1. Objetivo de la clase

Al finalizar la sesión, los estudiantes serán capaces de:

• Comprender y aplicar los DAG (Directed Acyclic Graphs) en la representación de conocimiento médico y relaciones causales.

• Utilizar DAGitty para modelar mallas causales, detectar confusión y validar supuestos prácticos en investigación clínica.

2. Desarrollo de la clase

3.2.1. Representación de conocimiento existente

Definición:
Los DAG permiten visualizar relaciones causales entre variables en un modelo estructurado, evitando ciclos (por ser acíclicos).

Enlace relacionado:

• Introducción a DAGs en epidemiología (YouTube)

Ejemplo:

• En un estudio sobre tabaquismo (X) y cáncer de pulmón (Y), un DAG podría incluir contaminación ambiental (Z) como confusor.

Habilidad blanda:

• Pensamiento crítico para identificar relaciones causales plausibles.

Actividad con docente:

• Discutir en grupos un DAG para un caso clínico dado (ej: "obesidad → diabetes").

3.2.2. Representar mallas causales

Definición:
Una malla causal es un DAG que incluye múltiples variables interconectadas, mostrando rutas directas e indirectas.

Ejemplo:

• Malla para "Ejercicio → Pérdida de peso → Mejora en presión arterial".

Actividad con docente:

• Usar DAGitty para construir una malla con variables proporcionadas por el profesor.

3.2.3. Detección de confusión

Definición:
Un confusor es una variable que distorsiona la relación entre exposición y desenlace (ej: edad en "dieta → enfermedad cardiaca").

Ejemplo:

• En DAGitty, marcar variables como confusoras y verificar ajustes necesarios.

Habilidad blanda:

• Atención al detalle para identificar sesgos.

3.2.4. Supuestos prácticos (DAGitty)

Definición:
Supuestos como exchangeability o no colisión permiten validar modelos.

Actividad con docente:

• Ingresar un DAG en DAGitty y usar la función "Test Implications" para verificar supuestos.

3. Cierre de la clase

Actividad experimental (en equipo)

• Tarea: Diseñar un DAG para un estudio ficticio (ej: "Uso de redes sociales → Depresión") en DAGitty, identificando confusores y colisionadores. Presentar en 10 min.

Actividad autónoma (individual)

• Tarea: Investigar un artículo médico que use DAGs y resumir cómo abordaron la confusión (1 página).

4. Cuestionario Moodle (formato .gift)

// 1  
::Nombre:: ¿Qué es un DAG?{  
= Un gráfico acíclico dirigido que representa relaciones causales.  
~ Un gráfico circular.  
~ Un algoritmo de machine learning.  
~ Un tipo de regresión lineal.}  

// 2  
::Confusión:: Un confusor en un DAG:{  
= Distorsiona la relación entre exposición y desenlace.  
~ Siempre es una variable colisionadora.  
~ Refleja un error de medición.  
~ Es irrelevante en modelos causales.}  

// 3  
::DAGitty:: ¿Qué permite hacer DAGitty?{  
= Modelar mallas causales y detectar confusión.  
~ Analizar datos genómicos.  
~ Realizar pruebas de laboratorio virtuales.  
~ Crear gráficos de barras.}  

// 4  
::Supuestos:: ¿Cuál NO es un supuesto en DAGs?{  
= Las variables deben tener distribución normal.  
~ No hay ciclos en las relaciones.  
~ Exchangeability.  
~ Posibilidad de ajustar por confusores.}  

// 5  
::Ejemplo:: En un DAG sobre "tabaquismo → cáncer", la contaminación ambiental sería:{  
= Un confusor.  
~ Un mediador.  
~ Una variable colisionadora.  
~ Un resultado.}