En una buena parte de los artículos que escribimos en Medciencia tratamos de acercaros y explicaros los datos y conclusiones de algunos de los últimos estudios sobre ciencia y salud. Es por ello que conocemos la importancia que tiene saber resumir el resultado de un estudio en un titular que incite a ser leído, pero siempre tratando de evitar el sensacionalismo y/o de caer en el error de dar un titular falso (aunque llamativo).

Sin embargo, esto no siempre se evitar. Es común que en muchas ocasiones, leyendo noticias de salud en revistas, blogs u otras herramientas de comunicación, nos topemos con titulares llamativos y un tanto sensacionalistas. E incluso, aunque en muchas menos ocasiones, podemos encontrar en algunos estudios científicos conclusiones un tanto alejadas de la realidad o de lo que la investigación demuestra realmente.

Muchas veces, ese afán de querer que tu trabajo sea leído y llame la atención es lo que incita a lanzar conclusiones o titulares demasiado optimistas o que no acaban de corresponderse con el meollo de la investigación. Pero muchas otras veces, la incorrecta utilización de los datos estadísticos es lo que lleva a conclusiones erróneas (especialmente en aquellos estudios de correlación donde se trata de medir el grado de relación entre diferentes variables).

Y es que, los estudios de correlación son aquellos que tienen como objetivo medir el grado de relación entre dos o más variables (por ejemplo: el tabaquismo y mayor incidencia de cáncer de pulmón). De esta forma, siempre y cuando el estudio se realice sobre una muestra suficientemente grande, se puede hallar el grado de correlación entre los fenómenos observados, cuantificado como el coeficiente de correlación lineal.

El problema surge cuando este coeficiente no se interpreta ni analiza críticamente. Para que esto no ocurra y evitemos falsas conclusiones deberemos tener en cuenta los siguientes aspectos:

1. Correlación no implica causalidad

Que correlación no implica causalidad es algo que todo científico conoce. Sin embargo, el supuesto inadecuado de causalidad es comúnmente la mayor fuente de error de los resultados en los análisis de correlación.

Por ejemplo, en 2008 se publicó un estudio en el Journal of Pediatrics, en el cual los autores concluyeron que tomar el desayuno puede resolver los problemas de obesidad infantil, basados simplemente en el hecho de que los adolescentes que desayunaban eran menos propensos a ser obesos. Y es que, aunque la correlación encontrada por los autores indica una posible relación de causalidad, es muy poco probable que desayunar habitualmente puede resolver el actual problema de obesidad infantil.

Por tanto, si alguna vez nos encontramos ante titulares del tipo “Comer X alimentos te hace más listo” lo primero que debemos hacer es desconfiar porque lo más probable que tal asociación no sea cierta.

2. El individuo no tiene porque mostrar relación con el grupo

No siempre podemos hacer inferencias a un individuo en lo que hemos encontrado en un grupo. Sin embargo, muchas veces se cae en este error.

Por ejemplo, un estudio publicado en 2012, encontró que había una significativa correlación lineal entre el consumo de chocolate per cápita y el número de premios Nobel por cada 10 millones de personas en un total de 23 países. Con estos hallazgos, se llegó a la conclusión de que el consumo de chocolate mejora la función cognitiva y está estrechamente correlacionado con el número de premios Nobel en cada país. No obstante, sin datos preciosos a nivel individual, es una temeridad sacar tales conclusiones porque, por ejemplo, no sabemos cuántas personas con premio Nobel consumen chocolate de forma habitual

3. Si no hay correlación no implica independencia

Con base a lo que hemos visto en los ejemplos anteriores, queda claro que aunque haya una fuerte correlación entre dos variables está no puede implicar causalidad. Pero a la inversa, un coeficiente de correlación cero no debe significar que las variables son independientes. Es decir, no significa que al no haber correlación tampoco hay causalidad. Esto es debido a que el coeficiente de correlación sólo mide la asociación lineal. Sin embargo, una relación no monótona en forma de U puede llegar a tener una correlación de cero.

Vía| The Scientist
Imagen| atheistcartoons