Causal Inference of Blood Pressure Reduction and Coronary Heart Disease Risk in the Framingham Study

Mediante la aplicación de métodos de inferencia causal al Estudio Framingham del Corazón, este trabajo demuestra que las calculadoras de riesgo observacionales estándar sobreestiman en aproximadamente un 21,8 % el beneficio absoluto de la reducción de la presión arterial sobre el riesgo de enfermedad coronaria debido a la confusión, destacando la necesidad crítica de distinguir entre probabilidades condicionales y efectos intervencionistas en la toma de decisiones clínicas.

Lo esencial

Imagina que estás tratando de averiguar cuánto ayuda realmente una acción específica —como reducir tu presión arterial— a prevenir un infarto. Durante décadas, los médicos y las calculadoras de riesgo han utilizado un método que observa a personas que naturalmente tienen la presión arterial baja y las compara con personas que naturalmente tienen la presión arterial alta.

El problema, según este estudio, es que esta comparación es como juzgar una carrera mirando los zapatos de los corredores en lugar de su capacidad para correr.

Aquí está el desglose de lo que los investigadores encontraron, usando analogías simples:

El error de "Natural" vs. "Forzado"

Piensa en la presión arterial como la temperatura en una casa.

• La forma antigua (Observacional): Los investigadores miraron casas que naturalmente son frescas y las compararon con casas que naturalmente son calientes. Notaron que las casas calientes tenían más ventanas rotas (enfermedad cardíaca). Concluyeron: "Si enfriamos la casa, salvaremos muchas ventanas".
• El defecto: Las casas que naturalmente son calientes a menudo tienen otros problemas también: son más antiguas, el aislamiento es peor y los propietarios son menos cuidadosos con el mantenimiento. El calor no es la única razón por la que se rompen las ventanas; la antigüedad y el mal mantenimiento también lo son.
• La forma nueva (Causal): Este estudio planteó una pregunta diferente: "Si tomamos una casa que naturalmente es caliente y forzamos el termostato hacia abajo (usando medicación), ¿cuántas ventanas salvamos realmente?".

El estudio encontró que la "forma antigua" estaba sobreestimando el beneficio en aproximadamente un 22%. Estaba culpando al calor por todas las ventanas rotas, cuando en realidad, la antigüedad de la casa y el mal mantenimiento estaban causando gran parte del daño. Cuando arreglas el calor, arreglas el calor, pero no arreglas mágicamente la antigüedad ni los problemas de mantenimiento.

La corrección del "Mapa"

Para hacerlo bien, los investigadores dibujaron un nuevo "mapa" (llamado Gráfico Acíclico Dirigido o DAG) de cómo funciona la salud cardíaca. Encontraron cuatro errores en los mapas que todos los demás habían estado usando:

1. Tabaquismo: Eliminaron una línea que sugería que fumar causa directamente presión arterial alta en este contexto específico, dándose cuenta de que afecta la salud cardíaca primero a través de otros caminos (como el colesterol).
2. Edad: Agregaron una línea que muestra que envejecer causa diabetes, lo cual luego afecta la salud cardíaca.
3. Medicación: Se dieron cuenta de que tomar pastillas para la presión arterial es un resultado de tener presión arterial alta, no una causa de ella. Tratar las pastillas como una causa era como culpar al extintor de incendios por iniciar el fuego.
4. Historia: Dejaron de contar la "presión arterial alta pasada" como una causa separada, porque es solo un síntoma de la presión arterial alta actual.

Al corregir estos errores en el mapa, pudieron calcular el efecto real del "ajuste del termostato".

Los resultados: Un número más honesto

Cuando hicieron las matemáticas correctamente:

• La antigua suposición: Reducir la presión arterial en 20 puntos preveniría la enfermedad cardíaca en aproximadamente el 4.14% de las personas.
• La nueva verdad: Reducir la presión arterial en 20 puntos realmente previene la enfermedad cardíaca en aproximadamente el 3.40% de las personas.

Aunque el 3.40% todavía suena bien, el estudio muestra que la "antigua suposición" era demasiado optimista. Si un médico usa el número antiguo para decidir si recetar medicación, podría pensar que el beneficio es lo suficientemente grande como para tratar a un paciente, cuando el verdadero beneficio podría estar justo por debajo del umbral para el tratamiento.

¿Quién se beneficia más?

El estudio también analizó si este "arreglo" funciona de manera diferente para diferentes personas:

• Edad: Las personas mayores parecen obtener un beneficio absoluto mayor de reducir la presión arterial que las personas más jóvenes. Esto tiene sentido porque las personas mayores tienen más "ventanas rotas" desde el principio.
• Diabetes: Los investigadores intentaron analizar a personas con diabetes, pero había demasiados pocos en el estudio para decir algo fiable. Advierten explícitamente que no podemos sacar conclusiones sobre los diabéticos a partir de estos datos todavía.

