Depresión: persistencia, retroalimentación y recuperación

441.1. Explicar que una dificultad continúe

Una persona puede seguir experimentando dificultades depresivas cuando ya cambió la situación en la que comenzaron. Esa continuidad admite más de una explicación. Hay procesos que se sostienen mediante sus propias consecuencias. Hay condiciones externas que siguen actuando sin que nadie las haya registrado. Puede ocurrir también que sistemas que ya no reciben la perturbación inicial tarden en recuperarse. La persistencia observada plantea una pregunta causal, aunque por sí misma no indica cuál de estas respuestas corresponde al caso.

La descripción clínica tiene que precisar qué es lo que persiste. El ánimo, la pérdida de disfrute, la fatiga y la reducción de actividad pueden cambiar a velocidades distintas, de manera que una puntuación total estable puede ocultar la mejoría de algunos componentes y el empeoramiento de otros. Una formulación dinámica debe conservar esas diferencias cuando afectan a sus predicciones. Si propone que el mal dormir mantiene la fatiga y que esta reduce las actividades, debe especificar qué experiencias representan esas variables y qué intervalo separa cada cambio.

Se habla de retroalimentación cuando las consecuencias de un estado contribuyen a modificarlo más adelante. Una secuencia hipotética podría enlazar menor actividad, pérdida de oportunidades gratificantes y un malestar afectivo que vuelve a reducir la actividad. Una propuesta así exige examinar el contexto, el orden temporal de los cambios y las explicaciones rivales. Que sus componentes coexistan en una misma entrevista no basta para establecer el circuito.

El problema incluye también la recuperación. Un mecanismo que explica cómo aumenta la activación debería permitir preguntar qué condiciones la reducen, cuánto tarda ese descenso y si el proceso conserva memoria de su historia. Conviene comparar la persistencia generada dentro del sistema con la que producen condiciones externas sostenidas, porque durante una ventana limitada ambas dan trayectorias muy parecidas.

441.2. Qué hizo el modelo de Cramer y colaboradores

Cramer y colaboradores (2016) propusieron describir la depresión mayor como un sistema dinámico en el que los síntomas se influyen directamente. Para obtener parámetros recurrieron a la primera entrevista del Virginia Adult Twin Study of Psychiatric and Substance Use Disorders (VATSPUD), que registró la presencia o ausencia, durante al menos cinco días del año previo, de catorce síntomas desagregados que corresponden a los nueve síntomas del criterio A de depresión mayor en el DSM-III-R. Con esos datos binarios estimaron un umbral para cada síntoma y un peso para cada par mediante regresión logística con regularización L1, implementada en el paquete IsingFit, y seleccionaron el modelo con un criterio de información bayesiano extendido. Esos parámetros describen asociaciones entre personas en una sola evaluación; las trayectorias temporales del artículo se generaron por simulación a partir de ellos.

En el modelo, la activación total de un síntoma era la suma ponderada de los estados de los demás síntomas en el paso anterior. La probabilidad de que el síntoma estuviera activo dependía, a través de una función logística, de la diferencia entre esa activación y su umbral. Los autores multiplicaron la matriz empírica de pesos por un parámetro de conectividad que tomó los valores 0,8, 1,1 y 2,0 y simularon diez mil pasos para cada red. En una segunda simulación sumaron a la activación de todos los síntomas un mismo término de estrés, que aumentaron de −15 a 15 para luego reducirlo por el mismo recorrido. Con conectividad alta, el regreso al estado no deprimido exigía bajar el estrés por debajo del nivel que había desencadenado la transición. Esa histéresis crecía con la conectividad. Para ajustar un modelo de catástrofe en cúspide emplearon una matriz simplificada con pesos iguales. Estos resultados caracterizan el modelo bajo sus supuestos; la identificación de los mecanismos que operan en una persona concreta con depresión queda fuera de lo que el artículo pone a prueba.

La teoría de redes formulada por Borsboom (2017) generaliza esa idea. Propone que los síntomas están conectados por mecanismos biológicos, psicológicos y sociales. Si esas conexiones son suficientemente fuertes, la red puede seguir activa después de que desaparece el desencadenante, y el trastorno correspondería entonces a un estado estable alternativo. Las influencias que llegan a los síntomas desde fuera de la red se reúnen en lo que el autor denomina campo externo. El uso clínico del marco obliga a justificar qué representa cada relación. Una asociación estimada entre personas puede, además, agrupar mecanismos que no operan de igual modo dentro de cada individuo. Fisher, Medaglia y Jeronimus (2018) compararon la variación intraindividual con la interindividual en seis muestras con mediciones repetidas, observaron que la variabilidad dentro de las personas superaba con amplitud la estimada en el grupo y recomendaron comprobar si los procesos son equivalentes en ambos niveles. Cramer y colaboradores reconocían que, con datos transversales, quedaba abierta la generalización a redes individuales. Pasar de una red grupal a ecuaciones individuales constituye, por tanto, una hipótesis adicional.

