Heterogeneidad, equifinalidad y multifinalidad

434.1. Diferir no significa diferir en todo

Dos personas pueden compartir una categoría clínica y presentar experiencias distintas. Otras describen síntomas semejantes y evolucionan de manera diferente, o siguen trayectorias parecidas hasta que una intervención produce respuestas divergentes. Cada una de estas formas de heterogeneidad plantea una pregunta propia y requiere observaciones específicas para responderla.

La heterogeneidad de presentación concierne a qué manifestaciones aparecen y cómo se organizan en un momento dado. La heterogeneidad de evolución se refiere al cambio de esas manifestaciones en el tiempo, mientras que la de respuesta atañe a las consecuencias de una acción o de una modificación del contexto. Constatar una de ellas no demuestra las otras.

Cicchetti y Rogosch (1996) emplearon los conceptos de equifinalidad y multifinalidad, que toman de la teoría general de sistemas, para analizar la diversidad de procesos y resultados en psicopatología del desarrollo. En su formulación, la equifinalidad describe que un mismo estado final puede alcanzarse desde condiciones iniciales diferentes y por procesos distintos. La multifinalidad expresa que un mismo componente puede operar de modo diferente según la organización del sistema en que se inserta, de manera que orígenes comunes pueden conducir a resultados divergentes. Aplicar estos conceptos exige precisar qué se considera semejante y en qué nivel se hace la comparación.

Los ejemplos que siguen comparan procesos con la misma distribución de estados y distinta memoria temporal, condiciones iniciales próximas que terminan en estados diferentes y mezclas poblacionales cuyos promedios no informan sobre las respuestas individuales. Son construcciones formales e hipotéticas. No asignan mecanismos a diagnósticos ni suponen que la diversidad clínica corresponda a subtipos biológicos discretos. Su propósito es identificar qué observaciones permitirían distinguir explicaciones que una descripción agregada trata como equivalentes.

434.2. Especificar el resultado cuya semejanza interesa

La equifinalidad depende de la variable de resultado elegida. Dos trayectorias pueden terminar con la misma puntuación total y conservar perfiles sintomáticos diferentes, o alcanzar un funcionamiento observable equivalente con esfuerzos subjetivos muy distintos. También pueden compartir la media de un periodo y diferir en la amplitud de sus fluctuaciones o en la duración de los tramos desfavorables.

Toda comparación necesita declarar una escala y una tolerancia. Afirmar que dos distribuciones son idénticas es más exigente que afirmar que sus promedios se parecen. En datos empíricos, la incertidumbre de medición puede volver indistinguibles diferencias que existen en el sistema, por lo que la ausencia de una diferencia detectada no basta para establecer equivalencia.

El punto final tampoco resume el costo del recorrido. Dos procesos pueden llegar al mismo estado después de periodos de dificultad de duración muy distinta. Si la pregunta concierne a la carga acumulada o a la velocidad de recuperación, el estado final omite precisamente la información pertinente.

La definición del resultado determina, por tanto, qué mecanismos parecen equifinales. Cuando solo se registra una suma, muchas configuraciones coinciden; al incorporar la secuencia temporal, el contexto o la respuesta a perturbaciones, algunas dejan de ser equivalentes.

Esta dependencia debe mantenerse visible al formular hipótesis clínicas. Decir que varias rutas conducen a un mismo síndrome puede ser una descripción defendible de una regla categorial sin implicar que todas las experiencias sean idénticas ni que compartan una organización causal. El nivel en que se afirma la equivalencia tiene que quedar explícito.

434.3. Dos procesos con idéntica distribución estacionaria

Consideremos una variable continua cuyo valor en cada paso combina su estado anterior, una entrada constante y un ruido aleatorio. Se construyen dos procesos autorregresivos de primer orden que difieren en su persistencia $\rho$. En cada uno, la entrada se fija para que la media estacionaria sea 1 y la varianza del ruido para que la varianza estacionaria sea 0,04.

El primer proceso tiene persistencia 0,8 y el segundo, 0,2. La media estacionaria $\mu$ satisface $\mu=\rho\mu+(1-\rho)$, cuya única solución es $\mu=1$ para cualquier persistencia distinta de 1. La varianza estacionaria $v$ satisface $v=\rho^2v+0.04(1-\rho^2)$, de donde $v=0.04$. Como el proceso es lineal y el ruido es gaussiano, la distribución estacionaria es normal y queda determinada por esos dos momentos.

