Chocolate, premios Nobel y otras trampas de la ciencia mal interpretada

En 2012, Franz H. Messerli, un prestigioso cardiólogo vinculado al St. Luke’s–Roosevelt Hospital y a la Universidad de Columbia, publicó en The New England Journal of Medicine un artículo en el que “demostraba” algo extraordinario: comer chocolate podía contribuir a que un país recibiera más premios Nobel.

Para comprobarlo, Messerli cruzó dos datos. Por un lado, el consumo anual de chocolate por habitante de distintos países; por otro, el número de premios Nobel obtenidos por cada diez millones de habitantes. El resultado fue espectacular. Cuanto mayor era el consumo de chocolate, mayor era también el número de laureados, con una correlación muy elevada (r=0,791) y una significación estadística difícil de ignorar (P

Sin embargo, había un dato discordante: Suecia parecía empeñada en estropear parcialmente la elegante relación matemática —tenía muchos más premios Nobel (32) que lo que cabría esperar (14) a la vista de su consumo de chocolate—. Pero Messerli encontró una explicación o, mejor dicho, dos: quizá el comité encargado de conceder los premios mostraba cierto sesgo patriótico; o quizá los suecos fueran especialmente sensibles a las propiedades cognitivas del chocolate.

Los números permitían incluso calcular una “dosis mínima eficaz”, que parecía situarse alrededor de los dos kilos anuales y no se observaba un techo claro para sus supuestos beneficios. Incluso, postuló que unos 400 gramos adicionales de chocolate por persona y año se asociaban con un premio Nobel adicional por cada diez millones de habitantes.

Con estos datos en la mano, el consejo de salud pública se tornaba elocuentemente necesario: si queremos una población intelectualmente más brillante y aumentar nuestras posibilidades de producir futuros premios Nobel, recomendemos comer más chocolate. Solo había un pequeño problema.

El artículo de Messerli no demostraba que el chocolate produjera premios Nobel. Y tampoco lo pretendía. En realidad, su impecable prosa científica y la correlación estadística expuesta servían, precisamente, para mostrar hasta qué punto dos variables pueden caminar juntas sin que una sea necesariamente la causa de la otra.

Dejando a un lado el chocolate y la función cognitiva, esa diferencia, sencilla de formular y sorprendentemente difícil de respetar —que correlación no implica causalidad— está detrás de una parte nada despreciable de los titulares que leemos a diario sobre alimentación y salud. Esta es, entre muchas otras, una de las explicaciones de nuestros problemas con la “evidencia científica”.

Que haya correlación solo indica que dos variables tienden a variar conjuntamente

La correlación estadística describe una asociación entre dos variables. Si al aumentar una también tiende a aumentar la otra, hablamos de una correlación positiva; si una aumenta mientras la otra disminuye, será negativa. Y podemos cuantificar hasta qué punto esa relación es más o menos estrecha. Pero nada de eso explica por qué existe esa rítmica variación de los datos.

Cuando encontramos que X e Y están correlacionadas existen varias posibilidades. Puede que X influya sobre Y, pero también que sea Y la que influya sobre X. Incluso, puede existir una tercera variable que explique, al menos parcialmente, ambas. Pero además también puede suceder que la asociación sea producto del azar, de la forma en que se seleccionaron o midieron los datos o de otros sesgos del estudio (tienes un montón de ejemplos de asombrosas correlaciones espurias en este enlace).

Una correlación puede ser muy fuerte y estadísticamente significativa sin que exista una relación causal entre las variables. Y la publicación de Messerli lo ilustra de forma especialmente eficaz: r = 0,791 y P

La estadística puede decirnos que dos fenómenos aparecen relacionados en unos datos determinados. Establecer que uno causa el otro exige bastante más.

Entonces, ¿cuándo podemos hablar de causalidad?

