Comorbilidad: causas compartidas, solapamiento y relaciones entre síntomas

448.1. Una coocurrencia necesita una explicación

La presencia conjunta de dos conjuntos de dificultades admite explicaciones diferentes. Pueden depender de condiciones antecedentes comunes, incluir indicadores semejantes o vincularse porque las consecuencias de un síntoma favorecen otro. También pueden coexistir solo dentro de una muestra, porque la forma de reclutar a las personas privilegió a quienes tenían alguno de ellos. Describir la asociación es un primer resultado; explicar cómo se produce exige información que la descripción no contiene.

El término comorbilidad suele aplicarse a diagnósticos, aunque el mecanismo puede operar en otro nivel. Una alteración del sueño puede figurar entre los criterios de varios cuadros, una condición contextual puede influir en experiencias diversas y una dificultad puede modificar conductas que después afectan a otra. Conviene precisar si las variables representan etiquetas diagnósticas, síntomas, experiencias o condiciones externas, porque cada nivel admite operaciones distintas.

Cramer, Waldorp, van der Maas y Borsboom (2010) propusieron una perspectiva de redes sobre la comorbilidad. Frente a la tradición que trata cada trastorno como variable latente causante de sus síntomas, plantearon que la coocurrencia puede surgir de relaciones directas entre síntomas de distintos cuadros. A partir de una red empírica de síntomas de depresión mayor y ansiedad generalizada, sostuvieron que algunas vías entre ambos son más probables que otras, que los síntomas compartidos por los dos criterios cumplen un papel importante y que las fronteras diagnósticas son necesariamente difusas. La propuesta, formulada como generadora de hipótesis, no establece que toda comorbilidad derive de transmisión entre síntomas ni que una asociación transversal identifique esa transmisión.

El capítulo compara tres generadores sintéticos que producen la misma distribución observada y examina después las medidas de conexión entre comunidades de una red. El objetivo es comprender qué información aporta cada representación y qué observaciones permitirían distinguir explicaciones que, con datos limitados, resultan equivalentes. Todos los números proceden de modelos didácticos.

448.2. Qué contiene una tabla de coocurrencia

Sean dos indicadores binarios, denominados A y B. Por ahora solo representan presencia o ausencia de dos resultados; su significado clínico se definirá al considerar cada mecanismo. La distribución conjunta elegida es

Cada indicador aparece en la mitad de las observaciones. La presencia conjunta ocurre con probabilidad 0,34, superior al producto de las probabilidades marginales, que sería 0,25 bajo independencia. Existe, por tanto, una asociación positiva.

El coeficiente phi, que es la correlación de Pearson entre dos variables binarias, vale 0,36. La probabilidad de B cuando A está presente es 0,68, frente a 0,32 cuando A está ausente. Ninguna de estas cantidades contiene por sí sola una dirección causal, pues todas se calculan a partir de las mismas cuatro celdas.

Si la tabla procediera de una población, describiría diferencias entre unidades observadas. No mostraría cómo cambia una persona al pasar de A ausente a A presente, transición que podría depender de su historia, de condiciones anteriores y de cambios simultáneos que la tabla no registra.

La definición de los indicadores tampoco es secundaria. Si A y B son diagnósticos construidos con criterios parcialmente compartidos, parte de la asociación puede surgir de su regla de clasificación. Si son experiencias distintas medidas directamente, la explicación debe considerar otros mecanismos. El mismo cálculo estadístico puede corresponder a objetos sustantivos diferentes.

448.3. Primer generador: una causa compartida

Se introduce una variable binaria H, presente con probabilidad de una mitad. Cuando H está presente, A y B aparecen cada uno con probabilidad 0,8; cuando está ausente, con probabilidad 0,2. Condicionados a H, los dos indicadores son independientes.

La probabilidad conjunta de presencia se obtiene sumando los dos estratos:

De manera análoga se calculan las otras celdas. La asociación aparece porque ambos indicadores son más frecuentes en el mismo estrato, sin que ninguno cause al otro dentro del generador. H podría representar una condición antecedente en una aplicación hipotética, pero aquí carece de identidad clínica asignada.

La construcción precisa qué significa controlar una causa común. Si H se observara sin error y el modelo fuese correcto, A y B serían independientes dentro de cada valor de H. Con una medida incompleta o ruidosa de esa condición podría persistir una asociación residual, lo que en epidemiología se denomina confusión residual, sin que ello demostrara una relación directa.

Reducir las causas compartidas a una variable binaria es una simplificación útil para el cálculo, no una afirmación sobre la estructura habitual de los problemas clínicos. El ejemplo demuestra suficiencia, ya que una causa común basta para generar la tabla, sin demostrar que sea la explicación verdadera de cualquier tabla semejante.

El punto afecta directamente a los modelos de red. Hallquist, Wright y Molenaar (2021) mostraron mediante simulaciones que, si los datos contienen variables latentes no modeladas, la cercanía y la intermediación de una red de síntomas son vulnerables a covarianzas espurias entre síntomas que conectan subgrafos, y que la fuerza de un nodo resulta en varios casos redundante con su carga factorial. Recomendaron examinar esa posibilidad antes de interpretar patrones sintomáticos.