Una muestra transversal de estados no permite distinguir los dos procesos por su distribución. La entrada constante compensa la pérdida media que produce la amortiguación, mientras que la varianza del ruido se ajusta a la intensidad de esa amortiguación. Los mecanismos difieren en el peso relativo que asignan a la continuidad del estado y a la innovación aleatoria, aunque el resultado marginal coincida.

Las variables son abstractas y no representan ninguna escala diagnóstica; en una aplicación habría que justificar cómo se observa el estado y qué significan la persistencia, la entrada y el ruido. El término equifinalidad se usa aquí para una equivalencia precisa, la de las distribuciones marginales. Los procesos no son idénticos a lo largo de sus trayectorias. Esa diferencia proporciona la observación discriminante que un análisis transversal deja fuera.

434.4. La secuencia temporal distingue los mecanismos

La covarianza entre estados consecutivos es el producto de la persistencia por la varianza estacionaria. Los dos procesos tienen, por tanto, covarianzas rezagadas distintas (0,032 y 0,008) aunque sus distribuciones en un instante coincidan. Bajo los supuestos del generador, la correlación a un paso es igual al coeficiente autorregresivo.

En el proceso más persistente, una desviación tiende a mantenerse durante varios pasos y basta un ruido menor para sostener la varianza marginal. En el menos persistente, la memoria se disipa con rapidez y son las innovaciones nuevas las que aportan la mayor parte de la variación. Una misma dispersión observada puede resultar así de combinaciones distintas de continuidad e innovación.

Las mediciones repetidas permiten estudiar esta diferencia si su intervalo es compatible con la escala temporal de la dinámica. Con observaciones separadas por $k$ pasos, la correlación entre ellas es $\rho^k$. Si las mediciones se espacian demasiado, ambas correlaciones se aproximan a cero y los procesos vuelven a confundirse.

La medición introduce otra fuente de confusión. Un error independiente añade varianza sin aportar covarianza temporal, de modo que la autocorrelación observada se reduce por el factor $0.04/(0.04+\sigma_m^2)$, donde $\sigma_m^2$ es la varianza del error. Si esa varianza iguala a la del estado, la correlación observada del proceso persistente baja de 0,8 a 0,4. Dos mecanismos distintos registrados con instrumentos de precisión diferente pueden parecer, por esta vía, más semejantes o más distintos de lo que son. El diseño debe tratar la dinámica y la medición de manera conjunta.

Por la misma razón, una dispersión elevada no identifica por sí misma inestabilidad temporal. Puede corresponder a estados duraderos que difieren entre periodos o a fluctuaciones rápidas alrededor de una media estable. Solo la secuencia de valores permite distinguir ambos casos.

434.5. Respuesta a una perturbación común

Supongamos una perturbación idealizada que, en un instante, desplaza ambos procesos 0,5 unidades por encima de su media y luego desaparece. Como el sistema es lineal, la desviación esperada respecto de la media decae según potencias de la persistencia. El mismo desplazamiento inicial produce recuperaciones distintas porque las reglas dinámicas difieren.

Tres pasos después, la desviación esperada es 0,256 en el proceso persistente y 0,004 en el otro. Esa diferencia no puede anticiparse a partir de la distribución marginal compartida si no se dispone de información sobre la dinámica.

La suma de las desviaciones esperadas a lo largo del tiempo, una medida simple del efecto acumulado, también difiere. Para una persistencia de valor absoluto menor que uno, la serie geométrica converge y su valor se obtiene directamente. Con esta definición de respuesta, el proceso persistente acumula un efecto cuatro veces mayor.

La perturbación es aquí una operación del simulador. Una intervención real podría modificar también la persistencia, la entrada o el ruido, en cuyo caso la respuesta ya no equivaldría a desplazar el estado inicial. El modelo de la acción debe especificarse antes de interpretar cualquier comparación.

Dos sistemas indistinguibles en una medición transversal pueden requerir, así, modelos diferentes para anticipar su recuperación. Esa posibilidad justifica estudiar trayectorias y perturbaciones antes de suponer que una semejanza descriptiva refleja un mecanismo común.

