Causalidad psiquiátrica: origen, precipitación y mantenimiento

Una historia de inicio no determina por sí sola el proceso actual

Una persona sitúa el comienzo de un periodo de malestar después de una pérdida importante. Meses después, la situación que precipitó el cambio ya no actúa de la misma manera, pero persisten dificultades de sueño, reducción de actividades y problemas para retomar vínculos. La narración del inicio contiene información relevante sobre la experiencia y sobre posibles exposiciones. Sin embargo, no establece por sí sola qué procesos mantienen actualmente las dificultades ni qué modificación produciría una mejoría. La pregunta histórica y la pregunta interventiva se relacionan, pero requieren comparaciones distintas.

El caso es una construcción didáctica, sin diagnóstico ni indicación de tratamiento. Su función es distinguir papeles causales a lo largo del tiempo. Se llama origen al conjunto de procesos que contribuyeron a que apareciera la trayectoria; precipitación, a un cambio próximo al inicio que pudo favorecer la transición; mantenimiento, a condiciones actuales cuya modificación podría alterar la persistencia. Estas denominaciones no son categorías naturales mutuamente excluyentes. Una exposición puede contribuir al inicio y continuar actuando; otra puede desaparecer después de activar una secuencia. La clasificación depende del momento y del proceso que se analizan.

Preguntar por una causa originaria única puede simplificar excesivamente el problema. Una condición previa puede modificar sensibilidad, un acontecimiento próximo puede cambiar la exposición y una interacción posterior puede prolongar consecuencias. La relevancia causal de cada componente debe formularse mediante un contraste: qué habría cambiado bajo una alternativa definida y en qué población o trayectoria. Una explicación que solo enumera factores de riesgo deja sin especificar esas relaciones. Tampoco basta ordenarlos cronológicamente; que un acontecimiento anteceda a un resultado no demuestra que lo haya causado.

Kendler (2005) defiende una perspectiva explicativa pluralista para la psiquiatría. Se trata de un argumento conceptual sobre cómo integrar perspectivas, no de una prueba de que cualquier combinación de niveles explique un caso. La pluralidad exige relaciones y evidencia, no una lista abierta de influencias. En el ejemplo, la historia de pérdida, las conductas actuales y las condiciones de acceso se examinan por sus posibles funciones temporales. Mantener varias hipótesis evita reducir el problema a una sola narración, pero también obliga a precisar qué observación podría hacerlas menos plausibles.

Una línea temporal que conserva funciones distintas

Se reconstruyen momentos relevantes: condiciones previas, acontecimiento próximo al inicio, primeras modificaciones de actividades y situación actual. La reconstrucción separa lo recordado por la persona, lo documentado en registros y lo inferido por el equipo. No existe una jerarquía simple en la que el registro siempre sea correcto y el relato siempre incierto; ambos tienen alcances y posibles errores. Un registro puede fechar una consulta sin captar cuándo comenzó una dificultad. El relato puede aportar significado y secuencia, aunque la datación exacta sea imprecisa. La integración debe conservar esas diferencias de fuente.

Una hipótesis inicial propone que la pérdida alteró horarios y redujo actividades compartidas. Después, la fatiga dificultó sostener actividades y esa reducción contribuyó a un sueño menos regular. Otra hipótesis propone una exposición persistente no reconocida, como una exigencia cotidiana que continúa afectando varios procesos. Una tercera sitúa parte de la persistencia en barreras de acceso a apoyo. Estas hipótesis pueden coexistir o competir según el contraste. La tarea consiste en identificar qué rutas proponen y qué resultados distintos anticipan cuando se modifica una condición concreta.

Una representación temporal puede escribir estados en momentos sucesivos para evitar un ciclo causal sin reloj. La dificultad de sueño de una semana puede influir en la actividad de la siguiente, y esta actividad puede afectar al sueño posterior. La realimentación aparece al recorrer varias etapas, no al afirmar que dos variables se causan simultáneamente sin especificación. El intervalo de observación debe permitir distinguir esas etapas. Si el mecanismo actúa en horas y se mide mensualmente, la secuencia estimada puede mezclar rutas y respuestas. La resolución temporal forma parte de la hipótesis causal.