Es altamente improbable que la ciencia establezca una relación causal a partir de un único resultado. Para defender que una exposición —la que sea— produce realmente un determinado efecto hay que reunir evidencias procedentes de distintas fuentes y comprobar que otras explicaciones sean menos plausibles.

• Una condición elemental es la temporalidad: la supuesta causa debe preceder al efecto. También resulta relevante comprobar si la asociación se reproduce en diferentes estudios y poblaciones, si existe una relación dosis-respuesta, si hay mecanismos biológicos compatibles con el efecto observado y, sobre todo, si la asociación persiste después de tener en cuenta otras variables capaces de explicarla.
• El diseño del estudio importa mucho. Los ensayos clínicos permiten, cuando son posibles y están bien realizados, controlar mejor muchas explicaciones alternativas y atribuir con mayor fundamento los efectos observados a la intervención estudiada. Por su parte, los estudios observacionales son imprescindibles en numerosos ámbitos en los que los ensayos clínicos sean inviables. Pero atribuir causalidad a partir de ellos exige muchas más cautelas y evidencias (pruebas) complementarias.

Por eso no existe una cifra mágica a partir de la cual una correlación se transforme en causalidad. Ni una correlación muy elevada, ni un valor de P muy pequeño, ni la publicación del resultado en una revista prestigiosa resuelven por sí mismos esa cuestión. La inferencia causal depende del conjunto de la evidencia y de la capacidad de descartar explicaciones alternativas.

En nutrición, el salto de asociación entre variables a causa es muy tentador

Buena parte de la investigación nutricional se centra en observar durante años qué comen determinadas personas y qué problemas de salud presentan después. Estos estudios permiten detectar asociaciones relevantes entre determinadas exposiciones alimentarias y resultados de salud. Pero una asociación, por sí sola, no establece causalidad. Las personas no comen solo de un alimento y, además, tienen infinidad de otros condicionantes (genéticos, de estilo de vida, medioambientales…) que pueden condicionar el resultado de salud posterior.

¿Quienes consumen más fruta, legumbres o cereales integrales se diferencian de quienes los consumen menos únicamente en su alimentación? Evidentemente, no. Pueden diferenciarse también en actividad física, tabaquismo, nivel socioeconómico, formación, acceso sanitario y muchas otras características. Los investigadores intentan ajustar estadísticamente estas variables, en especial las más plausibles como factores de confusión, pero ningún ajuste garantiza por sí solo que la asociación observada sea causal.

A esto se añaden otros problemas habituales, en especial el hecho de estimar con precisión lo que una persona come durante años, algo que requiere un tiempo y habilidades considerables.

Lo que se puede y lo que no se debe decir de un estudio basado en correlaciones

Nada de lo anterior convierte los estudios observacionales en inútiles. Solo significa que hay que interpretar de forma meticulosa lo que aportan sus datos.

Si un estudio, por ejemplo, encuentra que quienes consumieron más cantidad de yogur de plátano presentaron menos casos de diarrea, su resultado permitirá afirmar que el consumo de yogur de plátano se asoció con menores episodios de diarrea. Decir que el yogur de plátano “reduce”, “evita” o “previene” la diarrea introduce una relación causal que el diseño del estudio quizá no permita sostener.

Ese pequeño cambio verbal es, muchas veces, el lugar exacto en el que una asociación estadística termina convertida en una falsa certeza que la investigación original nunca estableció.

El trabajo de Messerli sigue siendo una magnífica lección precisamente porque no necesitó inventar ni falsear ningún dato. La correlación entre chocolate y premios Nobel existía, era intensa y resultaba estadísticamente significativa. Lo que no demostraba era que una cosa causara la otra.

Esa distinción debería acompañarnos cada vez que estemos ante un contenido que afirme que un alimento “previene”, “protege”, “aumenta” o “reduce” un determinado problema de salud. Antes de aceptar ese tipo de afirmaciones conviene comprobar en qué tipo de pruebas y estudios se basó. Porque los datos pueden ser perfectamente correctos y su interpretación, perfectamente equivocada.