En este capítulo se trabaja con un generador propio y reducido que no reproduce la matriz empírica ni pretende replicar numéricamente las simulaciones de Cramer. Usa pesos uniformes normalizados por el número de vecinos y veinte componentes en lugar de catorce, de modo que su parámetro de conectividad no es comparable con el de aquel artículo. Retiene una idea formal que puede examinarse con transparencia, según la cual la probabilidad de activación aumenta con la actividad vecina y con una entrada externa. Esa simplificación permite localizar qué decisiones generan persistencia y qué información haría falta para interpretarla clínicamente.

441.3. Una regla de interacción explícita

Consideremos veinte componentes binarios abstractos. En cada unidad temporal, un componente está activo o inactivo. Los nodos no llevan nombres de síntomas porque no existe una validación que conecte sus valores con experiencias concretas. Su número tampoco corresponde a ningún criterio diagnóstico.

La actualización utiliza la función logística:

El parámetro $J$ determina la influencia agregada de los otros componentes, $\theta$ fija un umbral común y $u_t$ representa una entrada que actúa por igual sobre todos ellos. La normalización por el número de vecinos mantiene comparable la influencia total cuando cambia el tamaño de esta red. Ningún componente tiene un enlace directo consigo mismo, aunque puede persistir de manera indirecta a través de sus relaciones con los demás.

Todos los nodos se actualizan a la vez a partir del estado anterior. Esa elección forma parte del generador; una actualización secuencial o retardos diferentes podrían producir otra dinámica. La sencillez de la regla permite comprobar sus consecuencias sin presentarla como descripción completa de la depresión.

Las activaciones de los distintos nodos se muestrean de forma independiente una vez fijados el estado previo y la entrada. Marginalmente, en cambio, las variables están correlacionadas, porque comparten vecinos e historia. Una misma entrada puede así activar varios componentes a la vez sin que cada coincidencia revele una interacción directa adicional.

La escala del predictor logístico permite interpretar una modificación local. Con veinte nodos, activar un vecino adicional suma 8/19, alrededor de 0,42 unidades, al predictor de cada uno de los demás. Manteniendo constantes los otros estados y la entrada, las odds de activación quedan multiplicadas por la exponencial de ese incremento, cerca de 1,52. El efecto sobre la probabilidad depende del punto de partida. El mismo incremento lleva una probabilidad de 0,50 a 0,60, mientras que una de 0,02 apenas sube a 0,03 y una de 0,98 a 0,987.

Por esa razón una arista no puede leerse como un aumento fijo de probabilidad. Una suma de activaciones puede, además, tener efectos no lineales aunque el predictor sea aditivo. La saturación procede de la forma de la función logística. Atribuirle el significado de un mecanismo biológico de saturación exigiría conectar la ecuación con observaciones del proceso correspondiente.

La unidad temporal tampoco está calibrada. Un paso corresponde a una actualización del modelo y carece de equivalencia establecida con una hora, un día o una semana. Cambiar esa equivalencia cambia las afirmaciones sobre la velocidad de la persistencia y de la recuperación, y si una interacción real opera en varias escalas de tiempo, una única actualización simultánea puede fundir efectos que convendría separar.

Antes de estimar parámetros con datos clínicos habría que justificar la escala de cada variable y el intervalo de observación. Un valor numérico de conectividad no puede compararse directamente entre estudios que difieren en codificación, número de nodos, normalización o resolución temporal, aunque ambos lo llamen fuerza de interacción.

