Difusión de prácticas e información en comunidades profesionales

465.1 Adoptar una práctica y demostrar su utilidad

Una práctica profesional puede extenderse porque parece resolver una dificultad cotidiana, porque la recomienda alguien respetado o porque una institución la incorpora a sus procedimientos. También puede difundirse tras la aparición de evidencia favorable. Estos mecanismos coinciden con frecuencia, aunque responden a preguntas distintas. La frecuencia de adopción describe el comportamiento de una comunidad profesional, mientras la utilidad exige comparar consecuencias frente a una alternativa definida en una población determinada. Una práctica muy extendida puede conservar, por tanto, un efecto incierto o incluso desfavorable.

En una comunidad profesional la información llega acompañada de la reputación de quien la transmite y de las relaciones de trabajo en que circula. Un resultado publicado puede conocerse por una conversación con un colega de confianza. Una misma recomendación institucional se interpreta de manera distinta en equipos con recursos diferentes. Un análisis de difusión necesita representar quién observa a quién y qué señales considera pertinentes cada profesional.

Greenhalgh y colaboradores (2004) revisaron una literatura extensa y heterogénea sobre difusión de innovaciones en organizaciones de servicios, con énfasis en la atención de salud, mediante un procedimiento que llamaron revisión metanarrativa. La revisión separa cuatro procesos. La difusión es la propagación pasiva, por lo general informal y mediada por pares. La diseminación reúne los esfuerzos activos y planificados para persuadir a grupos destinatarios de que adopten una innovación. La implementación designa los esfuerzos activos para incorporarla al funcionamiento habitual de una organización, mientras la sostenibilidad consiste en mantenerla como rutina hasta que quede obsoleta. Los autores excluyeron este último proceso del artículo porque la literatura disponible era escasa. Presentan su modelo conceptual como un recurso para ordenar una situación compleja y advierten que no debe leerse como fórmula prescriptiva.

La revisión aporta una distinción que este capítulo aprovecha. Según sus conclusiones, los mandatos externos aumentan la disposición de una organización a adoptar una innovación sin aumentar su capacidad para hacerlo. Los intentos deliberados de usar líderes de opinión para modificar conductas han tenido efectos positivos aunque pequeños. Un referente respetado puede, entonces, dar a conocer una práctica en un servicio que carece del tiempo, la formación o el financiamiento necesarios para sostenerla.

El ejemplo del capítulo representa a cuarenta profesionales distribuidos en dos comunidades conectadas. Se comparan reglas de adopción basadas en la exposición a colegas, en una confianza que depende del origen del contacto y en señales sobre resultados, con y sin respaldo institucional explícito. La utilidad verdadera de la práctica se fija deliberadamente en un valor desfavorable para examinar en qué condiciones persiste pese a ello. Todos los parámetros son sintéticos y los resultados provienen de una simulación didáctica. El modelo no representa una práctica clínica real, no informa sobre la frecuencia de estos fenómenos en servicios reales ni atribuye irracionalidad a profesionales concretos.

El trabajo formal separa cuatro variables, que son la utilización, la creencia sobre la utilidad, la señal observada y el desempeño verdadero fijado por el simulador. Esa separación permite que las señales estén sesgadas mientras las creencias se actualizan de forma coherente con información imperfecta. Si el modelo identificara adopción con beneficio desde sus definiciones, la persistencia de información incorrecta ya estaría excluida por los supuestos.

465.2 Exposición simple y refuerzo social

En una regla de exposición simple, observar a colegas que usan una práctica aumenta la probabilidad de adoptarla. La exposición puede medirse como número de contactos usuarios, como proporción de colegas usuarios o como intensidad de la comunicación. Una persona con muchos contactos puede recibir más mensajes en total y observar a la vez una proporción menor de adoptantes. La medida adecuada depende de si la hipótesis se refiere a la repetición de mensajes, a la norma percibida o a la disponibilidad de información.

El refuerzo social supone que varias fuentes concordantes pesan más que una exposición aislada. Ver a varios colegas usar una práctica puede reducir la incertidumbre sobre su factibilidad o indicar que existen apoyos para incorporarla. Esas fuentes pueden, sin embargo, repetir una misma información original. Contarlas como evidencias independientes sobre eficacia exagera su contenido, de modo que una red puede producir consenso sin generar ninguna observación nueva del resultado clínico.

Centola (2010) estudió experimentalmente la propagación de una conducta relacionada con la salud en comunidades en línea cuya estructura de red fue asignada por el investigador. La adopción individual fue mucho más probable cuando los participantes recibían refuerzo de varios vecinos. La conducta se extendió más lejos y más rápido en retículas agrupadas que en redes aleatorias equivalentes. La conducta estudiada fue inscribirse en un foro de salud en línea, según la descripción del experimento original. El experimento muestra que la topología puede modificar la expansión de una conducta en condiciones controladas. No establece que una red agrupada mejore decisiones clínicas ni que una práctica difundida por refuerzo sea eficaz.

