Versions Compared

Version Old Version 1 New Version Current
Changes made by

Carolyn Phillips

Carolyn Phillips

Saved on

Key

  • This line was added.
  • This line was removed.
  • Formatting was changed.

Confounding occurs when another factor other than primary factor of interest or being investigated, can directly influence the outcome being measured. To be classed as a confounding factor, it should not be a factor that appears in the casual pathway between and exposure and the outcome. Confounding bias is defined as “bias of the estimated effect of an exposure on an outcome due to the presence of common causes of the exposure and the outcome” La confusión se produce cuando otro factor distinto del factor primario de interés o que se está investigando puede influir directamente en el resultado que se está midiendo. Para ser clasificado como factor confundente, no debe ser un factor que aparezca en la vía casual entre la exposición y el resultado. El sesgo de confusión se define como "sesgo del efecto estimado de una exposición sobre un resultado debido a la presencia de causas comunes de la exposición y el resultado" (Miquel 2014) (p.55).  A confounder or confounding variable is a variable that can be used to decrease confounding bias when properly adjusted for Un factor confundente o variable de confusión es una variable que puede utilizarse para disminuir el sesgo de confusión cuando se ajusta adecuadamente (Miquel 2014) (p.55). Criteria for confounders are

Los criterios para los factores confundentes son: (Rothman, Greenland et al. 2008) (p.132-134):

  1. A confounding factor must be an extraneous risk factor for the disease; i.e. the confounder is a risk factor for the disease and the factor's association with disease arises from a causal pathway other than the one under study.

  2. A confounding factor must be associated with the exposure under study in the source population (the population at risk from which the cases are derived).

  3. A confounding factor must not be affected by the exposure or the disease. In particular, it cannot be an intermediate step in the causal path between the exposure and the disease. For example, in the case of increased risk of lung cancer from high levels of red meat consumption, the confounding factor could possibly be the ‘cooking method’ (Cancer Australia 2014).

Confounding can be controlled in the design and analysis phases in the case of observational studies. The two approaches used for the control of confounding in the analysis of data are stratification and statistical modelling. In stratification, study participants are split into strata that are different groups based on levels of the potential confounding variable, for example age. Although this approach is a simple method, this approach is limited by the fact that only a certain a number of potential factors could be stratified. Hence, it is not a common approach to control for confounding in observational studies in the analysis phase

  1. Un factor de confusión debe ser un factor de riesgo ajeno a la enfermedad; es decir, el factor confundente es un factor de riesgo de la enfermedad y la asociación del factor con la enfermedad surge de una vía causal distinta de la estudiada.

  2. Un factor confundente debe estar asociado a la exposición objeto de estudio en la población fuente (la población de riesgo de la que proceden los casos).

  3. Un factor confundente no debe verse afectado por la exposición o la enfermedad. En concreto, no puede ser un paso intermedio en la ruta causal entre la exposición y la enfermedad. (Por ejemplo, en el caso de un mayor riesgo de cáncer de pulmón debido a altos niveles de consumo de carne roja, el factor confundente podría ser el "método de cocción") (Cancer Australia 2014).

Los factores confundentes pueden controlarse en las fases de diseño y análisis en el caso de los estudios observacionales. Los dos enfoques utilizados para el control de los factores confundentes en el análisis de datos son la estratificación y la modelización estadística. En la estratificación, los participantes del estudio se dividen en estratos que son grupos diferentes basados en los niveles de la posible variable de confusión, por ejemplo la edad. Aunque se trata de un método sencillo, está limitado por el hecho de que solo se puede estratificar un número determinado de factores potenciales. Por lo tanto, no es un enfoque habitual para controlar los factores confundentes en los estudios observacionales en la fase de análisis (Kahlert, Gribsholt et al. 2017). Statistical modelling (such as multiple logistic regression, conditional logistic regression, Cox proportional hazards regression, multivariable regression analysis) is used to estimate the strength of the relationship of interest while controlling for all of the potential confounders (Webb and La modelización estadística (como la regresión logística múltiple, la regresión logística condicional, la regresión de riesgos proporcionales de Cox, el análisis de regresión multivariable) se utiliza para estimar la fuerza de la relación de interés mientras se controlan todos los posibles factores confundentes (Webb y Bain 2011).