Persistencia después de una perturbación: una demostración matemática

Un sistema de una variable permite mostrar que el desencadenante y las condiciones de persistencia pueden ser distintos. Se utiliza una ecuación determinista con dos estados estables y un estado inestable intermedio. La variable no representa un síntoma clínico ni tiene unidades psicométricas. Su signo identifica regiones de un espacio abstracto. La ecuación sin entrada externa es:

Los equilibrios se encuentran en menos uno, cero y uno. La derivada del campo vale uno menos tres veces el cuadrado del estado. En los extremos es negativa y las perturbaciones pequeñas decaen; en cero es positiva y las perturbaciones se alejan. Por tanto, cero separa las dos cuencas de atracción en este sistema. Una perturbación instantánea que lleve el estado desde menos uno hasta un valor positivo puede cambiar su destino a largo plazo. Después de la perturbación, la ecuación vuelve a ser exactamente la misma y no requiere una entrada sostenida para converger al equilibrio positivo.

import numpy as np
import math

def drift(x, a=1.0):
    return a*x-x**3

def integrate(x0, duration=10.0, dt=0.001, a=1.0):
    steps = int(round(duration/dt))
    x = float(x0)
    for _ in range(steps):
        x += dt*drift(x, a)
    return x

assert np.allclose([drift(-1), drift(0), drift(1)], [0, 0, 0])
assert np.allclose([1-3*x*x for x in [-1, 0, 1]], [-2, 1, -2])
small_pulse_final = integrate(-1+0.9)
large_pulse_final = integrate(-1+1.4)
assert small_pulse_final < -0.999
assert large_pulse_final > 0.999
assert abs(integrate(0.4, dt=0.0005)-large_pulse_final) < 1e-5
print(small_pulse_final, large_pulse_final)

La perturbación pequeña deja al sistema en la cuenca negativa y el estado regresa hacia menos uno. La mayor lo sitúa en la cuenca positiva y converge hacia uno. El evento que produjo el desplazamiento ya terminó. La persistencia procede de la dinámica posterior y de la posición alcanzada. Esta demostración establece una posibilidad matemática, no la existencia de dos atractores en un trastorno ni la presencia de un umbral clínico. Para defender esa interpretación serían necesarias mediciones, modelos alternativos y evidencia capaz de distinguirla de otras fuentes de persistencia.

La desaparición del desencadenante tampoco garantiza que el sistema regrese por el mismo camino. En el ejemplo, retirar una entrada que ya cesó no cambia el estado. Habría que alterar el estado actual o la dinámica. Esta diferencia ayuda a formular preguntas de mantenimiento: qué proceso sigue activo y qué modificación tendría consecuencias ahora. Sin embargo, no permite inferir que una intervención sobre cualquier variable actual sea efectiva. La variable del modelo es abstracta y las acciones reales pueden afectar varios procesos, tener límites y producir consecuencias no representadas.

Cambiar la dinámica y cambiar el estado son operaciones diferentes

Una intervención ideal puede modificar el estado sin alterar las reglas, o modificar un parámetro de las reglas. En la ecuación anterior se introduce un coeficiente que multiplica el término lineal. Cuando ese coeficiente es negativo, el único equilibrio real es cero y resulta estable. Un estado inicialmente positivo decae hacia él. Esta operación elimina la estructura de dos equilibrios estables del ejemplo; no consiste en retirar el pulso inicial. Las dos intervenciones responden a mecanismos distintos y no deberían confundirse al interpretar una trayectoria.

changed_dynamics = integrate(1.0, duration=10.0, a=-0.5)
assert 0 < changed_dynamics < 0.005
unchanged_dynamics = integrate(1.0, duration=10.0, a=1.0)
assert math.isclose(unchanged_dynamics, 1.0)
print(changed_dynamics, unchanged_dynamics)

El ejemplo obliga a especificar qué se supone que hace una intervención. Reducir temporalmente una medida puede desplazar un estado sin cambiar las condiciones que lo atraen de nuevo. Modificar una interacción podría cambiar la persistencia de futuras perturbaciones. En datos clínicos, ambas situaciones pueden producir una mejoría inicial semejante. Para separarlas interesa observar qué ocurre después, bajo condiciones relevantes, y disponer de una comparación que permita atribuir diferencias. Una mejoría transitoria no demuestra por sí sola un cambio de mecanismo; una recaída tampoco demuestra que no hubiera beneficio durante el intervalo.

