Kropsmasseindekset (BMI) er et groft, men nyttigt mål for, hvor tung en person er i forhold til sin vægt. Det består af din vægt i kilo, divideret med kvadratet på din højde i meter. Retningslinjerne antyder, at et BMI mellem 18,5 og 25 er sundt for de fleste mennesker. Man betegnes som overvægtig, hvis det er 25-30, og fedme, hvis det er over 30. Du tror måske, at det er nemt at fastsætte det sundeste BMI. Man tager et stort, repræsentativt udsnit af mennesker og inddeler dem i grupper efter deres BMI. I hver gruppe måler man så et eller andet aspekt af den gennemsnitlige sundhed, f.eks. den gennemsnitlige levetid. Hvis man anvender denne fremgangsmåde, som jeg vil kalde den observerede sammenhæng, finder man ud af, at det tilsyneladende ideelle BMI er lidt over 25. Personer, der er klassificeret som overvægtige, lever faktisk i gennemsnit lidt længere end personer med et BMI inden for det anbefalede interval. Dette har givet anledning til talrige artikler i pressen, hvori folk rådes til ikke at bekymre sig om overvægt, og nogle har beskyldt forskerne for bevidst at vildlede offentligheden. Men det er lidt mere kompliceret end som så.

Når vi rådgiver folk om, hvad et sundt BMI er, er det, der betyder noget, BMI’s kausale virkning på helbredet. Den kausale effekt fortæller os, om ændringer i BMI vil medføre ændringer i helbredet. Den kausale effekt af BMI er ikke nødvendigvis det samme som den observerede sammenhæng mellem BMI og sundhed. Med andre ord er korrelation ikke (nødvendigvis) årsagssammenhæng. Årsagen til dette er en proces, som statistikere kalder “confounding”. For eksempel kan sammenhængen mellem BMI og dødelighed være forvirret af rygning. Rygning medfører et fald i BMI (gennem appetitundertrykkelse). Den forårsager også mange rygeres for tidlige død. Resultatet er, at mange tyndere mennesker dør unge; ikke fordi de er tyndere, men fordi de er rygere. En anden vigtig kilde til forvirring er de tidlige sygdomsstadier; dette kaldes undertiden omvendt årsagssammenhæng. Mange sygdomme kan forårsage vægttab, selv i deres tidlige, udiagnosticerede stadier. Disse samme sygdomme kan med tiden bidrage til en persons død. Disse mennesker dør ikke, fordi de er tynde; de er tynde, fordi de har en sygdom, som i sidste ende vil slå dem ihjel. Hvis vi fortolker en forvirret observeret sammenhæng mellem BMI og dødelighed, som om den var en kausal effekt, får vi et falsk indtryk af det sundeste BMI. At adskille den kausale effekt fra den observerede sammenhæng er ikke en ligetil opgave.

Der findes ingen enkelt statistisk metode, der helt kan eliminere forvirring, så vi får et uvildigt, præcist skøn over BMI’s kausale effekt på overlevelsen. Den mest almindelige tilgang er at måle potentielle forstyrrende faktorer og tage hensyn til dem i en proces, der kaldes statistisk justering. Denne metode er imidlertid kun lige så god som målingen af den forstyrrende faktor. Mange forstyrrende faktorer er dårligt målt eller er slet ikke tænkt på. Vi kan begrænse de personer, vi analyserer, så de alle ligner hinanden med hensyn til de formodede forstyrrende faktorer – f.eks. ved kun at analysere tilsyneladende raske ikke-rygere. Men så repræsenterer vores stikprøve i undersøgelsen ikke længere befolkningen korrekt, og hvem ved, hvilke forstyrrende faktorer der kan være tilbage? For at mindske problemet med omvendt årsagssammenhæng kan vi udelukke dødsfald, der sker kort tid efter BMI-målingen. Men en person kan tabe sig på grund af sygdom flere år før sin eventuelle død; hvor langt tilbage kan man gå? En anden statistisk metode er at anvende noget, der er relateret til en persons BMI, men som ikke påvirkes af de forstyrrende faktorer, i stedet for BMI i analysen. Eksempler omfatter BMI hos deres afkom (som stadig i nogen grad er relateret til de forstyrrende faktorer) eller et gen, der påvirker BMI (som kun giver meget upræcise beviser).

Hvert af disse alternativer til den simple observerede association har sine egne unikke begrænsninger og skævheder. Men når vi sammenligner dem med den observerede association, er det interessante, at de alle peger i retning af den samme konklusion. Den kausale effekt af overvægt er mere skadelig end antydet af den observerede association, og den kausale effekt af et lavt BMI er mindre skadelig. Det samlede bevismateriale fra denne “trianguleringsmetode” tyder på, at det anbefalede BMI-interval på 18,5-25 er nogenlunde rigtigt, og at overvægt ikke er godt for dig. Vi bør passe på med at lægge for stor tiltro til simple observerede sammenhænge, uanset hvor meget vi end ønsker at tro på dem.

Featured image credit: Weight by TeroVesalainen. CC0 public domain via .