448.4. Segundo generador: una relación dirigida

En el segundo modelo, A aparece con probabilidad de una mitad. La probabilidad de B es 0,68 cuando A está presente y 0,32 cuando está ausente. Se estipula que esta dependencia corresponde a una flecha causal desde A hacia B, sin confusión adicional.

La presencia conjunta tiene entonces probabilidad de una mitad multiplicada por 0,68, igual a 0,34. Las otras celdas también coinciden exactamente con las del primer modelo, de modo que la distribución observacional no permite distinguir los dos generadores.

La diferencia aparece al definir una intervención, que suele escribirse con el operador do. Si se pudiera fijar A en ausencia sin alterar otras ecuaciones, el segundo modelo predeciría para B una probabilidad de 0,32. En el primero, fijar A no modificaría H y la probabilidad marginal de B seguiría siendo 0,5. Datos observacionales idénticos dan lugar a predicciones intervencionales distintas, y esa divergencia es lo que vuelve contrastables los modelos cuando existe una manipulación bien definida.

La comparación solo resulta interpretable cuando A corresponde a algo sobre lo que puede definirse una operación causal. Cambiar una etiqueta diagnóstica en una base de datos no equivale a eliminar las experiencias que la sustentan. Si A es una clasificación, habría que modelar sus componentes antes de trasladar el cálculo a una intervención clínica.

Incluso cuando A representa una experiencia concreta, una intervención real puede modificar también otras variables. El contraste ideal mantiene intactas las demás ecuaciones, mientras una acción clínica suele actuar por varias vías. Esa diferencia impide equiparar la operación matemática con cualquier procedimiento que reduzca una puntuación.

448.5. Tercer generador: un indicador compartido

Se construyen ahora dos clasificaciones mediante un indicador común Z y dos indicadores exclusivos, U y V. La clasificación A está presente si aparece Z o U; B está presente si aparece Z o V. Las tres variables de base son independientes y tienen probabilidades

La probabilidad de que ambas clasificaciones estén ausentes es

La probabilidad de que solo una esté presente es 0,16 y la presencia conjunta vuelve a ser 0,34. La tabla coincide con las anteriores, aunque no hay una relación dirigida entre A y B ni una causa latente que afecte probabilísticamente a dos indicadores distintos. Existe una regla de clasificación que reutiliza un componente.

El ejemplo exagera deliberadamente la simplicidad de los criterios para aislar el efecto del solapamiento. Los diagnósticos reales exigen combinaciones de síntomas, umbrales de duración y criterios de exclusión. La conclusión válida es que compartir componentes puede contribuir a la asociación entre clasificaciones; su magnitud concreta tiene que calcularse con las reglas efectivas. A este tipo de superposición se refiere la observación de Cramer y colaboradores (2010) sobre los síntomas compartidos entre depresión mayor y ansiedad generalizada.

Eliminar Z del registro reduciría ambas clasificaciones, pero borrar su codificación no eliminaría la experiencia correspondiente. Una intervención sobre esa experiencia podría tener valor propio y cambiar varias puntuaciones a la vez. Ese cambio simultáneo no demostraría que una clasificación haya causado la mejoría de la otra.

448.6. Comprobación exacta de los tres generadores

import numpy as np
from itertools import product

common = np.zeros((2, 2))
directed = np.zeros((2, 2))
overlap = np.zeros((2, 2))
for h, a, b in product([0, 1], repeat=3):
    p = 0.8 if h else 0.2
    common[a, b] += 0.5*(p if a else 1-p)*(p if b else 1-p)
for a, b in product([0, 1], repeat=2):
    p = 0.68 if a else 0.32
    directed[a, b] = 0.5*(p if b else 1-p)
for z, u, v in product([0, 1], repeat=3):
    pz, pu = 9/34, 0.32
    probability = ((pz if z else 1-pz)
                   *(pu if u else 1-pu)*(pu if v else 1-pu))
    overlap[int(z or u), int(z or v)] += probability
expected = np.array([[0.34, 0.16], [0.16, 0.34]])
for joint in [common, directed, overlap]:
    assert np.allclose(joint, expected)
    assert np.isclose(joint.sum(), 1.0)
correlation = (common[1, 1]-0.5**2)/0.25
assert np.isclose(correlation, 0.36)
print('tabla comun', common)
print('correlacion', round(correlation, 6))
print('B bajo do(A=0): causa comun, dirigido', 0.5, 0.32)

W = np.zeros((6, 6))
for group in [[0, 1, 2], [3, 4, 5]]:
    for i, j in product(group, repeat=2):
        if i != j:
            W[i, j] = 0.5
W[2, 3] = W[3, 2] = 0.4
W[2, 4] = W[4, 2] = -0.3
community = np.array([0, 0, 0, 1, 1, 1])
cross = community[:, None] != community[None, :]
bridge_strength = (np.abs(W)*cross).sum(axis=1)
bridge_expected = (W*cross).sum(axis=1)
assert np.allclose(bridge_strength, [0, 0, 0.7, 0.4, 0.3, 0])
assert np.allclose(bridge_expected, [0, 0, 0.1, 0.4, -0.3, 0])
print('fuerza puente', bridge_strength)
print('influencia esperada puente, un paso', bridge_expected)

La enumeración recorre todas las configuraciones posibles, sin muestra aleatoria, de modo que la igualdad entre tablas no depende del tamaño de una simulación ni de otra cosa que la precisión decimal del ordenador.