La interpretación general de ese resultado sigue en discusión. Eckles y colaboradores (2024) analizaron modelos de contagio con umbral en los que la adopción por debajo del umbral es rara aunque posible, como cuando alguien adopta teniendo un solo vecino usuario. Con esa modificación, añadir enlaces largos o aleatorios aceleró la propagación en sus resultados teóricos y en simulaciones sobre cientos de redes sociales empíricas. Los autores no reanalizan los datos de Centola. Sostienen que la evidencia de refuerzo social no excluye la adopción por debajo del umbral y que esa posibilidad basta para invertir la predicción sobre los enlaces largos. La observación concierne a este capítulo, porque su regla logística asigna siempre una probabilidad positiva de adopción.

La medicina dispone de estudios observacionales sobre el fenómeno. Keating y colaboradores (2020) examinaron oncólogos estadounidenses que no habían usado bevacizumab en 2005 y 2006 e identificaron sus comunidades profesionales a partir de pacientes compartidos en datos de Medicare. Entre 2007 y 2010 el uso del fármaco fue mayor cuando los pares pertenecían al tercil de mayor uso previo que cuando pertenecían al inferior, con un odds ratio ajustado de 1,64 (IC 95 % 1,20 a 2,25). Las tasas brutas por tercil, de 10,0 %, 9,5 % y 13,6 %, no crecieron de manera monótona. El desenlace de esta cohorte fue la recepción del medicamento. El diseño muestra una asociación compatible con influencia entre pares sin separarla por completo de condiciones compartidas. Tampoco mide si el uso adicional benefició a los pacientes, que es la distinción entre difusión y utilidad que ordena este capítulo.

La topología debe interpretarse junto con la regla de adopción. Un enlace entre comunidades puede transportar información nueva, aunque resulta insuficiente si adoptar exige respaldo de varias personas cercanas. Describir una red como «bien conectada» sin especificar la función de sus enlaces explica poco.

El modelo también admite la desadopción. Algunas prácticas se prueban y se abandonan cuando resultan difíciles de ejecutar o producen señales desfavorables. Un modelo en el que todo adoptante permanece para siempre exagera la persistencia cuando se usa para estudiar aprendizaje. En el ejercicio la decisión se recalcula en cada período, de manera que la adopción acumulada y la utilización actual son medidas distintas.

465.3 Confianza y estructura de la comunidad

La red sintética contiene dos grupos de veinte profesionales. Dentro de cada grupo, cada nodo está conectado con sus dos vecinos más próximos a cada lado de un anillo. Cuatro enlaces unen pares de nodos de grupos distintos. La configuración produce contacto frecuente dentro de cada comunidad y algunos puentes entre ellas. Su tamaño reducido permite inspeccionar las reglas sin pretender reproducir una organización concreta.

Se construyen dos matrices de influencia. En la primera, todos los contactos de una persona reciben igual peso. En la segunda, los enlaces entre comunidades parten de un peso igual a una quinta parte del asignado a los contactos internos, tras lo cual cada fila se normaliza para sumar uno. La normalización convierte los pesos en una distribución de atención o credibilidad relativa.

La exposición ponderada se mantiene entre cero y uno cuando los estados son binarios y los pesos no negativos. Un valor alto indica que buena parte de las fuentes consideradas influyentes usa la práctica. No significa que el profesional haya leído evidencia favorable ni que sus colegas hayan evaluado resultados. El modelo mantiene esa presión social separada de la señal sobre desempeño.

Un cálculo concreto muestra el efecto de la normalización. En un nodo con cuatro contactos internos y un puente, la matriz ponderada asigna 1/4,2 ≈ 0,2381 a cada contacto interno y 0,2/4,2 ≈ 0,0476 al externo, mientras con pesos iguales cada uno recibiría 0,20. Cuando el vecino externo adopta, la exposición del nodo sube 0,0476 en el primer caso y 0,20 en el segundo. El peso inicial de un enlace no coincide con su influencia final.

El peso reducido entre comunidades representa confianza relativa dentro del escenario y no implica que desconfiar de la información externa sea siempre perjudicial. Los contactos internos pueden conocer mejor las restricciones locales. Los externos pueden aportar experiencias transferibles o irrelevantes según el caso. En una comunidad real habría que medir qué atributos hacen creíble una fuente y si esa credibilidad guarda relación con la calidad de la información.

La red permanece fija durante la simulación. En la práctica, la adopción puede modificar las relaciones cuando quienes usan un procedimiento intercambian más información entre sí. Esa selección de contactos genera retroalimentación y dificulta separar la influencia de la homofilia. Representarla exigiría reglas adicionales y datos longitudinales sobre vínculos. Mantener la red fija delimita el alcance del ejemplo.