441.4. Equilibrios en una aproximación de campo medio

La aproximación de campo medio sustituye la actividad de los vecinos por la proporción media de componentes activos, $m_t$. Se obtiene así un mapa determinista:

Un equilibrio es una proporción que no cambia al aplicar la actualización. Con conectividad ocho, umbral cuatro y entrada nula hay tres soluciones, aproximadamente 0,02125, 0,5 y 0,97875. En esta aproximación las dos extremas son estables y la intermedia es inestable. La estabilidad se evalúa con la derivada del mapa en cada punto,

En un punto fijo, donde $\sigma(Jm-\theta+u)=m$, la expresión se reduce a $Jm(1-m)$. Vale cerca de 0,166 en los equilibrios extremos y exactamente 2 en el central. Como $f'$ es positiva y menor que uno en los extremos, una desviación pequeña alrededor de ellos se amortigua sin oscilar; alrededor del punto central, en cambio, se amplifica. El cálculo muestra cómo una misma entrada puede ser compatible con niveles persistentes distintos según el estado del que se parte.

La bistabilidad pertenece al sistema determinista aproximado. La red binaria finita conserva el ruido de sus transiciones y no equivale exactamente a ese mapa. Como cada probabilidad de activación está estrictamente entre cero y uno, cualquier configuración de la red puede alcanzarse con probabilidad positiva, incluso en un solo paso. Por eso sería incorrecto hablar de un estado absolutamente irreversible. Durante periodos finitos se observan permanencias prolongadas y cambios poco frecuentes, cuya duración depende de los parámetros y del tamaño del sistema. Una permanencia durante trescientas observaciones documenta lo ocurrido en esa realización y deja abierta la posibilidad de una salida posterior.

441.5. Histéresis y velocidad de cambio

En la aproximación determinista, el punto en que desaparece una rama estable cumple a la vez la ecuación de equilibrio y la condición de derivada igual a uno. Como en el equilibrio la derivada vale $Jm(1-m)$, esas ramas solo pueden desaparecer cuando la conectividad supera cuatro. Para $J>4$ las proporciones correspondientes son

Con los parámetros elegidos, las entradas de pliegue valen aproximadamente 1,06568 y −1,06568. Si la entrada aumenta muy despacio desde valores bajos, el sistema puede permanecer en la rama de baja actividad hasta que esta desaparece cerca de 1,066. Si luego disminuye desde la rama alta, el retorno se produce solo cuando baja hasta cerca de −1,066. El recorrido depende de la dirección del cambio y de la historia previa.

Hay que distinguir este comportamiento del retraso que aparece cuando la entrada cambia más rápido de lo que el sistema tarda en relajarse. Un sistema con un único equilibrio puede trazar caminos distintos al subir y al bajar la entrada si no alcanza el equilibrio en cada valor; ese bucle se estrecha a medida que el barrido se hace más lento. La presencia de un bucle en un gráfico no identifica por sí sola la bistabilidad. Para interpretarlo hay que examinar cómo cambia al variar la velocidad del barrido y cuánto tiempo se observa cada condición.

En una trayectoria clínica la entrada rara vez se conoce como una sola magnitud. Cambios laborales, relaciones, salud física y oportunidades cotidianas pueden evolucionar a la vez. Un gráfico de puntuación frente a una valoración global de estrés oculta esa multiplicidad. Interpretar una histéresis exige justificar qué parámetro se considera controlado y qué otras condiciones permanecen comparables entre la subida y la bajada.

La historia puede además modificar los parámetros, no solo el estado. Un periodo prolongado de malestar puede cambiar hábitos, recursos o relaciones. En tal caso, el retorno bajo una entrada aparentemente igual puede corresponder a un sistema que ya es otro.

441.6. Persistencia sin interacción entre componentes

Construyamos ahora una alternativa con conectividad nula, en la que cada componente responde solo a su umbral y a la entrada común. Si esa entrada permanece elevada, la activación media también se mantiene alta sin que intervenga retroalimentación interna alguna.

La comparación usa dos historias externas diferentes. En la red interactiva, un pulso positivo eleva la activación y luego desaparece; más tarde se aplica un pulso negativo. En la red sin interacción, una entrada positiva se mantiene durante un periodo largo y finalmente se retira. Ambos mecanismos producen un tramo de actividad alta comparable, sostenido por condiciones distintas.

La comparación no somete los dos modelos a la misma entrada. Esa asimetría es precisamente la situación que se quiere representar: cuando el contexto no se mide bien, una entrada persistente puede confundirse con mantenimiento interno. Para discriminar entre ambas hipótesis hace falta información sobre la entrada, además de la serie de síntomas.

Una condición externa sostenida puede ser una exigencia, una pérdida de recursos o una situación que se repite. Representarla con un número es una simplificación. El modelo no implica que toda condición relevante sea fácil de modificar ni que identificarla resuelva la dificultad clínica. Solo muestra que una fuente persistente de activación es una explicación formal alternativa a la retroalimentación.