Borsboom (2017) propone, en su teoría de redes de trastornos mentales, que interacciones entre síntomas pueden mantener actividad después de desaparecer una activación inicial. El artículo presenta una teoría y perspectivas de investigación, no una validación universal de mecanismos individuales ni una regla clínica de selección de tratamiento. La ecuación de este capítulo ilustra una posibilidad relacionada con persistencia y cuencas de atracción, pero no reproduce una red empírica ni prueba esa teoría. La distinción entre posibilidad formal, propuesta explicativa y evidencia clínica evita que una simulación se convierta en una confirmación por semejanza narrativa.

Una hipótesis de mantenimiento debe especificar una acción

En el caso, se propone que la dificultad para retomar actividades compartidas contribuye a la persistencia del malestar. «La actividad mantiene el problema» es una formulación demasiado amplia. Debe precisarse qué actividad, qué modificación sería factible, durante cuánto tiempo y frente a qué alternativa. También hay que describir qué resultado se espera cambiar y cuándo. Una intervención que facilita transporte, otra que reorganiza horarios y otra que ofrece apoyo para una actividad pueden aumentar una misma medida, pero operar mediante mecanismos distintos. No son versiones automáticamente intercambiables.

Una comparación evaluable podría preguntar por el efecto de ofrecer una modalidad definida de apoyo para recuperar una actividad elegida, frente a una alternativa de atención especificada, durante un periodo determinado. La población se define por criterios observables y el resultado incluye tanto funcionamiento pertinente como posibles cargas. Esta formulación no presupone que la hipótesis de mantenimiento sea cierta. La convierte en una pregunta que puede recibir una respuesta desfavorable o incierta. Además, separa el efecto de ofrecer una estrategia del efecto de completarla, dos cantidades que requieren análisis distintos.

Hernán y Robins (2016) proponen explicitar el ensayo objetivo que se querría emular al utilizar datos observacionales. Entre sus componentes están elegibilidad, estrategias, asignación, seguimiento, resultados, contraste causal y plan de análisis. Esta estructura permite detectar que una pregunta aparentemente clínica todavía carece de tiempo cero o comparador. En el caso, el comienzo del seguimiento debe coincidir con el momento en que se cumplen criterios y se decide la estrategia. Clasificar a las personas por una acción que solo se conocerá semanas después puede introducir sesgos temporales y cambiar la comparación.

La hipótesis sobre el origen podría seguir siendo relevante, aunque no sea modificable retrospectivamente. Puede explicar por qué ciertas condiciones adquirieron significado o por qué una intervención resulta aceptable. Pero una historia causal plausible no determina el efecto de una acción actual. Una intervención puede ser útil sin revertir el acontecimiento inicial, y una explicación histórica correcta puede ofrecer poca orientación sobre qué hacer ahora. Mantener ambas preguntas evita exigir que toda ayuda se dirija a una causa originaria única y evita descartar la historia por no ser directamente manipulable.

Una asociación de tratamiento puede tener el signo equivocado

Supóngase que una estrategia se ofrece con mayor frecuencia a personas con mayor dificultad inicial. Se construyen dos estratos de riesgo, bajo y alto, y se fijan probabilidades sintéticas de persistencia del problema. Sin la estrategia, los riesgos son dos y ocho décimas; con ella, una y siete décimas. Dentro de cada estrato, la estrategia reduce el riesgo en una décima. Sin embargo, ocho de cada diez personas que la reciben pertenecen al estrato alto, mientras que solo dos de cada diez del grupo comparador pertenecen a ese estrato. La composición de los grupos difiere antes de considerar resultados.