465.4 Señales de resultado y creencias actualizadas

El desempeño verdadero de la práctica se fija en −0,08 unidades de utilidad por período de uso, en comparación con la alternativa habitual. La escala es abstracta y no corresponde a síntomas, eventos adversos ni costos. Cada profesional recibe en cada período una señal ruidosa de desempeño, con ruido independiente entre profesionales y períodos. En algunos escenarios la señal tiene además un sesgo positivo de 0,18, de modo que su media es favorable aunque la utilidad verdadera sea negativa.

El sesgo puede ilustrar la selección de casos con mejor pronóstico, la observación incompleta de consecuencias tardías o la circulación preferente de experiencias favorables. El modelo no distingue esas causas y usa un desplazamiento fijo para estudiar sus consecuencias. En datos reales habría que identificar el mecanismo del sesgo, porque restar una cantidad arbitraria a los resultados no constituye un ajuste válido.

La creencia sobre la utilidad se actualiza asignando cuatro quintas partes del peso a la creencia previa y una quinta parte a la señal nueva. Es un promedio móvil exponencial, distinto de una distribución posterior bayesiana derivada de un modelo completo de observación. Las creencias comienzan en 0,10, valor que representa una expectativa inicial favorable.

Las propiedades de esta regla pueden calcularse sin simulación. Con señales de media constante, la creencia converge en promedio hacia u + b. La diferencia inicial se reduce a la mitad cada ln 0,5 / ln 0,8 ≈ 3,1 períodos. En régimen estacionario la creencia fluctúa entre profesionales con una desviación estándar de 0,12·√(0,2/1,8) = 0,04. Sin sesgo, la creencia baja desde 0,10 hacia −0,08 y completa cerca del 90 % del recorrido en diez períodos. Con sesgo, la media de las señales es −0,08 + 0,18 = 0,10, idéntica a la creencia inicial. En ese escenario la experiencia acumulada confirma la expectativa favorable de partida.

Todos los profesionales reciben señales en cada período, incluso cuando no usan la práctica. La convención representa el acceso a una fuente común de evaluación y evita mezclar el sesgo de observación con la falta de información entre quienes no adoptan. Un modelo de aprendizaje exclusivamente por experiencia tendría que condicionar la señal a la adopción, lo que permitiría que dejar de usar una práctica detuviera la obtención de datos propios.

La distinción entre señal y verdad solo está disponible en la simulación. En observaciones reales la utilidad verdadera debe estimarse mediante diseños y modelos con incertidumbre. El ejemplo demuestra una posibilidad lógica de persistencia del error sin establecer con qué frecuencia ocurre en comunidades profesionales.

465.5 Una regla probabilística de utilización

La probabilidad de usar la práctica en el período siguiente depende de la exposición, de la influencia institucional y, cuando el aprendizaje está activo, de la creencia sobre utilidad. Una transformación logística mantiene las probabilidades entre cero y uno. El término constante favorece una utilización baja en ausencia de señales sociales o de resultado. La influencia institucional se representa como un incremento del puntaje, interpretable como incentivo o respaldo explícito.

El puntaje incluye m_i(t+1) porque el programa incorpora la señal del período t antes de decidir el estado siguiente. En las reglas basadas solo en exposición se omite el último término. La decisión compara la probabilidad con una variable uniforme independiente, de modo que dos profesionales con el mismo puntaje pueden actuar de forma distinta. Esa variación resume factores no representados.

La magnitud de cada término orienta la lectura. La exposición aporta entre 0 y 5 unidades de puntaje. Con pesos iguales, un solo vecino usuario de cinco añade una unidad. La creencia aporta +1,2 cuando vale 0,10 y −0,96 cuando vale −0,08. Si todos los vecinos usan la práctica y la creencia ya se ajustó a la utilidad verdadera, el puntaje vale 1,04 sin respaldo institucional y 2,04 con él, lo que corresponde a probabilidades de 0,74 y 0,885 de seguir usándola. La presión social basta para sostener durante un tiempo una práctica que todos consideran desfavorable. Como la regla carece de umbral estricto, la probabilidad de adopción nunca es nula.

Una aproximación de campo medio, que asigna a todos los profesionales la misma exposición, permite anticipar los resultados con independencia del código. Si x es la proporción de usuarios, la proporción del período siguiente es aproximadamente σ(c + 5x), donde σ es la función logística y c reúne el término constante, el respaldo institucional y la contribución media de la creencia. En todos los escenarios del capítulo esa ecuación tiene un único punto fijo estable, por ejemplo 0,984 con sesgo y respaldo institucional, 0,950 con sesgo sin respaldo y 0,068 con señal insesgada y respaldo. La aproximación no predice biestabilidad. Esto orienta una hipótesis de persistencia transitoria tras corregir la señal, pero no demuestra por sí solo la dinámica de la red estocástica.