Dos detalles requieren precisión. La fórmula de la correlación coincide con phi solo porque ambas marginales valen 0,5, lo que reduce el denominador general a 0,25. La línea que imprime las probabilidades de B bajo intervención escribe 0,5 y 0,32 sin calcularlos; el bloque complementario de la sección 448.8 los obtiene de cada generador.

La segunda parte del código construye una red diferente, destinada al análisis de conexiones entre comunidades, cuyos pesos no se estiman a partir de las tablas binarias. Mantener separados ambos ejercicios evita atribuir a una misma fuente datos definidos para preguntas distintas.

448.7. Una muestra hipotética y su verosimilitud

Supóngase una muestra sintética de mil observaciones cuya tabla contiene exactamente las frecuencias esperadas, trescientas cuarenta en cada celda diagonal y ciento sesenta en cada celda restante. La razón de posibilidades cruzada es

Esta razón expresa asociación positiva en otra escala que la correlación y tampoco identifica dirección causal. Los tres generadores producen el mismo valor porque comparten las probabilidades que entran en el cálculo.

La verosimilitud multinomial de la tabla depende del producto de cada probabilidad elevada a su frecuencia, además de un factor combinatorio común. Cualquiera de los generadores da el mismo resultado; la parte logarítmica que depende de las probabilidades vale cerca de −1320,02 en todos. Ningún criterio basado solo en esa verosimilitud puede preferir uno por mejor ajuste.

Un criterio que penalice complejidad incorporaría una regla ajena a los datos, cuyo resultado depende de cómo se parametrice cada familia de modelos; no convierte una equivalencia observacional en prueba del mecanismo elegido.

La equivalencia tiene un correlato general. Kruis y Maris (2016) demostraron que, para variables binarias, la distribución de un modelo de Ising, el modelo de red habitual para datos dicotómicos, puede reescribirse como un modelo de variables latentes de la teoría de respuesta al ítem y también como un modelo de colisionador, en el que causas independientes se asocian porque las observaciones se seleccionan según efectos comunes. Las tres representaciones asignan la misma probabilidad a cada patrón observado y los autores las consideran estadísticamente indistinguibles; elegir entre ellas exige argumentos o datos distintos de esa distribución.

Añadir información sobre H permitiría evaluar la independencia condicional del primer generador. Registrar Z, U y V permitiría comprobar las reglas del tercero, y observar una modificación definida de A contrastaría las predicciones del segundo. La ganancia procede del tipo de información, además de su cantidad. Reproducir muy bien una asociación no equivale a haber identificado su explicación, porque la comparación causal requiere condiciones bajo las cuales los modelos produzcan resultados diferentes.

448.8. Cambiar un componente y volver a clasificar

El generador de solapamiento permite calcular qué ocurre si una experiencia compartida deja de estar presente, manteniendo las probabilidades de los componentes exclusivos. Si Z se fija en ausencia, las clasificaciones dependen solo de U y V, ambas con probabilidad 0,32, y se vuelven independientes.

La probabilidad conjunta baja a 0,1024 y phi cae a cero. Es una reducción considerable, aunque no existe transmisión causal desde la clasificación A hacia la B; la operación actuó sobre un componente que entraba en ambas reglas. El ejemplo separa un cambio real en una experiencia común de una explicación basada en influencia entre diagnósticos.

Si se modifica exclusivamente U, A puede cambiar mientras B conserva su distribución, y el efecto depende de Z, que basta por sí solo para cumplir la regla. La ausencia de cambio categorial no demuestra ausencia de cambio en el componente exclusivo. El cálculo exacto agrega un resultado poco intuitivo. Con U fijado en ausencia, la prevalencia de A baja de 0,5 a 9/34, cerca de 0,26, mientras la de B sigue en 0,5, y phi sube de 0,36 a 0,6, porque A queda reducida a los casos con Z, que cumplen todos también B. Aliviar una clasificación puede aumentar la asociación medida entre ambas, de modo que reducir la frecuencia de un cuadro y reducir la comorbilidad expresada como correlación son resultados distintos.

El detalle ilustra también la pérdida de información por umbral, pues una experiencia puede mejorar sin que la clasificación cambie y una modificación pequeña cerca del criterio puede cambiar la etiqueta. Cuando la pregunta se refiere a mecanismos de mejoría conviene seguir componentes y resultados funcionales además de categorías.

Fijar Z en ausencia supone además una operación ideal sin efectos adicionales. Una intervención real dirigida a esa experiencia podría modificar también U, V o sus causas, y el cálculo sirve como referencia para precisar qué vía se propone.