El riesgo agregado entre quienes reciben la estrategia es cincuenta y ocho centésimas; entre quienes no la reciben es treinta y dos centésimas. Una comparación sin ajuste sugeriría que recibirla se asocia con mayor persistencia, pese a que el generador especificado incluye un beneficio en ambos estratos. La diferencia se debe a la asignación según dificultad inicial. En un registro real, observar el signo desfavorable no permitiría concluir que existe beneficio oculto: también podría haber daño o confusión adicional. El ejemplo demuestra que el signo de la asociación agregada no determina el signo del efecto causal.

risk_without = np.array([0.2, 0.8])
risk_with = np.array([0.1, 0.7])
composition_with = np.array([0.2, 0.8])
composition_without = np.array([0.8, 0.2])
observed_with = float(composition_with @ risk_with)
observed_without = float(composition_without @ risk_without)
assert math.isclose(observed_with, 0.58)
assert math.isclose(observed_without, 0.32)
assert np.allclose(risk_with-risk_without, [-0.1, -0.1])
print(observed_with, observed_without, observed_with-observed_without)

Si ambos grupos se estandarizan a una población con mitad de personas en cada estrato, los riesgos son cuatro y cinco décimas, respectivamente. La diferencia es menos una décima, coherente con el generador. Esta operación recupera el efecto porque el ejemplo supone que el estrato observado basta para controlar confusión y que las probabilidades condicionales son conocidas. En una aplicación, tales condiciones deben defenderse. Una variable resumida de gravedad puede no recoger todos los motivos de asignación ni otras diferencias pronósticas. Ajustar por una puntuación no garantiza intercambiabilidad.

target_composition = np.array([0.5, 0.5])
standardized_with = float(target_composition @ risk_with)
standardized_without = float(target_composition @ risk_without)
assert math.isclose(standardized_with, 0.4)
assert math.isclose(standardized_without, 0.5)
assert math.isclose(standardized_with-standardized_without, -0.1)
print(standardized_with, standardized_without)

La expresión de estandarización requiere consistencia entre la estrategia definida y lo observado, comparabilidad condicional suficiente y posibilidad de observar ambas estrategias en los estratos relevantes. Si ciertas personas reciben siempre una opción, los datos no informan directamente qué habría ocurrido bajo la otra en ese grupo. Un modelo puede extrapolar, pero esa extrapolación no se convierte en información observada. La definición de una hipótesis de mantenimiento debe acompañarse de una evaluación de si los datos permiten contrastarla. La precisión de una estimación no corrige una ausencia estructural de comparación.

La historia del tratamiento modifica la historia del problema

En una trayectoria real, la dificultad actual puede influir en la siguiente decisión y haber sido modificada por decisiones previas. Por ejemplo, una acción inicial cambia actividad y sueño; estas variables influyen después en la intensificación del apoyo y también en el resultado final. La variable intermedia funciona a la vez como consecuencia de una acción anterior y como factor de asignación posterior. Ajustarla de manera convencional puede bloquear parte del efecto que interesa o introducir sesgos según la estructura. Ignorarla también puede dejar confusión de la decisión posterior. La dificultad es temporal y causal, no una simple falta de variables.

Hernán y Robins describen que los contrastes de estrategias sostenidas pueden requerir métodos longitudinales que traten esa estructura, como procedimientos de la familia de métodos g. La elección concreta depende del estimando, de la medición y de los supuestos. Nombrar un método no resuelve la identificabilidad ni garantiza que los registros contengan los factores necesarios. En un protocolo debe explicarse qué historias determinan la estrategia, qué covariables cambian y cómo se registran. La secuencia de decisiones debe ser suficientemente explícita para distinguir el efecto de iniciar una acción del de sostener una regla de atención.

La adherencia también puede ser parte del proceso que se quiere explicar. Si una carga dificulta continuar, excluir a quienes interrumpen puede eliminar precisamente una consecuencia importante de la estrategia. El análisis por quienes completan responde a una pregunta diferente y puede introducir selección. Para evaluar una oferta de apoyo interesa saber qué ocurre después de ofrecerla, incluidos cambios y dificultades de implementación, según el contraste definido. Para evaluar seguimiento sostenido se necesitan otras condiciones y ajustes. Ninguna de las dos preguntas es universalmente superior; deben formularse antes de elegir el análisis.

Los cambios espontáneos y las respuestas a intervenciones previas pueden alterar el papel de un factor. Una conducta inicialmente protectora, como reducir actividad durante un periodo agudo, podría tener otras consecuencias si se prolonga en un contexto distinto. Esta posibilidad no autoriza a reinterpretar cualquier persistencia como un mecanismo desadaptativo. Requiere describir duración, función y circunstancias, y contrastar alternativas. El significado causal de una conducta depende de lo que cambia respecto de una opción definida, no de una etiqueta positiva o negativa asignada fuera de la trayectoria.