La actualización es simultánea. El código calcula primero todas las exposiciones y luego actualiza el vector completo, de modo que el orden de recorrido de los nodos no altera los resultados. Cada simulación comienza con cuatro usuarios en la primera comunidad y dura ochenta períodos. El resultado principal es la proporción media de usuarios en los últimos veinte, medida menos dependiente de una instantánea final que no debe leerse como equilibrio demostrado. Las mismas realizaciones aleatorias se reutilizan entre escenarios, lo que reduce el ruido al comparar mecanismos. Algunos contrastes modifican más de un factor a la vez y describen paquetes de cambios. Estimar interacciones entre confianza, sesgo e influencia institucional requeriría un diseño factorial completo.

465.6 Resultados de difusión y desempeño

La regla de exposición con pesos iguales produce una utilización media final de 0,07625. Al ponderar la confianza interna sin aprendizaje, la utilización resulta 0,09125. Ambas reglas ignoran la utilidad verdadera, por lo que cualquier uso produce una pérdida esperada en la escala sintética.

La utilidad media se obtiene multiplicando la utilización por −0,08, lo que supone un efecto homogéneo y omite costos de aprendizaje o de cambio. Que una difusión mayor se acompañe de un desempeño peor quedó fijado por el simulador. Lo que el ejemplo pone a prueba es que una regla de adopción que incorpora información sobre resultados puede sostener una difusión elevada cuando esa información está sesgada.

Para estimar la variabilidad atribuible al azar, los seis escenarios se repitieron con 500 realizaciones independientes, conservando la red y las condiciones iniciales. La tabla resume la utilización de los últimos veinte períodos.

Las réplicas confirman el orden de magnitud de cada escenario y corrigen una lectura de la primera tabla. La exposición ponderada por confianza supera a la de pesos iguales en el 58 % de las réplicas, con una diferencia media de 0,002, por lo que la diferencia de la realización principal no constituye una estimación estable del efecto de la ponderación. Los escenarios con señal sesgada se separan de los demás en todas las réplicas. Los valores concuerdan con la aproximación de campo medio, salvo en el escenario insesgado con respaldo, donde la simulación da 0,12 frente a 0,07. La dispersión de creencias explica solo una parte pequeña de esa diferencia, que no se descompuso aquí.

El contraste entre señales sesgadas con y sin influencia institucional mantiene constantes la confianza, el sesgo y las realizaciones aleatorias. La utilización sube desde nueve décimas hasta casi la totalidad de los profesionales, de modo que aquí el respaldo institucional refuerza una práctica desfavorable. Con utilidad positiva y señales informativas, el mismo mecanismo facilitaría un beneficio.

El último escenario de la tabla requiere una lectura cuidadosa. Su simulación comienza en el período cero con señales sin sesgo y cuatro usuarios, de modo que la práctica nunca llega a arraigarse. La comparación con el escenario sesgado bajo el mismo respaldo, de 0,975 frente a 0,13875, contrasta dos trayectorias completas. Indica que, con respaldo institucional y presión social, alrededor de un octavo de los profesionales usa la práctica aunque las señales hayan sido insesgadas desde el inicio. No describe la retirada de una práctica arraigada ni su velocidad.

La retirada requiere un experimento en el que la señal cambie después de que la práctica se ha extendido. La simulación dura 120 períodos con red ponderada por confianza. Las señales tienen sesgo de 0,18 hasta el período 59 y son insesgadas desde el 60. Con las mismas realizaciones aleatorias se comparan tres variantes, que mantienen el sesgo, lo corrigen conservando el respaldo institucional o lo corrigen retirando a la vez ese respaldo.

En la realización principal la creencia media pasa de 0,099 en el período 59 a −0,054 en el 69 y a −0,083 en el 79, al ritmo calculado en la sección 465.4. La utilización tarda más. Con el respaldo intacto se mantiene por encima de 0,5 durante diecisiete períodos tras la corrección, porque la exposición a colegas usuarios compensa la creencia desfavorable. La retirada avanza a medida que los abandonos aleatorios reducen la exposición de los demás. En 500 réplicas del experimento, la mediana del retraso hasta bajar de 0,5 fue de 13 períodos (percentiles 5 y 95, 9 y 17) y hasta bajar de 0,2 fue de 19 (13 y 28). El uso final medio fue 0,126 con respaldo y 0,026 sin él, cercano al de los escenarios que nunca tuvieron sesgo, en concordancia cualitativa con la aproximación de campo medio.

