • DAG (directed acyclic graph) — rita ut det antagna kausala nätverket innan analysen, för att avgöra vad som ska justeras för. En DAG visar tydligt varför en mediator inte får justeras bort (då tar man bort just den effekt man vill mäta) och varför justering för en collider kan skapa falsk association.
  • Mendelsk randomisering — använder genetiska varianter som slumpmässigt tilldelade “instrument” för en exponering. Eftersom generna fördelas vid konception kan de inte påverkas av livsstil eller sjukdom, vilket kringgår både konfundering och omvänd kausalitet. Metoden har omkullkastat flera etablerade samband (t.ex. HDL-kolesterol som kausal skyddsfaktor).
  • Target trial emulation, propensity score-matchning, instrumentvariabler, difference-in-differences, negativa kontroller.
• Sufficient-component-cause-modellen (Rothman) förklarar varför de flesta orsaker varken är nödvändiga eller tillräckliga: sjukdom uppstår när en tillräcklig uppsättning delorsaker samlats. Det förklarar varför inte alla rökare får lungcancer och varför en och samma sjukdom kan ha flera orsakskombinationer — och därmed också varför Effektmodifiering är regel snarare än undantag.

Klinisk relevans & Diagnostik

• Kliniskt viktiga exempel där observationella data ledde fel och RCT rättade:
  • Hormonbehandling i klimakteriet — observationellt skyddande mot hjärtsjukdom, i RCT (WHI) inte det. Förklaring: healthy user bias och confounding by indication.
  • Betakaroten — observationellt skyddande mot lungcancer, i RCT ökad risk hos rökare.
  • Antiarytmika efter hjärtinfarkt — förbättrade Surrogatmått (färre extraslag) men ökade mortaliteten (CAST-studien). Ett skolexempel på att surrogatmått inte är samma sak som kausal nytta.
• I den kliniska vardagen används kausalt tänkande vid biverkningsbedömning: temporalitet, dos-respons, förbättring vid utsättning (dechallenge) och återkomst vid återinsättning (rechallenge) är i praktiken Hill-kriterier tillämpade på en enskild patient.
• Vid folkhälsobeslut måste man ofta agera på ofullständig kausal evidens; försiktighetsprincipen kompletterar då kausalitetsbedömningen.

Klinisk pärla

Frågan är sällan “finns det ett samband?” utan “vilken av de fyra förklaringarna är minst osannolik?”. Att kunna namnge slump, bias, konfundering och omvänd kausalitet i den ordningen är den mest användbara reflexen vid varje ny studierubrik.

Tenta-fokus

Att temporalitet är det enda oumbärliga Hill-kriteriet, de fyra alternativa förklaringarna till en association, och att kausalitet kan etableras utan RCT (tobak, asbest, aflatoxin) — samt varför en mediator aldrig får justeras bort.

Kopplingar

Relaterat: Bradford Hill-kriterierna, Konfundering, Randomisering, Randomiserad kontrollerad studie, Studiedesign, Statistisk signifikans, Konfidensintervall, Effektmodifiering, Surrogatmått, Asbest, Incidens