Mediación y mantenimiento no son sinónimos

Una variable puede mediar parte del efecto de una exposición inicial sin ser un objetivo interventivo suficiente en el presente. Supóngase que un acontecimiento modifica el sueño y el sueño contribuye a una alteración posterior de actividad. El sueño participa en una ruta histórica. Meses después, otras condiciones podrían mantener la dificultad aunque el sueño haya cambiado. A la inversa, una variable actualmente modificable puede influir en persistencia sin haber mediado el inicio. La distinción evita inferir relevancia terapéutica actual solo porque una variable aparece en una explicación del origen.

Estimar mediación también exige supuestos adicionales. Comparar coeficientes antes y después de incluir una variable intermedia no identifica automáticamente cuánto efecto pasa por ella. Puede haber confusión entre mediador y resultado, errores de medición o factores afectados por la exposición que influyen en ambos. Además, intervenir sobre una variable mediante distintos procedimientos puede producir efectos diferentes. La pregunta útil debe describir una acción concreta sobre el proceso, no simplemente imaginar que una puntuación adopta otro valor manteniendo todo lo demás inalterado cuando eso no es físicamente o clínicamente posible.

Una hipótesis de mantenimiento se fortalece cuando anticipa consecuencias de modificaciones factibles y cuando esas consecuencias se contrastan con un diseño adecuado. Puede proponer, por ejemplo, que reducir una barrera de acceso alterará la duración de una interrupción y, mediante esa vía, una trayectoria funcional. El primer efecto y el segundo requieren evidencia separable. Si se reduce la barrera pero no cambia el resultado funcional, puede fallar el puente propuesto, el tiempo de seguimiento o la sensibilidad de la medición. La explicación debe especificar qué interpretación corresponde a cada patrón, evitando rescatarse con cualquier desenlace.

Diferenciar exposición persistente y realimentación

La persistencia después de un acontecimiento puede deberse a una exposición que continúa actuando, a realimentación interna, a una recuperación lenta o a una combinación. Una serie que permanece elevada no distingue esas posibilidades. En el sistema matemático, la persistencia positiva procede de una cuenca de atracción; en otro sistema lineal, una entrada constante podría producir un nivel igualmente sostenido. Si la entrada no se mide, ambos pueden parecer semejantes durante un intervalo limitado. El análisis debe comparar mecanismos que generen patrones observables similares y buscar condiciones en las que sus predicciones diverjan.

Considérese una recuperación lineal lenta hacia cero. Con una tasa pequeña, el estado puede permanecer elevado durante semanas sin que existan dos equilibrios estables. La solución es una exponencial decreciente. Un registro corto y ruidoso puede confundir ese descenso con una meseta. Atribuir la persistencia a un atractor requiere evidencia adicional sobre respuesta a perturbaciones, forma de la dinámica o historia de transiciones. La explicación más elaborada no se justifica solo porque el curso sea prolongado. Una tasa de recuperación pequeña puede ser suficiente para responder algunas preguntas.

times = np.array([0., 1., 2., 4., 8.])
slow_recovery = np.exp(-0.05*times)
assert np.all(np.diff(slow_recovery) < 0)
assert slow_recovery[-1] > 0.6
assert math.isclose(float(np.exp(-0.05*100)), math.exp(-5))
print(slow_recovery)

La cuenta muestra un descenso continuo que conserva más de seis décimas del valor inicial al cabo de ocho unidades temporales. El sistema acabará aproximándose a cero, pero una ventana limitada no revela necesariamente ese destino. La duración de observación debe relacionarse con las escalas del proceso que se pretende inferir. Si no se observan transiciones ni perturbaciones informativas, puede ser imposible discriminar modelos con los datos disponibles. Reconocer esa limitación evita convertir vocabulario dinámico en una explicación que excede la evidencia.