La simetría de la tabla permite construir un cuarto generador dirigido en sentido inverso, con B como antecedente de A. Conserva todas las asociaciones y predice que, al modificar A, B mantiene su probabilidad marginal de 0,5. Ni siquiera aceptar que existe una relación dirigida resuelve su orientación con estos datos; la secuencia temporal y las operaciones disponibles deben aportar lo que falta.

El bloque siguiente calcula las probabilidades de B bajo intervención en tres generadores, comprueba el generador inverso y la log-verosimilitud, obtiene las consecuencias de fijar Z o U, el ejemplo de selección de la sección 448.13 y el cambio de partición de la sección 448.11.

import numpy as np
from itertools import product

def bern(p, x):
    return p if x else 1 - p

def phi(t):
    pa, pb = t[1].sum(), t[:, 1].sum()
    return (t[1, 1] - pa*pb)/np.sqrt(pa*(1-pa)*pb*(1-pb))

# P(B=1 | do(A=a)) en cada generador
do_common = [sum(0.5*bern(0.8 if h else 0.2, 1) for h in [0, 1])
             for a in [0, 1]]
do_directed = [0.32, 0.68]
do_reverse = [0.5, 0.5]
print('do(A=0), do(A=1):', do_common, do_directed, do_reverse)

reverse = np.zeros((2, 2))
for a, b in product([0, 1], repeat=2):
    reverse[a, b] = 0.5*bern(0.68 if b else 0.32, a)
assert np.allclose(reverse, [[0.34, 0.16], [0.16, 0.34]])
counts = np.array([[340, 160], [160, 340]])
print('phi', round(phi(reverse), 6),
      'log-verosimilitud', round((counts*np.log(reverse)).sum(), 4))

def overlap_table(pz, pu, pv):
    t = np.zeros((2, 2))
    for z, u, v in product([0, 1], repeat=3):
        t[int(z or u), int(z or v)] += bern(pz, z)*bern(pu, u)*bern(pv, v)
    return t
doZ0 = overlap_table(0.0, 0.32, 0.32)
doU0 = overlap_table(9/34, 0.0, 0.32)
assert np.isclose(doZ0[1, 1], 0.1024) and np.isclose(phi(doZ0), 0.0)
print('do(U=0): P(A)', round(doU0[1].sum(), 4),
      'P(B)', round(doU0[:, 1].sum(), 4), 'phi', round(phi(doU0), 4))

pop = np.full((2, 2), 0.25)          # A y B independientes
sel = pop.copy(); sel[0, 0] = 0; sel /= sel.sum()
print('seleccion: phi', round(phi(sel), 4))

W = np.zeros((6, 6))
for g in [[0, 1, 2], [3, 4, 5]]:
    for i, j in product(g, repeat=2):
        if i != j:
            W[i, j] = 0.5
W[2, 3] = W[3, 2] = 0.4
W[2, 4] = W[4, 2] = -0.3
for comm in [np.array([0, 0, 0, 1, 1, 1]), np.array([0, 0, 1, 1, 1, 1])]:
    cross = comm[:, None] != comm[None, :]
    print(comm, (np.abs(W)*cross).sum(1), (W*cross).sum(1))

La ejecución reproduce todos los valores citados en el texto, incluidas las probabilidades intervencionales de 0,5, 0,32 y 0,68 y el coeficiente de −0,5 de la muestra seleccionada.

448.9. Qué mide una conexión puente

Una red puede dividirse en comunidades definidas por teoría, criterios diagnósticos o un algoritmo. Una conexión puente une nodos asignados a comunidades diferentes, de modo que su carácter depende de los pesos de la red y de la partición elegida.

Jones, Ma y McNally (2021) propusieron cuatro estadísticos para identificar nodos puente: fuerza, intermediación, cercanía e influencia esperada puente. En redes simuladas recuperaron nodos puente conocidos con una sensibilidad promedio de 92,7 % y una especificidad de 84,9 %. En otra simulación modelaron el contagio entre conjuntos de síntomas y observaron que desactivar nodos según los estadísticos puente frenaba la propagación con más eficacia que hacerlo según la centralidad tradicional; después aplicaron los estadísticos a dieciocho redes empíricas publicadas. Esas evaluaciones no son ensayos clínicos y no demuestran beneficio de intervenir sobre un síntoma puente en una persona, porque el efecto de desactivar nodos depende de las reglas de propagación adoptadas.

La fuerza puente suma las magnitudes absolutas de las conexiones de un nodo con otras comunidades. La influencia esperada puente de un paso conserva los signos en esa suma. Deriva de la influencia esperada de Robinaugh, Millner y McNally (2016), quienes advirtieron que la fuerza convencional cuenta las conexiones negativas como positivas y puede igualar nodos cuyo efecto neto difiere.

Un comentario difundido como preprint mostró que ambas medidas equivalen a la suma, absoluta o con signo, de las cargas cruzadas de red, análogas a las cargas factoriales cruzadas (Christensen, Garrido y Golino, 2021). Una fuerza puente alta es compatible, por tanto, tanto con influencia causal como con medición multidimensional.