Dentro del modelo, corregir la información no retira de inmediato una práctica extendida, porque la presión social introduce un retraso varias veces mayor que el de la actualización de creencias. Las medias finales observadas son próximas a las de los escenarios insesgados desde el inicio; esa proximidad no demuestra independencia exacta de la historia ni convergencia estacionaria. Retirar el respaldo institucional junto con la corrección acorta el retraso. Estas cifras dependen de la memoria de la regla de creencias, del peso de la exposición y del tamaño de la red, por lo que no son extrapolables a servicios reales.

El escenario de señales sin sesgo y pesos iguales produce la menor utilización de las tablas. Compararlo con el de confianza y sesgo modifica dos factores a la vez, por lo que la diferencia no puede atribuirse solo a la confianza. La misma precaución vale para evaluaciones reales en las que una campaña, una formación y un cambio de incentivos se introducen juntos.

465.7 Código de la comunidad profesional

El primer programa construye la red, verifica la normalización y ejecuta los seis escenarios de la tabla principal con las mismas señales y variables uniformes. Las aserciones reproducen los resultados de esta realización sin garantizar su estabilidad en otras semillas o redes.

import numpy as np

n = 40
A = np.zeros((n, n))
for i in range(n):
    for step in [1, 2, -1, -2]:
        A[i, (i//20)*20+(i+step)%20] = 1
for i in [0, 5, 10, 15]:
    A[i, i+20] = A[i+20, i] = 1
V = A/A.sum(axis=1, keepdims=True)
W = A.copy()
for i in range(n):
    for j in range(n):
        if i//20 != j//20:
            W[i, j] *= .2
W /= W.sum(axis=1, keepdims=True)
assert np.allclose(W.sum(axis=1), 1)
assert np.allclose(V.sum(axis=1), 1)
assert np.allclose(A, A.T)

rng = np.random.default_rng(465)
uniform = rng.random((80, n))
noise = rng.normal(0, .12, (80, n))

def run(weights, bias=0., institutional=0., learning=True):
    x = np.zeros(n)
    x[:4] = 1
    belief = np.full(n, .1)
    history = []
    for t in range(80):
        exposure = weights @ x
        signal = -.08+bias+noise[t]
        belief = .8*belief+.2*signal
        score = -3+5*exposure+institutional
        if learning:
            score += 12*belief
        probability = 1/(1+np.exp(-score))
        assert np.all((probability >= 0) & (probability <= 1))
        x = (uniform[t] < probability).astype(float)
        history.append(x.mean())
    adoption = float(np.mean(history[-20:]))
    return adoption, -.08*adoption

cases = {
    "exposicion": run(V, learning=False),
    "confianza": run(W, learning=False),
    "senal_correcta": run(V),
    "sesgo": run(W, bias=.18),
    "sesgo_institucional": run(W, bias=.18, institutional=1),
    "correccion_institucional": run(W, institutional=1)
}
expected = [.07625, .09125, .02375, .91375, .975, .13875]
for (name, result), target in zip(cases.items(), expected):
    assert np.isclose(result[0], target)
    assert np.isclose(result[1], -.08*result[0])
    print(name, np.round(result, 6))

El segundo programa se ejecuta a continuación del primero y permite que el sesgo y el respaldo institucional cambien en cada período. Comprueba que reproduce un valor de la tabla principal y ejecuta el experimento de corrección y las réplicas.

def simulate(weights, u, eps, bias, h, learning=True):
    # bias y h son vectores con un valor por período
    x = np.zeros(n)
    x[:4] = 1
    belief = np.full(n, .1)
    use, mean_belief = [], []
    for t in range(len(u)):
        exposure = weights @ x
        belief = .8*belief+.2*(-.08+bias[t]+eps[t])
        score = -3+5*exposure+h[t]
        if learning:
            score += 12*belief
        x = (u[t] < 1/(1+np.exp(-score))).astype(float)
        use.append(x.mean())
        mean_belief.append(belief.mean())
    return np.array(use), np.array(mean_belief)

def draws(seed, T):
    g = np.random.default_rng(seed)
    return g.random((T, n)), g.normal(0, .12, (T, n))

# Comprobación: con vectores constantes se reproduce la tabla principal
u0, e0 = draws(465, 80)
flat = lambda v, T=80: np.full(T, float(v))
check = simulate(W, u0, e0, flat(.18), flat(1))[0]
assert np.isclose(check[-20:].mean(), .975)