Interacción y entrada pueden, por supuesto, coexistir. Los casos extremos ayudan a entender el problema de identificación, pero una formulación individual puede necesitar contribuciones de ambos tipos. La investigación tendría que estimar qué cambia al modificarse condiciones observables y qué continuidad se mantiene después, con una ventana suficiente y una medición comparable.

441.7. Simulación y comprobación numérica

import numpy as np
from scipy.special import expit, logit
from scipy.optimize import brentq
J, theta = 8.0, 4.0
roots = [brentq(lambda m: expit(J*m-theta)-m, a, b)
         for a, b in [(1e-6, 0.2), (0.3, 0.7), (0.8, 1-1e-6)]]
fold_m = (1 + np.array([-1, 1])*np.sqrt(1-4/J))/2
fold_u = logit(fold_m)-J*fold_m+theta
assert np.allclose(roots, [0.021247988, 0.5, 0.978752012], atol=1e-8)
print('Equilibrios:', np.round(roots, 6))
print('Entradas de pliegue:', np.round(fold_u, 6))
n, T = 20, 300
pulse = np.zeros(T)
pulse[30:80] = 2
pulse[220:250] = -4
external = np.zeros(T)
external[30:220] = 8
uniform = np.random.default_rng(441).random((T, n))
def simulate(coupling, inputs):
    states = np.zeros((T+1, n), dtype=int)
    for t in range(T):
        neighbours = (states[t].sum()-states[t])/(n-1)
        probability = expit(coupling*neighbours-theta+inputs[t])
        states[t+1] = uniform[t] < probability
    return states[1:].mean(axis=1)
feedback = simulate(8, pulse)
sustained_input = simulate(0, external)
for lo, hi in [(0,30), (40,80), (120,180), (260,300)]:
    print(lo, hi, round(feedback[lo:hi].mean(), 6),
          round(sustained_input[lo:hi].mean(), 6))
assert feedback[120:180].mean() > 0.9
assert sustained_input[120:180].mean() > 0.9
assert feedback[260:300].mean() < 0.1
assert sustained_input[260:300].mean() < 0.1

Ambos generadores reciben los mismos números uniformes. Este recurso, conocido como números aleatorios comunes, reduce las diferencias atribuibles solo a la realización del azar, aunque no iguala sus mecanismos. Los índices temporales del código empiezan en cero y el extremo superior de cada intervalo queda excluido. Los pulsos de la red interactiva superan en valor absoluto las entradas de pliegue de la aproximación de campo medio, de modo que el primero elimina la rama baja mientras dura y el segundo elimina la rama alta.

La tabla recoge proporciones medias de componentes activos. No contiene puntuaciones de una escala ni probabilidades diagnósticas. En el tramo central las dos medias son muy semejantes, aunque en la primera red el pulso inicial terminó setenta pasos antes y en la segunda sigue presente la entrada que sostiene la actividad. Al final ambos sistemas muestran baja activación, alcanzada por vías diferentes. Los valores se obtuvieron ejecutando el código con NumPy 2.5.3 y SciPy 1.18.1; otra versión del generador de números aleatorios podría dar realizaciones distintas. La conclusión cualitativa no depende de la semilla elegida, ya que las cuatro aserciones finales se cumplieron con cada una de las semillas 0 a 999.

441.8. Qué observación distinguiría las dos explicaciones

Si solo se registra la proporción activa durante el tramo central, la comparación discrimina poco, porque ambas redes permanecen cerca de su máximo. Prolongar la serie del mismo agregado puede confirmar la persistencia sin aclarar su causa. La información adicional tiene que apuntar a algo en que los mecanismos difieran.

En el generador con entrada sostenida, retirar la entrada cambia de inmediato las probabilidades de activación. En el interactivo, la retirada del pulso inicial no basta para un retorno rápido, porque los componentes siguen influyéndose entre sí. Esta diferencia podría orientar una observación. En clínica, sin embargo, las condiciones externas rara vez se retiran de forma aislada e instantánea.

Una evaluación longitudinal puede aprovechar los cambios ordinarios de contexto y registrar qué componentes varían antes y después de ellos. También debe comprobar si el cambio observado corresponde a una modificación real de la exposición. Una persona puede dejar un trabajo y seguir enfrentando sus consecuencias económicas o interpersonales, de modo que dar el contexto por resuelto a partir de un único acontecimiento llevaría a una conclusión causal prematura.