En la red sintética hay dos grupos de tres nodos con conexiones internas de peso 0,5. Entre grupos solo existen una conexión positiva de 0,4 y otra negativa de magnitud 0,3, ambas desde el tercer nodo del primer grupo, lo que permite ver cómo cambian las prioridades según se conserven o no los signos.

448.10. Resolver el ejemplo de centralidad puente

El tercer nodo del primer grupo tiene fuerza puente de 0,7, obtenida sumando ambas magnitudes. Su influencia esperada puente es 0,1 porque las conexiones tienen signos opuestos. El primer nodo del segundo grupo tiene valor 0,4 en ambas medidas; el segundo tiene fuerza 0,3 e influencia esperada de −0,3.

El nodo con mayor fuerza no tiene la mayor suma con signo. La discrepancia no es un error, ya que una medida ignora la dirección de las asociaciones y la otra admite cancelación algebraica. Elegir una exige justificar qué aspecto de la red interesa.

Un peso negativo tampoco demuestra que un síntoma proteja frente a otro. En una red de correlaciones parciales puede surgir del condicionamiento sobre los demás nodos, de la codificación, de variables omitidas o, como muestra la sección 448.13, de la selección de la muestra. Interpretar una suma con signo como efecto sobre el malestar requeriría establecer cómo se relacionan las escalas con ese resultado y si los pesos representan influencias causales.

La centralidad puente describe posición respecto a una partición. No incorpora posibilidad de modificación, costo de una intervención ni importancia subjetiva del nodo, dimensiones que requieren datos y criterios adicionales y que se desarrollarán en el capítulo siguiente.

448.11. La partición forma parte del resultado

Si el nodo A3 se reasigna al segundo grupo, sus conexiones con B1 y B2 dejan de contar como puentes y las que mantenía con A1 y A2 pasan a cruzar comunidades. Los pesos no cambian, pero la fuerza puente de A3 pasa de 0,7 a 1,0, igual que su influencia esperada puente, mientras A1 y A2 suben de cero a 0,5 y B1 y B2 bajan a cero. La medida responde correctamente a una nueva pregunta de clasificación.

La dependencia importa cuando las comunidades se identifican con diagnósticos. Un síntoma compartido puede asignarse a un grupo, al otro o a ambos mediante métodos de pertenencia múltiple. Blanken y colaboradores (2018) usaron con ese fin el método de percolación de cliques en los síntomas del SCL-90-R de 2089 adultos de una muestra comunitaria neerlandesa y distinguieron síntomas estabilizadores, muy conectados dentro de su comunidad, de síntomas comunicadores, que enlazan áreas de problemas. Advirtieron que las comunidades cambian con los parámetros del algoritmo. No hay una asignación correcta al margen del propósito del análisis.

Una partición obtenida por algoritmo añade incertidumbre de estimación. Si pequeñas variaciones de la muestra modifican las comunidades, también pueden cambiar las centralidades puente, e informar solo una partición oculta esa dependencia. Un análisis cuidadoso compara particiones plausibles, por ejemplo mediante remuestreo, y declara qué conclusiones se mantienen.

La interpretación clínica requiere además que las comunidades tengan significado. Un grupo de ítems puede formarse por contenido semejante o formato de respuesta sin corresponder a un proceso clínico separado; en ese caso el puente conecta conjuntos de medidas, no necesariamente mecanismos distintos.

448.12. Indicadores redundantes y conexiones aparentes

Dos preguntas pueden referirse casi a la misma experiencia con palabras diferentes. Representadas como nodos separados, su asociación puede ser elevada por redundancia de contenido, y una red con muchas variantes de un dominio le concede más peso que a otro medido con un único ítem.

Fried y Cramer (2017) ilustraron el problema con escalas de uso habitual. La escala de depresión del Centro de Estudios Epidemiológicos incluye varios ítems de ánimo triste y la de Hamilton contiene tres de insomnio; si midieran una misma variable, quedarían muy conectados y su centralidad se inflaría. Propusieron examinar el solapamiento topológico, pues dos variables que miden el mismo constructo deberían tener asociaciones parecidas con todos los demás nodos. Christensen, Garrido y Golino (2023) desarrollaron luego un procedimiento basado en una versión ponderada de ese solapamiento para detectar dependencia local y lo compararon por simulación con otros métodos.

El problema afecta a la interpretación de puentes. Un ítem que menciona simultáneamente dos dominios puede correlacionar con ambos por su formulación, de modo que su posición intermedia reflejaría el instrumento. Revisar el contenido de los nodos forma parte del análisis.

La solución no consiste siempre en fusionar ítems correlacionados. Dos experiencias distintas, como la dificultad para conciliar el sueño y la fatiga diurna, pueden estar estrechamente relacionadas y ser relevantes por separado. La decisión requiere examinar significado, periodo de referencia y consecuencias observables; un índice de similitud aporta información sin sustituir esa evaluación conceptual.

