This commentary adds to a lively discussion of causal modeling, reasoning and inference in the recent epidemiologic literature. We focus on fundamental philosophical and logical principles of causal reasoning in epidemiology, raising important points not emphasized in the recent discussion. To inform public health decisions that require answers to causal questions, studies should be approached as exercises in causal reasoning. They should ask well-specified causal questions; and use estimators that approximate, given practical constraints, a “perfect” study, based on a clear definition of causation and a clear (and preferably, explicit) understanding of the philosophical basis for that definition. They should examine how the estimator falls short of approximating the “perfect” study design, conduct and analysis; adjust the study results for these shortcomings; and, in the publication of study results, clearly state the assumptions that were made in the design, conduct and analysis of the study, and discuss their plausibility for the topic under study. We argue that the explicit philosophical foundation for causal reasoning need not be counterfactual reasoning (currently in vogue in epidemiology), but should lead to a well-defined ideal study design for answering causal questions and a mathematical expression for a measure of causal effect. We argue that the perspective of causal reasoning is an indispensable aid in producing study results that are useful for answering causal questions. It is also an indispensable aid in developing and refining epidemiologic methods for answering causal questions, as well as in understanding the attributes required of a method that is truly causal.
Commentaire du Dr Marius Laurent (PAQS)
- Avouons que nous avons une confiance démesurée dans la certitude que déterminer « la » cause d’un accident, et l’éliminer sera de nature à prévenir sa récurrence. La recherche des causes profondes est un itinéraire incontournable dans le travail des gestionnaires de risque. Ne nous cachons pas néanmoins que la nature du lien de cause à effet et la preuve de son existence sont toujours l’objet de passionnants débats. En 1965, Bradford Hill avait énuméré neuf critères plaidant pour l’existence d’un lien de cause à effet, certains portaient sur des arguments « mécaniques » (la conformité avec les connaissances scientifiques) et d’autres de nature plus « statistique » (la proximité temporelle par exemple…) [1]. En 2007, Federika Russo affirmera que, dans les sciences de la santé, les deux types d’arguments doivent être réunis [2]. Cette énumération de critères satisfait à la première définition que Hume donne à une cause (« un objet suivi d’un autre, et où tous les objets semblables au premier sont suivis d’objets semblables au second »), mais laisse dans l’ombre la suite de son discours : « En d’autres termes, où, si le premier objet n’avait pas été, le second n’aurait jamais existé ». Il énonce là l’argument contre factuel qui est celui le plus souvent invoqué par les épidémiologistes et par les spécialistes de l’intelligence artificielle. Mais qui contient aussi sa malédiction : il m’est impossible d’étudier au même moment la même population soumise à un risque, et où ce risque est exclu. Ceci nécessitera le recours à des échantillons, et donc à tout l’arsenal de mesures visant à éviter les biais inhérents à cet échantillonnage. C’est réalisable dans les études épidémiologiques, ça l’est moins dans le monde de la gestion des risques : le rêve de la cause unique, identifiable et qu’il est possible d’isoler sans toucher à autre chose y est peu réaliste !
Maldonado G, Cox LA. Causal reasoning in epidemiology: Philosophy and logic. Global Epidemiology 2020;2:100020. Doi : 10.1016/j.gloepi.2020.100020.
Références
1- Hill AB. The environment and disease: Association or causation? Proc R Soc Med. 1965;58(5):295-300.
2- Russo F, Williamson J. Interpreting causality in the health sciences. Int Stud Philos Sci. 2007;21(2):157-170.