Tampoco la ausencia de mejoría inmediata confirma la retroalimentación. Una recuperación lenta, una condición no medida o un cambio en el procedimiento de evaluación pueden producir la misma continuidad. Para comparar esas alternativas se necesitan predicciones temporales que difieran entre ellas, conocimiento de cómo se mide cada variable y observaciones suficientemente prolongadas.

La investigación puede concluir que varios mecanismos siguen siendo compatibles con los datos, lo que delimita qué afirmaciones son defendibles y orienta el contraste siguiente. Mientras tanto, la persistencia observada puede justificar atención y seguimiento aunque su explicación siga sin identificarse.

441.9. Síntomas individuales y suma de activación

El agregado que usa el código reduce veinte estados a una proporción. La operación facilita comparar trayectorias, pero borra qué componentes siguen activos y cuáles cambian. Dos periodos con el mismo total pueden contener configuraciones distintas que, en una formulación clínica, difieren en funcionamiento, sufrimiento y posibilidades de intervención.

Si se supone que la dificultad para dormir precede a la fatiga, conviene registrar ambas por separado y con una resolución temporal adecuada. Un total semanal puede ocultar que la fatiga cambió antes que el sueño o que ambas respondieron al mismo cambio de horario. El indicador debe elegirse de modo que la hipótesis pueda fallar, además de resumir el estado general.

Una reducción de actividad puede deberse a que hay menos ocasiones disponibles, a un menor interés o a limitaciones físicas. Codificarla como un nodo binario elimina esas distinciones, salvo que se representen con variables adicionales. El modelo no puede recuperar después contenidos que nunca se registraron.

La dicotomización altera asimismo las transiciones. Una variación pequeña en torno al umbral puede aparecer como activaciones y desactivaciones repetidas, mientras que un cambio importante dentro de la misma categoría queda invisible. Un sistema de estados binarios puede servir para una pregunta delimitada, siempre que no se lea como descripción de toda la intensidad del fenómeno.

En una investigación individual sería razonable conservar el registro original y documentar cada transformación. Así pueden compararse los resultados obtenidos con definiciones alternativas y comprobarse si la persistencia atribuida al proceso depende de una regla de puntuación particular.

441.10. Una conexión no identifica todavía su mecanismo

La ecuación de interacción estipula que la actividad de los vecinos cambia la probabilidad del estado siguiente. En datos observacionales, un coeficiente semejante puede recoger una influencia directa, una causa común no medida o una regularidad del propio procedimiento de respuesta. Su interpretación depende del diseño y de los supuestos que permiten descartar las alternativas.

Considérese la relación entre preocupación nocturna y dificultad para dormir. Una hipótesis sostiene que la preocupación prolonga la latencia del sueño. Otra propone que ambas aumentan ante una exigencia prevista para el día siguiente. Una tercera atribuye la asociación a que la valoración retrospectiva de una mala noche eleva a la vez las dos puntuaciones. Las tres generan asociación, aunque anticipan resultados distintos cuando cambian las condiciones de observación o de exposición.

La intensidad de una relación puede variar, además, con el estado del sistema. Una reducción de actividad podría tener consecuencias diferentes mientras se conservan apoyos y oportunidades que cuando estos ya se han perdido. Una constante única promedia esa variación y puede no bastar para predecir transiciones, aunque añadir no linealidad exige datos capaces de estimarla.

El orden temporal ayuda a formular contrastes sin eliminar la confusión. Una variable medida antes puede estar informando sobre un antecedente común que sigue actuando después. Atribuir un efecto causal requiere especificar qué ocurriría si se modificara esa variable y qué otros componentes cambiarían junto con ella.

Las conexiones pueden mantenerse en la formulación como hipótesis clínicas explícitas, cuyo valor inicial consiste en orientar preguntas y observaciones. Su apoyo aumenta cuando predicen datos que no se usaron para proponerlas y cuando las alternativas relevantes han sido contrastadas.

441.11. Recuperación del estado y modificación de parámetros

En el simulador, un pulso negativo puede llevar la red a baja actividad sin tocar la conectividad. Esta operación modifica el estado. Otra intervención hipotética podría reducir la influencia entre componentes o elevar sus umbrales, con lo que cambiaría la regla que genera los estados posteriores. Ambas operaciones pueden producir una mejoría inicial parecida y responder de manera muy distinta a perturbaciones futuras.