434.6. Código de simulación y contraste

El programa genera series largas de ambos procesos, descarta un segmento inicial y comprueba que la media y la varianza muestrales se aproximan a los valores estacionarios. Verifica además que la correlación a un paso se acerca a la persistencia de cada proceso. Los dos bloques restantes corresponden a las secciones siguientes: la integración de un sistema no lineal con dos destinos posibles y una mezcla de dos grupos cuya asociación agregada tiene signo opuesto al de las asociaciones internas.

import numpy as np
from scipy.integrate import solve_ivp

rng = np.random.default_rng(434)
for rho in [0.8, 0.2]:
    x = np.zeros(6501)
    x[0] = 1
    sd = np.sqrt(0.04*(1-rho*rho))
    for t in range(6500):
        x[t+1] = rho*x[t]+1-rho+rng.normal(0, sd)
    y = x[501:]
    r1 = np.corrcoef(y[:-1], y[1:])[0, 1]
    assert abs(y.mean()-1) < 0.025
    assert abs(y.var()-0.04) < 0.006
    assert abs(r1-rho) < 0.05
    print("Persistencia, media, varianza, correlación",
          rho, y.mean(), y.var(), r1)
    print("Respuesta al tercer paso y efecto acumulado",
          0.5*rho**3, 0.5/(1-rho))

for inicial in [-0.02, 0.02]:
    sol = solve_ivp(lambda t, x: x-x**3, (0, 10), [inicial],
                    rtol=1e-10, atol=1e-12)
    exacta = inicial*np.exp(10)/np.sqrt(1+inicial**2*(np.exp(20)-1))
    assert np.isclose(sol.y[0, -1], exacta, atol=1e-8)
    assert np.sign(sol.y[0, -1]) == np.sign(inicial)
    print("Condición inicial y estado final", inicial, sol.y[0, -1])

x1 = np.linspace(0, 1, 20)
x2 = x1+3
y1, y2 = 3-x1, 8-x2
pendientes = [np.polyfit(x1, y1, 1)[0], np.polyfit(x2, y2, 1)[0],
              np.polyfit(np.r_[x1, x2], np.r_[y1, y2], 1)[0]]
assert np.allclose(pendientes[:2], [-1, -1])
assert pendientes[2] > 0
X, Y = np.r_[x1, x2], np.r_[y1, y2]
interna = np.mean([np.cov(x1, y1, bias=True)[0, 1],
                   np.cov(x2, y2, bias=True)[0, 1]])
entre = np.cov([x1.mean(), x2.mean()], [y1.mean(), y2.mean()],
               bias=True)[0, 1]
assert np.isclose(np.cov(X, Y, bias=True)[0, 1], interna+entre)
print("Pendientes dentro de grupos y agregada", pendientes)
print("Covarianza interna, entre grupos y total",
      interna, entre, interna+entre)

Con la semilla 434, en la ejecución realizada para preparar este texto (Python 3.13, NumPy 2.5.3 y SciPy 1.18.1), las medias muestrales fueron 0,9995 y 1,0044, las varianzas 0,0425 y 0,0400, y las correlaciones a un paso 0,812 y 0,177 para persistencias de 0,8 y 0,2. Otras versiones de NumPy podrían generar una secuencia aleatoria distinta, con valores próximos pero no idénticos. Las pequeñas diferencias de media y varianza son fluctuaciones muestrales compatibles con la equivalencia teórica, mientras que las correlaciones se separan con claridad, como predice el generador.

La integración numérica termina en −0,999997 y 0,999997 para condiciones iniciales de −0,02 y 0,02, en concordancia con la solución exacta. En la mezcla, la pendiente agregada es 0,601 y la de cada grupo, −1. Las comprobaciones numéricas no reemplazan la derivación. Sirven para detectar errores de implementación y para vincular las ecuaciones con trayectorias concretas.

434.7. Condiciones próximas con resultados divergentes

Para representar la multifinalidad se usa una dinámica no lineal con dos equilibrios estables y uno inestable. Si la variable comienza entre 0 y 1, crece hacia 1; si comienza entre −1 y 0, disminuye hacia −1. Los signos designan estados abstractos, sin significado clínico favorable o desfavorable.