# Corrección a mitad de trayectoria: sesgo 0,18 hasta t=59, sesgo 0 desde t=60
T, s = 120, 60
u1, e1 = draws(465, T)
step = lambda a, b: np.r_[np.full(s, a), np.full(T-s, b)]
keep, _ = simulate(W, u1, e1, flat(.18, T), flat(1, T))
fix, belief_fix = simulate(W, u1, e1, step(.18, 0.), flat(1, T))
fix_h0, _ = simulate(W, u1, e1, step(.18, 0.), step(1., 0.))
def first_below(use, c):
    below = use[s:] < c
    assert below.any()
    return s+int(np.argmax(below))

for name, use in [("sesgo_mantenido", keep), ("correccion", fix),
                  ("correccion_sin_respaldo", fix_h0)]:
    print(name, round(use[40:60].mean(), 4), round(use[-20:].mean(), 4))
print("creencia media t=59, 69, 79:", np.round(belief_fix[[59, 69, 79]], 3))
print("primer periodo <0,5 y <0,2:", first_below(fix, .5), first_below(fix, .2),
      first_below(fix_h0, .5), first_below(fix_h0, .2))
assert np.isclose(fix[-20:].mean(), .09125)
assert np.isclose(fix_h0[-20:].mean(), .025)

# Réplicas: 500 realizaciones independientes de los seis escenarios
specs = [(V, 0, 0, False), (W, 0, 0, False), (V, 0, 0, True),
         (W, .18, 0, True), (W, .18, 1, True), (W, 0, 1, True)]
R = 500
table = np.zeros((R, 6))
for r in range(R):
    u, e = draws(1000+r, 80)
    for k, (Wk, b, h, learn) in enumerate(specs):
        table[r, k] = simulate(Wk, u, e, flat(b), flat(h), learn)[0][-20:].mean()
print("medias", np.round(table.mean(0), 4))
print("p05", np.round(np.percentile(table, 5, axis=0), 4))
print("p95", np.round(np.percentile(table, 95, axis=0), 4))
print("P(confianza > exposicion)", (table[:, 1] > table[:, 0]).mean())

# Réplicas del experimento de corrección: retraso hasta bajar de 0,5 y de 0,2
lag5, lag2, tail, tail_h0 = [], [], [], []
for r in range(R):
    u, e = draws(5000+r, T)
    use = simulate(W, u, e, step(.18, 0.), flat(1, T))[0]
    use_h0 = simulate(W, u, e, step(.18, 0.), step(1., 0.))[0]
    lag5.append(first_below(use, .5)-s)
    lag2.append(first_below(use, .2)-s)
    tail.append(use[-20:].mean())
    tail_h0.append(use_h0[-20:].mean())
print("retraso <0,5: mediana", np.median(lag5), "p05-p95", np.percentile(lag5, [5, 95]))
print("retraso <0,2: mediana", np.median(lag2), "p05-p95", np.percentile(lag2, [5, 95]))
print("uso final con respaldo", round(np.mean(tail), 4), "sin respaldo", round(np.mean(tail_h0), 4))

Todos los nodos tienen cuatro contactos internos y los ocho extremos de los puentes tienen uno adicional. Como la matriz ponderada normaliza filas, la influencia recíproca entre dos nodos conectados no tiene por qué ser igual. En los puentes coincide porque sus dos extremos tienen el mismo grado ponderado. En cambio, un enlace interno entre un extremo de puente y un nodo sin puente tiene pesos recíprocos distintos, 1/4,2 y 1/4. La matriz completa no es simétrica.

Las réplicas examinan la sensibilidad al azar. Cambiar la ubicación de los usuarios iniciales examinaría la dependencia de las condiciones iniciales, mientras modificar el número de puentes examinaría el efecto de la estructura. Cambiar muchas reglas a la vez y elegir la corrida más ilustrativa impediría identificar el mecanismo responsable.

465.8 Cómo puede persistir información incorrecta

En el ejemplo, la persistencia del error procede de una señal sesgada combinada con influencia social. El promedio móvil aprende la media de lo observado, que con sesgo difiere de la utilidad verdadera. Acumular observaciones reduce la variación aleatoria sin corregir un desplazamiento sistemático. El experimento de la sección 465.6 añade un segundo componente, porque tras corregir la señal las creencias se ajustan en pocos períodos mientras el uso se sostiene un tiempo por la presión de los colegas.

En una práctica real, las consecuencias favorables pueden observarse de inmediato y las desfavorables aparecer más tarde o en otro servicio, de modo que quien adopta recibe una señal parcial. Seguir a los pacientes a lo largo de su recorrido asistencial puede enlazar resultados posteriores con la decisión inicial. Comprobar que esa ampliación cambia decisiones exige medir el acceso a la información, su comprensión y la conducta, además del resultado clínico.

La repetición de una afirmación entre colegas aumenta su familiaridad sin añadir evidencia independiente. Juzgar la calidad informacional exige conocer la procedencia de las afirmaciones y averiguar si distintas experiencias comparten la selección de casos o el método de medición. Los testimonios sirven para detectar problemas de implementación, aunque no equivalen a una comparación controlada.

La retirada también puede ser lenta por los costos del cambio, ya que el equipamiento y las rutinas compartidas crean dependencias. Un profesional puede dudar de un procedimiento y seguir usándolo porque el sistema lo exige o porque carece de alternativa. Medir solo creencias no permite inferir la conducta, del mismo modo que medir la conducta no revela aceptación.