Interacción causal y cambio de función de un factor

Un factor puede tener consecuencias distintas según otra condición presente. Considérese un resultado binario a un horizonte fijo y dos exposiciones hipotéticamente manipulables. Se fijan riesgos de una décima cuando ambas están ausentes, dos décimas cuando aparece cualquiera por separado y cinco décimas cuando aparecen juntas. La diferencia de riesgos asociada a la segunda exposición es una décima sin la primera y tres décimas con ella. Existe interacción en la escala aditiva del riesgo. Esta afirmación describe una comparación entre cuatro distribuciones contrafactuales especificadas; no equivale todavía a demostrar un mecanismo molecular, psicológico o social particular.

risks = {(0,0):0.1, (1,0):0.2, (0,1):0.2, (1,1):0.5}
effect_b_without_a = risks[0,1]-risks[0,0]
effect_b_with_a = risks[1,1]-risks[1,0]
additive_interaction = effect_b_with_a-effect_b_without_a
assert math.isclose(effect_b_without_a, 0.1)
assert math.isclose(effect_b_with_a, 0.3)
assert math.isclose(additive_interaction, 0.2)
print(effect_b_without_a, effect_b_with_a, additive_interaction)

La escala debe declararse porque una ausencia de interacción en una escala puede coexistir con interacción en otra. Además, estimar una interacción causal requiere identificar las comparaciones conjuntas, con suficiente información en las combinaciones relevantes. Un término de producto en una regresión no garantiza esa interpretación. Puede describir una dependencia estadística condicionada al modelo y a su enlace. La traducción hacia mecanismos exige razonamiento adicional y evidencia. En el caso, la posibilidad de que una barrera de acceso tenga mayor efecto cuando disminuye el apoyo cotidiano constituye una hipótesis concreta, no una conclusión derivada de observar dos dificultades simultáneas.

Esta estructura ayuda a comprender por qué un factor históricamente relevante puede cambiar de función. Una condición previa puede no producir por sí sola una transición, pero modificar el efecto de un acontecimiento posterior. Después del inicio, otra interacción puede adquirir relevancia porque cambió el estado de la persona o su entorno. La explicación temporal debe representar esas dependencias, en lugar de asignar a cada factor una etiqueta causal permanente. La misma exposición puede ser poco importante para una fase y decisiva para otra, sin que ello implique una contradicción si las comparaciones están bien definidas.

También hay que distinguir una interacción entre causas de una interacción entre mediciones. Dos indicadores pueden parecer reforzarse porque ambos contienen preguntas semejantes o porque una misma persona los informa en el mismo contexto. Si una medida de actividad incorpora cansancio y otra mide fatiga, parte de su asociación puede proceder de solapamiento conceptual. Un modelo de mantenimiento necesita variables que permitan separar procesos propuestos. Revisar el contenido de las mediciones puede ser más útil que añadir parámetros a una red construida con indicadores redundantes.

Una observación discriminante sin manipulación innecesaria

Para distinguir una exposición persistente de una recuperación lenta, pueden aprovecharse cambios que ocurren de manera natural y están bien documentados, siempre reconociendo sus limitaciones causales. Si una exigencia cotidiana termina y el resultado cambia después con un retardo compatible, aparece información relevante. Sin embargo, el fin de esa exigencia puede coincidir con otros cambios. La observación debe registrar esas alternativas y evitar seleccionar retrospectivamente solo el momento que favorece la hipótesis. Un análisis temporal definido de antemano puede mejorar la claridad, aunque no convierta una transición natural en una asignación aleatoria.

No es necesario provocar de nuevo una dificultad para comprobar si el sistema retorna al estado previo. Una demostración matemática puede explorar perturbaciones que serían inadmisibles o innecesarias en personas. En la investigación clínica, la factibilidad y la aceptabilidad de una comparación delimitan qué preguntas pueden evaluarse y mediante qué diseño. Si un mecanismo solo parece verificable mediante una manipulación injustificada, corresponde buscar evidencia alternativa o mantener la conclusión como incierta. La elegancia de una prueba formal no crea una obligación de reproducirla en la práctica.

El calendario de medición debe incluir el tiempo esperado entre modificación y consecuencia. Si el mecanismo propuesto opera mediante reorganización de actividades, una evaluación inmediatamente posterior puede ser demasiado temprana para observar el resultado. Si el efecto adverso puede aparecer pronto, esperar al final del periodo puede omitir información importante. El diseño puede combinar observaciones breves y resultados más espaciados, con una carga proporcionada. La selección de tiempos deriva de la hipótesis y del cuidado de quienes participan, no de una preferencia genérica por series más densas.