Si la conectividad sigue alta, una entrada suficientemente intensa puede provocar una nueva transición hacia actividad sostenida. Si se reduce por debajo del valor que permite bistabilidad en la aproximación de campo medio, que con esta regla es cuatro, la relación entre entrada y actividad se vuelve gradual. El resultado depende de qué parámetro se modificó y de cuánto tiempo se mantiene la modificación. Cramer y colaboradores sugirieron que algunas psicoterapias podrían entenderse como intentos de debilitar conexiones entre síntomas, y presentaron esa lectura como una posibilidad interpretativa derivada del modelo.

Una intervención clínica no equivale automáticamente a ninguna de estas operaciones. Puede afectar varios procesos a la vez y modificar también la medición, las expectativas y el entorno. Describirla como la reducción de una arista exige justificar qué interacción representa esa arista y cómo se observó su cambio. La mejoría de una puntuación, por sí sola, no demuestra una modificación estructural de la red.

Importa también cuánto dura el efecto de la acción. Un apoyo puede funcionar mientras está disponible y ser valioso aunque no altere ningún parámetro interno. Distinguir un alivio sostenido por condiciones favorables de una modificación de los factores de persistencia importa para el seguimiento, aunque no establece una jerarquía general entre ambos beneficios.

La evaluación tiene que precisar qué resultado interesa, sea menor sufrimiento actual, recuperación de actividades o menor probabilidad de un curso desfavorable. Cada uno requiere observaciones y horizontes temporales propios. Un modelo de activación representa solo una parte de ellos.

441.12. Fluctuaciones y señales de transición

Cerca de ciertos puntos donde se pierde la estabilidad, una perturbación pequeña tarda más en amortiguarse. En la linealización local, la desviación respecto del equilibrio sigue aproximadamente una autorregresión cuyo coeficiente es la derivada del mapa en ese equilibrio. En el modelo de campo medio de este capítulo, ese coeficiente vale 0,17 en la rama baja con entrada nula, 0,57 con entrada 0,9 y 0,91 con entrada 1,06, muy cerca del pliegue. Bajo determinados supuestos sobre el ruido, este enlentecimiento eleva la autocorrelación y la varianza de la serie. Scheffer y colaboradores (2009) reunieron trabajos de varios campos que proponen usar esos cambios como señales tempranas de transiciones críticas.

Cramer y colaboradores cuantificaron el enlentecimiento crítico mediante la autocorrelación entre estados consecutivos del sistema simulado y comunicaron que, en la red con conectividad alta, aumentaba antes de los cambios abruptos tanto al subir como al bajar el estrés. Van de Leemput y colaboradores (2014) analizaron registros repetidos de emociones en la vida diaria y describieron que, en un grupo amplio de personas sanas y pacientes, la probabilidad de un cambio próximo entre estados depresivos y no depresivos se asociaba con mayor autocorrelación, mayor varianza y mayor correlación entre emociones. Es una asociación estimada en un conjunto de personas, y usarla para anticipar la transición de un individuo plantea los problemas de generalización señalados en 441.2.

La transferencia del indicador a una serie clínica exige descartar que otros cambios lo expliquen. Una tendencia en los datos, un aumento del ruido de medición, una entrada persistente o una modificación del intervalo de muestreo pueden alterar la autocorrelación sin que el sistema se acerque a una bifurcación. Dablander y colaboradores (2023) revisaron las limitaciones de estas señales y, al simular un sistema biestable con distintas frecuencias de muestreo, intensidades de ruido y velocidades de aproximación al punto crítico, encontraron que la aparición de las señales depende mucho de las particularidades del sistema y es muy sensible al ruido.

La estimación en ventanas móviles añade decisiones. Las ventanas cortas dan poca precisión y las largas mezclan periodos que pueden obedecer a reglas distintas. Elegir a posteriori la ventana que mejor anticipa un acontecimiento conocido produce estimaciones optimistas. Una evaluación predictiva requiere fijar el procedimiento de antemano y probarlo en observaciones que no intervinieron en su selección.

No todas las transiciones van precedidas del mismo aviso. Una perturbación grande puede desplazar el sistema a la otra cuenca antes de que cambie su estabilidad local. Un cambio rápido de parámetros puede dejar muy poco tiempo para observar una tendencia. Por eso la ausencia de señal no descarta una transición y su presencia no identifica una causa única.