En el tercer generador el solapamiento es conocido porque la regla se definió explícitamente. En datos reales puede ser parcial y menos visible. Retirar o redefinir indicadores compartidos ayuda a estimar su contribución a la coocurrencia, aunque ese análisis cambia la medición y no constituye una intervención sobre las experiencias de las personas.

448.13. Selección de personas y asociación inducida

Una muestra clínica puede reunir personas por condiciones relacionadas con varios problemas, y la selección puede modificar sus asociaciones respecto a la población de origen. Considérese un ejemplo donde A y B son independientes, cada uno con probabilidad de una mitad, pero solo se incluye a quien tiene al menos uno de ellos.

En la muestra no aparece la celda en que ambos están ausentes. Si A está ausente, B está necesariamente presente; si A está presente, B puede estar presente o ausente. La selección genera una relación negativa, con phi de −0,5, entre indicadores independientes antes de seleccionar.

Berkson (1946) describió el fenómeno al analizar tablas de cuatro celdas con datos hospitalarios, y hoy se le llama sesgo de Berkson o de colisionador. De Ron, Fried y Epskamp (2021) estudiaron sus consecuencias para redes psicológicas con simulaciones construidas sobre la red de ítems de la escala de Hamilton estimada en 2807 pacientes con depresión mayor. Cuanto más alto era el punto de corte de la puntuación total usado para seleccionar, peor se recuperaba la estructura verdadera, y la selección inducía conexiones negativas entre ítems. Como muchas muestras clínicas se reclutan por superar un umbral de gravedad, el hallazgo importa para leer pesos negativos, aunque proviene de simulación y no cuantifica el sesgo de ningún estudio empírico concreto.

El ejemplo no implica que todas las asociaciones clínicas se deban a selección ni que su dirección sea siempre negativa, porque el resultado depende de la regla de acceso. La probabilidad de recibir atención puede depender de gravedad, recursos, reconocimiento del problema y condiciones de derivación. Cuando esos factores se relacionan con varios dominios, limitarse a personas atendidas puede cambiar las dependencias. Describir las vías de inclusión delimita a quiénes se aplica la red.

448.14. Del grupo a una trayectoria individual

Una red calculada entre personas describe cómo difieren sus puntuaciones; una red temporal individual, cómo se relacionan los cambios sucesivos de una misma persona. Con los mismos nombres de síntomas, no estiman necesariamente el mismo objeto. Epskamp, Waldorp, Mõttus y Borsboom (2018) formalizaron la distinción para series temporales de varias personas, en las que pueden estimarse una red temporal, una contemporánea y otra entre sujetos basada en los promedios estables de cada persona.

Quienes tienen más dificultades de sueño podrían mostrar también más fatiga que otras personas. Esa asociación entre individuos no determina cuánto cambiará la fatiga de una persona después de una noche distinta, relación que puede depender de actividad, enfermedad física, horario y otros factores que varían de manera diferente entre personas y dentro de ellas.

Fisher, Medaglia y Jeronimus (2018) compararon ambos niveles en seis conjuntos de datos con mediciones repetidas. Los promedios de grupo e individuales coincidieron a menudo, pero la dispersión individual fue mucho mayor. En una muestra de personas con ansiedad generalizada o depresión mayor y controles, la correlación entre ánimo deprimido y preocupación fue 0,71 en el grupo, mientras las correlaciones individuales promediaron cerca de 0,40 y oscilaron entre valores levemente negativos y casi 0,9.

Una explicación de comorbilidad puede requerir ambos niveles. Las condiciones compartidas entre personas pueden explicar diferencias de prevalencia, y relaciones temporales específicas contribuir a la persistencia de una trayectoria. Mezclarlos impide identificar qué evidencia apoya cada parte.

Las estimaciones individuales necesitan observaciones informativas y variación relevante; la falta de asociación detectable no demuestra ausencia de efecto si el muestreo no capta el intervalo en que ocurre.

448.15. Orden temporal y mecanismos compatibles

Observar que A precede a B reduce algunas explicaciones, pero no establece por sí solo causalidad. Una causa compartida puede actuar antes sobre A y después sobre B. La secuencia temporal resultante imitaría una transmisión directa si solo se registran los dos indicadores.

También puede existir retroalimentación. A podría influir en B durante un intervalo y B modificar A más tarde. Una tabla transversal mezcla esas fases. Un modelo temporal puede representarlas, siempre que la frecuencia de medición permita distinguirlas y que las entradas relevantes no queden completamente omitidas.

Las predicciones útiles especifican cambios concretos. Una hipótesis de causa compartida anticipa que modificar esa condición alterará ambos resultados según sus sensibilidades. Una hipótesis de transmisión propone una secuencia de cambios mediada por el primer resultado. Una hipótesis de solapamiento predice cambios simultáneos en las clasificaciones cuando varía el indicador común, aunque los componentes exclusivos permanezcan constantes.

Como estas predicciones pueden coincidir en parte, el seguimiento debe buscar condiciones donde diverjan. Registrar componentes exclusivos, indicadores compartidos y entradas contextuales permite comparar mecanismos con mayor precisión que repetir dos puntuaciones totales.