Una corrección informacional puede resultar creíble para un grupo y poco pertinente para otro cuando sus contextos difieren. Calificar cualquier desacuerdo como resistencia irracional impide reconocer incertidumbres legítimas. A la vez, la posibilidad de heterogeneidad no autoriza a descartar evidencia desfavorable sin una hipótesis contrastable sobre por qué el contexto cambiaría el efecto.

465.9 Diseñar una evaluación de difusión

Una evaluación debe definir la adopción con precisión. Conocer una práctica, haberla probado una vez, utilizarla regularmente y aplicarla con competencia son estados distintos. Las encuestas de intención anticipan interés sin medir uso. Los registros administrativos captan procedimientos facturados sin informar sobre la calidad de su ejecución. Combinar fuentes evita atribuir a la difusión lo que corresponde a cambios en la forma de documentar.

La red profesional también requiere una medición pertinente. Preguntar con quién se trabaja no identifica necesariamente a quién se consulta antes de decidir. Una persona puede, además, considerar referente a otra sin reciprocidad. Si la hipótesis se refiere a influencia, la definición de vínculo debe aproximarse a esa función. Las redes construidas a partir de pacientes compartidos, como en el estudio sobre bevacizumab, ofrecen una alternativa basada en registros, aunque compartir pacientes no equivale a intercambiar información sobre una práctica concreta.

La asociación entre colegas usuarios puede deberse a influencia, a selección de contactos o a condiciones compartidas. Dos profesionales del mismo servicio pueden adoptar una práctica por una instrucción común sin haber conversado nunca sobre ella. Que uno adopte antes que otro tampoco elimina las explicaciones alternativas. Los diseños experimentales, la variación institucional aprovechable y las mediciones longitudinales ayudan cuando declaran sus supuestos.

El desempeño debe medirse con independencia del éxito de la difusión. Una campaña evaluada solo por el uso puede declararse exitosa aunque la práctica no aporte beneficio. Una comparación pertinente incluye resultados asistenciales, costos y posibles daños frente a una alternativa definida. La evaluación puede mostrar que la difusión funcionó en una práctica inútil, o que una práctica útil se adoptó poco por restricciones organizacionales.

Los efectos entre personas complican la asignación individual, porque una formación dirigida a ciertos profesionales puede influir en colegas del grupo comparador. Esa interferencia forma parte del mecanismo de difusión. El diseño debe decidir si estima el efecto directo, el efecto de la exposición de los vecinos o el de una política aplicada a una comunidad entera. Esa elección determina qué unidades se asignan y qué datos de red se recogen.

465.10 Instituciones, legitimidad y aprendizaje

Una institución puede acelerar la adopción mediante protocolos, formación, recursos o indicadores. Un protocolo aumenta la expectativa de uso. La formación mejora la capacidad de ejecución, mientras los recursos eliminan restricciones materiales, en línea con la observación de Greenhalgh y colaboradores sobre mandatos que elevan la disposición sin elevar la capacidad. Cuando estas acciones se introducen juntas, la expansión observada pertenece al paquete completo.

La legitimidad de una recomendación depende de su fundamento y de cómo comunica la incertidumbre. Presentar una práctica prometedora como definitivamente superior facilita su adopción inicial y dificulta su revisión posterior. Una política que declara qué evidencia la sustenta y cuándo se reevaluará permite actualizar decisiones sin que cada cambio se perciba como pérdida de credibilidad.

Los referentes profesionales pueden ayudar a interpretar la evidencia y a adaptar la implementación, aunque su influencia no sustituye la calidad del argumento ni elimina posibles conflictos de interés. Una evaluación de difusión debe registrar quién promueve la práctica, qué información utiliza y qué recursos aporta.

La desimplementación requiere alternativas practicables. Si una rutina se retira sin resolver la función que cumplía, los equipos pueden conservarla de manera informal o reemplazarla por otra igualmente incierta. Una práctica puede persistir porque organiza la comunicación o el acceso a la atención, aunque su efecto clínico específico sea limitado. Dentro de sus supuestos, el experimento de la sección 465.6 sugiere que retirar el respaldo institucional junto con la corrección informativa acorta el uso residual.

La información sobre resultados debe llegar a quienes deciden en una forma interpretable. Un informe anual puede llegar demasiado tarde, mientras datos muy frecuentes y ruidosos pueden inducir cambios erráticos. La simulación simplifica este problema con una señal por período, mientras una aplicación real tendría que justificar su propio calendario de retroalimentación.