En el trabajo individual, estos indicadores tienen hoy un lugar dentro de la investigación metodológica. Usarlos para tomar decisiones exigiría conocer sus tasas de error y las consecuencias de las alertas. Boettiger y Hastings (2012) propusieron cuantificar el compromiso entre falsas alarmas y señales omitidas y mostraron que esas tasas pueden ser altas para los indicadores habituales aun bajo supuestos favorables.

441.13. Medir condiciones externas sin reducirlas a una etiqueta

En el generador, la entrada actúa por igual sobre todos los componentes y se conoce sin error. En una trayectoria real, las condiciones relevantes pueden afectar variables distintas, con retardos y duraciones diferentes. Una exigencia horaria puede modificar directamente el sueño, mientras que la pérdida de un apoyo altera oportunidades y significados y una enfermedad física limita la actividad. Reunir todo en una sola escala de estrés impide distinguir esas rutas. En la teoría de Borsboom, por otra parte, el campo externo se define respecto de la red de síntomas y no necesariamente respecto de la persona, de modo que puede incluir procesos corporales como la inflamación.

La medición puede separar los acontecimientos fechados, que permiten situar una transición, de la exposición sostenida, que describe cuánto dura una condición, y de la valoración subjetiva, que informa sobre su significado para la persona y puede variar junto con el estado afectivo. Estos registros están relacionados sin ser intercambiables.

Cuando la valoración subjetiva se obtiene en la misma entrevista que los síntomas, ambas pueden compartir fuentes de error. Eso no la invalida, pero limita la interpretación directa de su asociación. Los registros de horario, los cambios verificables de las condiciones y los relatos de distintas fuentes pueden aportar comparaciones complementarias, siempre que se sepa qué observó cada una.

La pregunta causal debe mantenerse concreta. Una formulación que atribuye la persistencia al aislamiento necesita distinguir entre la falta de contactos, la experiencia de desconexión y las dificultades para participar, porque cada aspecto sugiere observaciones diferentes y puede responder de manera distinta a los cambios del entorno.

Una medición más precisa del contexto evita, además, atribuir toda la continuidad a una propiedad interna de la persona. Si una condición adversa sigue actuando y el modelo la omite, puede terminar representándola mediante umbrales bajos o conexiones fuertes, con un ajuste que predice bien a corto plazo y explica mal el mantenimiento.

441.14. Un seguimiento clínico hipotético

El siguiente caso es una construcción didáctica y no describe a ningún paciente. Supóngase una persona que refiere menor disfrute, fatiga y reducción de actividad tras un periodo de horarios irregulares. Durante varias semanas el horario se regulariza, pero la puntuación total cambia poco. Una primera formulación propone que se estableció una retroalimentación entre menor actividad y malestar. Otra sostiene que persisten consecuencias del contexto inicial, como obligaciones acumuladas y menor disponibilidad de actividades.

El seguimiento registra por separado la oportunidad de sueño, la dificultad para dormir, las actividades disponibles, la participación efectiva y el disfrute referido, junto con los acontecimientos que puedan modificar esas condiciones. No se asignan probabilidades diagnósticas ni valores de conectividad a partir del relato. Las ecuaciones del capítulo solo ordenan en qué difieren las hipótesis.

Si la actividad aumenta cuando reaparecen las oportunidades y el malestar disminuye después, el resultado sería compatible con varias rutas, entre ellas un efecto de la participación, un efecto directo de las condiciones favorables o una combinación de ambos. Si las oportunidades aumentan y la participación sigue baja, habría que estudiar qué impide aprovecharlas.

La formulación avanza mediante predicciones acotadas. La hipótesis centrada en las oportunidades anticipa diferencias entre situaciones comparables que solo difieren en disponibilidad, mientras que la de continuidad interna anticipa cierta persistencia después de cambios externos bien documentados.

La propia recuperación puede cambiar qué variables resultan informativas. Al comienzo, el sueño puede concentrar buena parte de la variación; más adelante, las diferencias de actividad o de disfrute pueden pesar más. Un modelo que se mantiene fijo durante todo el seguimiento tiene que justificar esa estabilidad o prever revisiones explícitas.

441.15. Heterogeneidad y generalización

Las mismas ecuaciones producen comportamientos diferentes al variar los umbrales, la conectividad o la entrada. Esa flexibilidad sirve para explorar hipótesis y crea un problema de identificación, porque varios conjuntos de parámetros pueden aproximar la misma serie. Una trayectoria de actividad alta no indica de manera única cuál de esos elementos es responsable.