La conclusión final

Este estudio no dice "no reduzcas la presión arterial". Dice: "Ten cuidado con cuánto piensas que reducir la presión arterial ayudará".

Las calculadoras de riesgo estándar son como un pronóstico del tiempo que predice una tormenta basándose en lo oscuro que se ve el cielo ahora mismo, ignorando que el cielo está oscuro debido a una nube de tormenta que ya se está alejando. Al usar un método más avanzado (llamado inferencia causal), los investigadores mostraron que la "tormenta" (riesgo de enfermedad cardíaca) es ligeramente menos severa de lo que predecían los viejos pronósticos cuando se aísla el efecto de la presión arterial por sí sola.

Esto ayuda a los médicos a tomar decisiones más precisas, asegurando que no sobreestimen la "magia" de un solo tratamiento cuando el panorama general de la salud de un paciente es mucho más complejo.

Resumen técnico

Resumen Técnico: Inferencia Causal de la Reducción de la Presión Arterial y el Riesgo de Enfermedad Coronaria en el Estudio Framingham

Declaración del Problema
Las calculadoras estándar de riesgo cardiovascular, como el Puntaje de Riesgo de Framingham y las Ecuaciones de Cohortes Agrupadas de la ACC/AHA, estiman la probabilidad condicional de Enfermedad Coronaria (EC) dado un perfil específico de presión arterial, $P(\text{EC} \mid \text{PAS}=s, Z=z)$. Esta cantidad refleja la frecuencia observada de la enfermedad entre individuos que naturalmente presentan ciertas características. Sin embargo, la toma de decisiones clínicas respecto a la terapia antihipertensiva requiere la cantidad intervencional, $P(\text{EC} \mid \text{do}(\text{PAS}=s))$, que representa el riesgo si la presión arterial se estableciera farmacológicamente en un valor objetivo, independientemente del estado biológico subyacente del paciente (por ejemplo, edad, obesidad, desregulación metabólica).

El artículo argumenta que confundir estas dos cantidades conduce a una sobreestimación sistemática del beneficio absoluto de la reducción de la presión arterial. Los individuos con presión arterial naturalmente elevada a menudo poseen una mayor carga de comorbilidades (edad avanzada, IMC más alto, diabetes) en comparación con aquellos con presión arterial más baja. Las estimaciones observacionales capturan el riesgo asociado con todo este perfil, mientras que la terapia antihipertensiva solo corta el camino causal desde la presión hacia los eventos vasculares. En consecuencia, las herramientas observacionales pueden inflar la eficacia percibida del tratamiento, influyendo potencialmente en los umbrales de prescripción y la estratificación del riesgo.

Metodología
El estudio aplica el cálculo-do de Pearl y la modelización causal estructural a la Cohorte de Descendientes del Estudio Framingham ($n=4.240$; análisis principal en $n=3.776$ casos completos). La metodología incluye:

1. Especificación del Modelo Causal Estructural (DAG): Se construyó un Gráfico Acíclico Dirigido (DAG) con 11 nodos y 24 aristas. Los autores introdujeron cuatro correcciones motivadas biológicamente a formulaciones anteriores:

   • Eliminación de Fumar $\to$ PAS: Reconociendo que, aunque la nicotina causa vasoconstricción aguda, no constituye una vía causal estructural a nivel poblacional desde el estado de fumador hacia la presión arterial sistólica sostenida en este contexto transversal.
   • Adición de Edad $\to$ Diabetes: Incorporando el aumento brusco en la incidencia de diabetes tipo 2 con la edad, reconociendo a la edad como una causa compartida tanto de la elevación de la presión arterial como de la EC.
   • Reclasificación de Medicación (BPMEDS): Tratando la medicación antihipertensiva como un descendiente de la Presión Arterial Sistólica (PAS) en lugar de un factor de confusión. Incluirla en el conjunto de ajuste induciría sesgo de colisionador.
   • Exclusión de Hipertensión Prevalente: Eliminando la hipertensión prevalente del conjunto de ajuste principal para evitar el sesgo de sobreajuste, ya que es causalmente aguas abajo de la presión arterial a largo plazo.

   La validez del DAG se probó mediante pruebas de independencia condicional (correlaciones parciales), todas las cuales superaron el umbral en $\alpha=0.05$.