Un resultado nulo necesita una interpretación delimitada. Puede indicar que la modificación no cambió el proceso objetivo, que el proceso cambió sin afectar al resultado o que el estudio carecía de precisión suficiente. Medir implementación y variables intermedias pertinentes ayuda a distinguir esas situaciones, aunque no resuelva por sí solo mediación causal. El informe debe separar el efecto de ofrecer la estrategia de la comprobación de que se produjo la modificación prevista. Así se evita concluir que una hipótesis de mantenimiento fue refutada cuando la intervención no alteró realmente la condición que pretendía evaluar.

La revisión final puede mantener varias explicaciones parcialmente apoyadas. Una exposición puede explicar el inicio, una recuperación lenta parte de la persistencia y una barrera actual algunas diferencias de evolución. La coexistencia no obliga a reunirlas en un modelo con todos los componentes posibles. Se conserva el conjunto mínimo que permita responder a las preguntas y describir los límites. Cuando una comparación no puede identificarse con los datos disponibles, se registra como tal. Esa disciplina protege tanto el significado de la historia clínica como el alcance de las afirmaciones causales que se construyen a partir de ella.

Resolución del caso y límites de atribución individual

La reconstrucción del caso conserva la pérdida como acontecimiento relevante para el inicio, sin afirmar que sea una causa única suficiente. Se identifican posibles condiciones actuales: irregularidad de actividades, barreras de acceso y una exposición cotidiana persistente. Cada hipótesis se transforma en una pregunta sobre una comparación concreta. La prioridad se decide considerando consecuencias, viabilidad y preferencias, además de la plausibilidad mecanística. No se exige resolver toda la etiología antes de atender, pero tampoco se presenta una acción elegida como prueba de la explicación que la motivó.

El seguimiento registra resultados pertinentes y el calendario de cambios. Si mejora la trayectoria después de reducir una barrera, el resultado es compatible con la hipótesis, pero no basta para atribuir el efecto sin comparación y supuestos. La evidencia individual puede orientar la atención y generar preguntas. Una afirmación general sobre mecanismos requiere un diseño que examine alternativas y variación entre personas. Mantener esa diferencia permite aprender de la experiencia sin exagerar lo que demuestra un caso ni desestimar su valor para comprender necesidades concretas.

Una formulación causal responsable también evita convertir la búsqueda de mantenimiento en atribución de culpa. Que una conducta participe en una interacción no implica elección libre, responsabilidad moral ni facilidad para cambiarla. Las condiciones materiales, las oportunidades y los efectos de otras acciones pueden limitar alternativas. La explicación debe describir procesos y restricciones sin transformar una relación causal hipotética en un juicio sobre la persona. Del mismo modo, reconocer un origen histórico no determina qué significado debería darle quien lo vivió. La experiencia y la inferencia causal se relacionan, pero no son sustitutos mutuos.

La resolución deja un mapa temporal de hipótesis y un contraste interventivo definido. El origen responde a cómo comenzó la trayectoria; la precipitación sitúa cambios próximos a una transición; el mantenimiento pregunta qué condiciones actuales sostienen o modifican su curso. Las funciones pueden superponerse y cambiar. La distinción es útil porque permite seleccionar observaciones y acciones sin exigir una causa originaria universal. También permite abandonar una hipótesis de realimentación cuando una exposición persistente o una recuperación lenta explican mejor los datos, manteniendo la pregunta clínica que motivó el análisis.

Referencias

Borsboom, D. (2017). A network theory of mental disorders. World Psychiatry, 16(1), 5–13. https://doi.org/10.1002/wps.20375

Hernán, M. A., y Robins, J. M. (2016). Using Big Data to Emulate a Target Trial When a Randomized Trial Is Not Available. American Journal of Epidemiology, 183(8), 758–764. https://doi.org/10.1093/aje/kwv254

Kendler, K. S. (2005). Toward a Philosophical Structure for Psychiatry. American Journal of Psychiatry, 162(3), 433–440. https://doi.org/10.1176/appi.ajp.162.3.433