465.11 Límites de una explicación basada en redes

La red no determina por completo la decisión profesional. Las normas, los recursos, la formación previa y las necesidades de la población atendida pueden pesar más que la influencia de los colegas. Un buen ajuste a una curva agregada de adopción puede obtenerse con mecanismos diferentes y no valida la interpretación de los parámetros. La discusión entre contagio con umbral estricto y contagio con ruido, revisada en la sección 465.2, muestra que supuestos aparentemente menores cambian la predicción sobre el papel de la estructura.

La utilidad constante es otra simplificación importante. Una práctica puede mejorar con la experiencia de los equipos o resultar útil en unos contextos y perjudicial en otros. Incorporar esa heterogeneidad complicaría la inferencia, porque una señal favorable podría reflejar selección de contextos, mejora de competencia o sesgo.

El resultado sintético más relevante es la coexistencia de adopción alta y utilidad negativa cuando las señales están sesgadas y reciben respaldo social e institucional. El experimento de corrección añade que, en este modelo, la retirada se produce con un retraso apreciable y deja un uso residual similar al de una comunidad que nunca recibió señales sesgadas. Estos resultados pertenecen a reglas declaradas y verificadas. Sirven para formular preguntas sobre una comunidad real, no para diagnosticarla a distancia.

Una evaluación responsable especifica la red, las reglas de actualización, la calidad de las señales y el criterio de desempeño, los mantiene separados y documenta qué observaciones podrían cambiar la explicación. La difusión es un resultado organizacional valioso cuando extiende una práctica útil y ejecutable, aunque por sí sola no responde qué consecuencias produce ni para quiénes.

465.12 Distinguir cinco mensajes de cinco observaciones

Un ejemplo de actualización probabilística precisa el problema de la repetición. Supóngase una creencia inicial que asigna igual probabilidad a que una práctica sea útil o no lo sea, lo que corresponde a una razón de probabilidades a priori de uno. Una observación nueva tiene una razón de verosimilitudes de tres a favor de la utilidad. Después de la observación, la razón de probabilidades pasa a tres y la probabilidad de utilidad a tres cuartos. El cálculo supone que la observación y su razón de verosimilitudes están bien definidas.

Si cinco colegas comunican esa misma observación, el dato original no se convierte en cinco datos independientes. La actualización pertinente sigue correspondiendo a una sola observación, aunque existan cinco transmisores. Multiplicar cinco veces la razón de verosimilitudes daría una razón de 3⁵ = 243 y una probabilidad de 243/244 ≈ 0,9959. Esa confianza sería injustificada si todos los mensajes proceden del mismo episodio. La procedencia de la información cambia la interpretación de su aparente abundancia.

La situación intermedia incluye observaciones parcialmente correlacionadas. Cinco equipos pueden atender poblaciones diferentes y compartir, aun así, una misma selección de resultados favorables, o usar un instrumento con el mismo error sistemático. Para la media de n observaciones con igual varianza y correlación común ρ entre todos los pares, la varianza de la media equivale a la de n_ef observaciones independientes.

La expresión describe la precisión de esa media bajo supuestos específicos y no sirve como fórmula general para evaluar una literatura. Con diez observaciones y correlación de 0,80, el tamaño efectivo es 10/8,2 ≈ 1,22. Con correlación completa, n_ef vale uno con independencia del número de mensajes, que es el caso de los cinco colegas del párrafo anterior. La cifra no invita a ignorar la experiencia repetida. Permite preguntar qué parte aporta variación independiente y qué parte reproduce un proceso común.

En una investigación de difusión, esa procedencia puede medirse preguntando qué estudio, experiencia o recomendación motivó la adopción. Un mapa de citas y conversaciones identifica las rutas por las que un único resultado adquiere apariencia de consenso amplio. Una intervención informacional podría entonces mejorar el acceso a la fuente original y a sus límites. Su éxito se mediría por la comprensión alcanzada y por decisiones concordantes con la evidencia, con independencia del volumen de comunicación generado.

Referencias

Centola, D. (2010). The spread of behavior in an online social network experiment. Science, 329(5996), 1194–1197. https://doi.org/10.1126/science.1185231

Eckles, D., Mossel, E., Rahimian, M. A., y Sen, S. (2024). Long ties accelerate noisy threshold-based contagions. Nature Human Behaviour, 8(6), 1057–1064. https://doi.org/10.1038/s41562-024-01865-0

Greenhalgh, T., Robert, G., Macfarlane, F., Bate, P., y Kyriakidou, O. (2004). Diffusion of innovations in service organizations: Systematic review and recommendations. The Milbank Quarterly, 82(4), 581–629. https://doi.org/10.1111/j.0887-378X.2004.00325.x

Keating, N. L., O'Malley, A. J., Onnela, J.-P., Gray, S. W., y Landon, B. E. (2020). Association of physician peer influence with subsequent physician adoption and use of bevacizumab. JAMA Network Open, 3(1), e1918586. https://doi.org/10.1001/jamanetworkopen.2019.18586