448.16. Caso sintético de sueño, fatiga y preocupación

Considérese una persona ficticia que presenta dificultad de sueño, fatiga y preocupación. Dos clasificaciones agregadas incluyen la dificultad de sueño entre sus componentes. Durante un cambio de horario laboral disminuyen las puntuaciones de ambas. El resultado es compatible con varias explicaciones y no identifica transmisión entre diagnósticos.

Una posibilidad es que el horario actuara sobre sueño y preocupación por vías diferentes. Otra es que la mejoría del sueño redujera la fatiga y esta modificara actividades que alimentaban la preocupación. Una tercera es que buena parte de la reducción conjunta procediera del componente de sueño compartido, mientras las experiencias exclusivas variaban poco.

El seguimiento puede distinguir esas posibilidades registrando el horario efectivo, las experiencias por separado y las actividades propuestas como mediadoras. Si las puntuaciones totales mejoran pero los componentes exclusivos permanecen iguales, aumenta la plausibilidad de una contribución importante del solapamiento. No queda demostrada, porque todavía pueden existir cambios no registrados.

Si la fatiga disminuye después del sueño y antes de la preocupación, la secuencia favorece la mediación, aunque requiere examinar entradas comunes y otras vías. La información temporal vuelve más precisa la hipótesis sin convertirla en certeza. La unidad de análisis debe seguir al mecanismo propuesto y no a la disponibilidad de puntuaciones agregadas.

448.17. Simular propagación no equivale a probar una intervención

Una red puede servir de soporte a un proceso de propagación en el que se activa un nodo, se transmiten efectos según reglas elegidas y se cuenta cuántos nodos cambian. Si se retira un puente, la propagación entre comunidades puede disminuir. Ese resultado describe el modelo formado por la red y la regla dinámica, que es lo evaluado en la simulación de contagio de Jones y colaboradores (2021).

La misma matriz puede producir resultados distintos con otra regla, ya que una suma lineal, un umbral de activación y una actualización probabilística no son equivalentes. Un peso estimado como correlación parcial no se convierte automáticamente en probabilidad de contagio ni en coeficiente causal. Bringmann y colaboradores (2019) llegaron a una conclusión afín al revisar las centralidades importadas de las redes sociales; la intermediación y la cercanía presuponen un flujo por caminos más cortos que no corresponde a una teoría general de cómo se relacionan las variables psicológicas.

La evidencia disponible es mixta. Castro y colaboradores (2019) reanalizaron 51 redes transversales publicadas y compararon la eliminación de nodos según grado, fuerza, índices de carácter puente o azar, sin simular activación. Los ataques dirigidos aumentaron el número de componentes desconectados más que el azar, pero no lo superaron en longitud media de caminos ni en conectividad, y los autores calificaron de moderado el respaldo a la hipótesis. Spiller y colaboradores (2020), con 710 pacientes con trastorno de estrés postraumático, encontraron que solo la influencia esperada predecía cuánto se asociaba el cambio de cada síntoma con el del resto, y que esa relación desaparecía al excluir un ítem atípico; la gravedad media y la baja frecuencia de endoso predijeron mejor. Ninguno de estos trabajos probó intervenciones dirigidas a nodos puente en personas.

Retirar un nodo es, además, una operación fuerte que elimina su estado y sus conexiones, mientras una intervención clínica puede reducir una experiencia solo en parte o afectar varias variables. La simulación sirve para preguntar bajo qué supuestos aparece un beneficio y qué datos podrían comprobarlo; demostrarlo en una persona exige evidencia sobre mecanismo, posibilidad de modificación y resultados relevantes para ella.

448.18. Comparación explícita de explicaciones

Los generadores binarios permiten organizar una evaluación sin escoger prematuramente una teoría. La causa compartida propone una variable antecedente cuya variación debería relacionarse con ambos indicadores. La relación dirigida propone una consecuencia de modificar A manteniendo otras ecuaciones. El solapamiento atribuye la dependencia a componentes reutilizados en la clasificación. La selección, en el sentido de Kruis y Maris (2016), añade una cuarta lectura de la misma distribución.

Cada explicación necesita información específica. Medir más veces las mismas etiquetas mejora la precisión de las frecuencias y deja abierta la equivalencia. Incorporar condiciones antecedentes, componentes de los criterios, el proceso de reclutamiento u observaciones sobre cambios localizados aporta información más discriminante, aunque el número total de registros sea menor.

La elección entre modelos tampoco tiene que ser absoluta. Una clasificación puede compartir indicadores y contener a la vez experiencias que se influyen, y pueden existir causas comunes que modulen esas relaciones. Fried y Cramer (2017) consideraron poco plausibles tanto un modelo puro de causa común como uno puro de red para muchos problemas psicológicos. Un modelo combinado sería más realista, aunque exigiría más datos para identificar sus partes.

La parsimonia útil conserva los mecanismos necesarios para la pregunta concreta y declara dónde coinciden las predicciones de cada modelo y qué observación podría favorecer uno frente a otro.