La estimación requiere variación suficiente en los datos. Si todos los registros proceden de un periodo de activación elevada, será difícil saber cómo responde el sistema cerca de niveles bajos. Si el contexto apenas cambia, su efecto puede confundirse con un nivel basal. Un optimizador más sofisticado no suple la falta de observaciones capaces de discriminar.

Los parámetros pueden diferir entre personas sin que esas diferencias formen tipos clínicos discretos. Una distribución continua de umbrales puede generar grupos aparentes cuando se aplican categorías de resultado. Asignar un mecanismo propio a cada diagnóstico requiere evidencia que vaya más allá de la clasificación misma.

La generalización depende también del procedimiento de medición. Un parámetro estimado con registros diarios de intensidad no se interpreta igual que otro obtenido de la presencia retrospectiva de un síntoma durante meses, aunque ambos lleven el mismo nombre.

La comparación entre mecanismos rinde más cuando explicita qué resultados serían comunes y cuáles distintos. En el ejemplo simulado, la activación del tramo central es semejante y las entradas que la sostienen difieren; una investigación individual debería buscar datos sobre esa diferencia y limitar sus conclusiones cuando no puede observarla.

441.16. Alcance de la reconstrucción

La simulación muestra que una red con interacción puede mantener la actividad después de un pulso y que una red sin interacción puede producir un tramo semejante si recibe una entrada sostenida. La aproximación de campo medio permite derivar los equilibrios y los puntos de pliegue. La red estocástica finita añade fluctuaciones que obligan a hablar de permanencias observadas durante una ventana, sin convertirlas en irreversibilidad absoluta. Ninguno de estos resultados constituye evidencia empírica sobre la depresión ni orienta por sí mismo decisiones terapéuticas.

El paso hacia una formulación clínica requiere variables que correspondan a experiencias identificables, observaciones longitudinales pertinentes y una medición del contexto. Exige considerar también la recuperación lenta y los cambios en el procedimiento de registro como explicaciones alternativas. La hipótesis de retroalimentación gana contenido cuando especifica qué interacción propone y cómo podría contrastarse.

Los modelos de persistencia pueden orientar una investigación sin asignar un atractor a un diagnóstico. Su aporte está en formular mecanismos lo bastante definidos para compararlos con sus alternativas. Cuando dos mecanismos generan la misma apariencia, la tarea siguiente consiste en buscar la observación que los separe y en precisar qué decisiones clínicas pueden tomarse mientras esa diferencia no se resuelve.

Referencias

Boettiger, C., & Hastings, A. (2012). Quantifying limits to detection of early warning for critical transitions. Journal of the Royal Society Interface, 9(75), 2527–2539. https://doi.org/10.1098/rsif.2012.0125

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

Cramer, A. O. J., van Borkulo, C. D., Giltay, E. J., van der Maas, H. L. J., Kendler, K. S., Scheffer, M., & Borsboom, D. (2016). Major depression as a complex dynamic system. PLOS ONE, 11(12), e0167490. https://doi.org/10.1371/journal.pone.0167490

Dablander, F., Pichler, A., Cika, A., & Bacilieri, A. (2023). Anticipating critical transitions in psychological systems using early warning signals: Theoretical and practical considerations. Psychological Methods, 28(4), 765–790. https://doi.org/10.1037/met0000450

Fisher, A. J., Medaglia, J. D., & 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. https://doi.org/10.1073/pnas.1711978115

Scheffer, M., Bascompte, J., Brock, W. A., Brovkin, V., Carpenter, S. R., Dakos, V., Held, H., van Nes, E. H., Rietkerk, M., & Sugihara, G. (2009). Early-warning signals for critical transitions. Nature, 461(7260), 53–59. https://doi.org/10.1038/nature08227

van de Leemput, I. A., Wichers, M., Cramer, A. O. J., Borsboom, D., Tuerlinckx, F., Kuppens, P., van Nes, E. H., Viechtbauer, W., Giltay, E. J., Aggen, S. H., Derom, C., Jacobs, N., Kendler, K. S., van der Maas, H. L. J., Neale, M. C., Peeters, F., Thiery, E., Zachar, P., & Scheffer, M. (2014). Critical slowing down as early warning for the onset and termination of depression. Proceedings of the National Academy of Sciences, 111(1), 87–92. https://doi.org/10.1073/pnas.1312114110