2. Estimación del Efecto Causal:

   • Estimador Principal: Se utilizó la g-computación (estandarización) para estimar el Efecto Causal Promedio (ACE) de una reducción de 20 mmHg en la PAS. Se utilizó el conjunto de ajuste de puerta trasera $Z = \{\text{Edad, Sexo, IMC, Fumador Actual}\}$. El colesterol total y la glucosa se incluyeron como covariables de precisión en la regresión del resultado.
   • Triangulación: Los resultados se corroboraron utilizando Emparejamiento por Puntaje de Propensión (PSM) estratificado por sexo y Ponderación por Probabilidad Inversa (IPW).
   • Heterogeneidad: Se estimaron los Efectos Promedio del Tratamiento Condicionales (CATE) utilizando metaaprendices R-Learner y T-Learner con modelos de ruido impulsados por gradientes para evaluar la modificación del efecto por edad, sexo y estado de diabetes.
   • Robustez: El estudio empleó pruebas de refutación por permutación e instrumentos placebo (por ejemplo, frecuencia cardíaca $\to$ edad) para validar las estimaciones causales. Se calcularon valores-E para cuantificar la robustez de los hallazgos frente a factores de confusión no medidos.

Resultados Clave

• Brecha Predicción-Causalidad: El enfoque de g-computación arrojó una reducción absoluta del riesgo (ACE) del 3,40% (IC bootstrap del 95%: 2,64%–4,14%) para una reducción de 20 mmHg en la PAS. En contraste, la estimación observacional ingenua fue del 4,14%. Esto representa una sobreestimación relativa de aproximadamente 21,8% por el enfoque observacional.
• Fuente del Sesgo: La divergencia es impulsada por la agrupación de edad avanzada, IMC más alto y desregulación metabólica con la presión arterial elevada. La estimación observacional captura el riesgo del perfil de comorbilidades, no solo la reducción de la presión arterial.
• Heterogeneidad: Se detectó heterogeneidad estadísticamente significativa a través de estratos de edad ($p < 0,001$) y estado de diabetes ($p < 0,001$). Los pacientes mayores (45–64 años) mostraron reducciones absolutas estimadas del riesgo más altas (~4,5–4,8%) en comparación con los pacientes más jóvenes (<45 años, ~2,2%).
• Limitaciones de Subgrupos: Las estimaciones para el subgrupo diabético ($n=109$) fueron inestables y con baja potencia, con un intervalo de confianza amplio que cruza cero. Los autores declaran explícitamente que no se puede extraer ninguna inferencia fiable sobre el beneficio diferencial en diabéticos a partir de estos datos sin replicación.
• Robustez: El límite inferior del valor-E fue 2,18, lo que indica que un factor de confusión no medido necesitaría tener una razón de riesgos de al menos 2,18 tanto con la PAS como con la EC para explicar completamente el efecto observado. Esto supera la fuerza de asociación de todas las covariables medidas.

Significado y Afirmaciones
El artículo afirma ser el primero en cuantificar la magnitud del sesgo en las herramientas observacionales estándar de riesgo cardiovascular dentro de la cohorte de Framingham, demostrando que estas herramientas pueden sobreestimar el beneficio absoluto del tratamiento antihipertensivo en aproximadamente una quinta parte.

Los autores argumentan que esta sobreestimación tiene consecuencias clínicas directas. Para pacientes cerca de los umbrales de prescripción, una inflación del 21,8% en el beneficio estimado podría llevar a decisiones de tratamiento donde el beneficio causal real cae por debajo de un umbral clínicamente significativo. El estudio sugiere que la estratificación del riesgo clínico debería idealmente basarse en estimaciones intervencionales en lugar de asociaciones condicionales.

Metodológicamente, el artículo contribuye con una pipeline reproducible de extremo a extremo que integra la evaluación de DAG, g-computación, PSM, IPW y metaaprendices semiparamétricos. Destaca errores estructurales específicos en análisis causales anteriores de datos cardiovasculares, particularmente el tratamiento incorrecto de la medicación antihipertensiva como un factor de confusión en lugar de un descendiente de la presión arterial, lo que introduce sesgo de colisionador.

Limitaciones Reconocidas por los Autores
Los autores mantienen un tono modesto respecto a sus conclusiones, señalando varias limitaciones:

• Confundidores No Medidos: La asunción de ausencia de confundidores no medidos es inverificable; factores como la dieta, la actividad física y la genética podrían sesgar los resultados.
• Naturaleza Transversal: El análisis se basa en datos basales, no logrando tener en cuenta la confusión que varía con el tiempo durante los 10 años de seguimiento, lo que puede llevar a estimaciones conservadoras.
• Simplificación del DAG: El DAG es una representación simplificada; fallos en algunas pruebas placebo sugieren causas compartidas latentes no codificadas en el modelo.
• Generalizabilidad: La Cohorte de Descendientes de Framingham es una muestra principalmente blanca, basada en la comunidad, de la Nueva Inglaterra de mediados del siglo XX, lo que limita la generalización a poblaciones contemporáneas, diversas o de mayor riesgo.
• Potencia de Subgrupos: El análisis del subgrupo diabético se señala explícitamente como de baja potencia y poco fiable para inferencia.

El estudio posiciona sus hallazgos como generadores de hipótesis, llamando a una futura validación contra datos de ensayos aleatorizados (por ejemplo, SPRINT, ACCORD-BP) y replicación en cohortes más grandes y diversas.