448.19. Precisión estadística y resolución causal

Aumentar el tamaño de muestra permite estimar con gran precisión la tabla inicial. Sin embargo, conocer exactamente sus cuatro probabilidades no distingue los generadores construidos. La incertidumbre por muestreo y la indeterminación causal son problemas diferentes, y reducir la primera no elimina la segunda.

Una medida de centralidad puede tener intervalos estrechos y seguir careciendo de interpretación intervencional. La precisión indica que la posición estimada cambia poco bajo ciertas variaciones de los datos, sin demostrar que intervenir sobre el nodo produzca el efecto deseado. Los resultados de Spiller y colaboradores (2020) muestran que una centralidad puede predecir el cambio peor que índices descriptivos sencillos.

También puede ocurrir lo contrario, con un mecanismo plausible respaldado por datos todavía imprecisos. En ese caso la hipótesis merece un contraste mejor diseñado, sin presentar la plausibilidad como confirmación. Separar ambas dimensiones evita tanto la confianza excesiva en una red estable como el descarte automático de una hipótesis por una estimación ruidosa.

El análisis de comorbilidad resulta más informativo cuando conserva esa separación y mantiene visible el nivel de sus variables. Una tabla describe coocurrencia, una red añade una representación de dependencias condicionales y una explicación causal especifica operaciones y consecuencias. La conexión entre esos niveles debe construirse con observaciones y supuestos explícitos, distinguiendo lo que vale para la población estudiada de lo que vale para cada persona.

Referencias

Berkson, J. (1946). Limitations of the application of fourfold table analysis to hospital data. Biometrics Bulletin, 2(3), 47–53. DOI.

Blanken, T. F., Deserno, M. K., Dalege, J., Borsboom, D., Blanken, P., Kerkhof, G. A., y Cramer, A. O. J. (2018). The role of stabilizing and communicating symptoms given overlapping communities in psychopathology networks. Scientific Reports, 8. DOI.

Bringmann, L. F., Elmer, T., Epskamp, S., Krause, R. W., Schoch, D., Wichers, M., Wigman, J. T. W., y Snippe, E. (2019). What do centrality measures measure in psychological networks? Journal of Abnormal Psychology, 128(8), 892–903. DOI.

Castro, D., Ferreira, F., de Castro, I., Rodrigues, A. R., Correia, M., Ribeiro, J., y Ferreira, T. B. (2019). The differential role of central and bridge symptoms in deactivating psychopathological networks. Frontiers in Psychology, 10, 2448. DOI.

Christensen, A. P., Garrido, L. E., y Golino, H. (2021). What is bridge centrality? A comment on Jones, Ma, and McNally (2019). Preprint, PsyArXiv. DOI.

Christensen, A. P., Garrido, L. E., y Golino, H. (2023). Unique variable analysis: A network psychometrics method to detect local dependence. Multivariate Behavioral Research, 58(6), 1165–1182. DOI.

Cramer, A. O. J., Waldorp, L. J., van der Maas, H. L. J., y Borsboom, D. (2010). Comorbidity: A network perspective. Behavioral and Brain Sciences, 33(2–3), 137–150. DOI.

de Ron, J., Fried, E. I., y Epskamp, S. (2021). Psychological networks in clinical populations: Investigating the consequences of Berkson's bias. Psychological Medicine, 51(1), 168–176. Publicación electrónica inicial en 2019. DOI.

Epskamp, S., Waldorp, L. J., Mõttus, R., y Borsboom, D. (2018). The Gaussian graphical model in cross-sectional and time-series data. Multivariate Behavioral Research, 53(4), 453–480. DOI.

Fisher, A. J., Medaglia, J. D., y Jeronimus, B. F. (2018). Lack of group-to-individual generalizability is a threat to human subjects research. Proceedings of the National Academy of Sciences, 115(27), E6106–E6115. DOI.

Fried, E. I., y Cramer, A. O. J. (2017). Moving forward: Challenges and directions for psychopathological network theory and methodology. Perspectives on Psychological Science, 12(6), 999–1020. DOI.

Hallquist, M. N., Wright, A. G. C., y Molenaar, P. C. M. (2021). Problems with centrality measures in psychopathology symptom networks: Why network psychometrics cannot escape psychometric theory. Multivariate Behavioral Research, 56(2), 199–223. Publicación electrónica inicial en 2019. DOI.

Jones, P. J., Ma, R., y McNally, R. J. (2021). Bridge centrality: A network approach to understanding comorbidity. Multivariate Behavioral Research, 56(2), 353–367. Publicación electrónica inicial en 2019. DOI.

Kruis, J., y Maris, G. (2016). Three representations of the Ising model. Scientific Reports, 6, 34175. DOI.

Robinaugh, D. J., Millner, A. J., y McNally, R. J. (2016). Identifying highly influential nodes in the complicated grief network. Journal of Abnormal Psychology, 125(6), 747–757. DOI.

Spiller, T. R., Levi, O., Neria, Y., Suarez-Jimenez, B., Bar-Haim, Y., y Lazarov, A. (2020). On the validity of the centrality hypothesis in cross-sectional between-subject networks of psychopathology. BMC Medicine, 18. DOI.