Los equilibrios son −1, 0 y 1. La derivada de $f(x)=x-x^3$ vale −2 en los extremos y 1 en el origen, de modo que las pequeñas desviaciones respecto de ±1 se amortiguan mientras que una desviación respecto de 0 se amplifica. La ecuación tiene solución exacta, que el código usa como referencia para la integración numérica.

Dos condiciones iniciales de magnitud 0,02 y signo opuesto quedan, después de diez unidades de tiempo, a unas 2,6 millonésimas de extremos diferentes. La distancia inicial es mínima, pero las dos condiciones pertenecen a cuencas de atracción distintas, separadas por el equilibrio inestable.

La divergencia no requiere ruido ni parámetros diferentes. Procede únicamente de la posición inicial respecto de la frontera entre cuencas. Tampoco constituye caos. En una ecuación diferencial autónoma de una sola variable, cada trayectoria se mueve de forma monótona hacia un equilibrio o se aleja de él. Los flujos continuos autónomos necesitan al menos tres dimensiones para exhibir dinámica caótica.

El ejemplo obliga a especificar la fuente de la multifinalidad. Aquí se trata de una diferencia inicial que queda a uno u otro lado de una frontera. En otros modelos la divergencia podría deberse a una perturbación aleatoria, a una entrada contextual o a un cambio de parámetros. Reunir todos esos casos bajo la etiqueta de sensibilidad a las condiciones iniciales ocultaría mecanismos diferentes.

434.8. Fronteras, incertidumbre inicial y predicción probabilística

Si el estado inicial solo se conoce dentro de un intervalo que incluye el cero, el destino final es incierto aunque la ecuación sea determinista. La incertidumbre pertenece entonces al conocimiento de la condición inicial. Una distribución de probabilidad sobre esa condición induce probabilidades sobre los dos destinos: si la condición inicial se distribuyera uniformemente entre −0,01 y 0,03, la probabilidad de terminar cerca de 1 sería 0,75.

Una medición más precisa mejora la predicción en la medida en que permite establecer de qué lado de la frontera comenzó el sistema. Cuando además hay perturbaciones durante la evolución, conocer el inicio con exactitud puede no bastar. Antes de decidir qué dato conviene obtener hay que localizar la fuente de la incertidumbre.

La proximidad a la frontera también afecta el tiempo de transición. Según la solución exacta, la variable tarda unas 3,4 unidades en alcanzar un valor absoluto de 0,5 si parte de 0,02, unas 5,7 si parte de 0,002 y unas 8,0 si parte de 0,0002. Cada reducción a la décima parte de la distancia inicial añade aproximadamente el logaritmo natural de 10, cerca de 2,3 unidades. Un seguimiento breve podría clasificar como estable una trayectoria que todavía no ha abandonado la vecindad del equilibrio inestable.

Interpretar estos resultados en clínica requiere cautela sobre la correspondencia entre variable y fenómeno. El modelo muestra una posibilidad dinámica. No establece que dos personas con historias parecidas se encuentren a ambos lados de una frontera matemática, ni que un diagnóstico corresponda a un atractor.

Su utilidad está en sugerir observaciones discriminantes: la resolución con que se conoce el estado inicial, la secuencia de perturbaciones posteriores y la duración del seguimiento. Una hipótesis de cuencas distintas debe generar predicciones que puedan contrastarse con alternativas, como un cambio de contexto o la existencia de mecanismos diferentes desde el comienzo.

434.9. Heterogeneidad de presentación documentada

Fried y Nesse (2015) examinaron los perfiles sintomáticos de 3.703 pacientes ambulatorios con depresión incluidos en el estudio STAR*D, con datos obtenidos al comienzo de la primera etapa de tratamiento. Usaron el Quick Inventory of Depressive Symptomatology de 16 ítems (QIDS-16) y redujeron sus respuestas a doce síntomas que cubren los criterios del DSM-5 para el trastorno depresivo mayor. Los tres ítems de insomnio se promediaron en uno solo para no inflar artificialmente el número de combinaciones. Cada síntoma se dicotomizó como ausente (puntuación 0 o 1) o presente (2 o 3), lo que admite 4.096 perfiles posibles.

Los autores encontraron 1.030 perfiles distintos. Quinientos un participantes, el 13,5 % de la muestra, presentaron un perfil que no compartían con nadie más; el perfil más frecuente reunió solo al 1,8 %. Para descartar que esa diversidad reflejara únicamente diferencias de gravedad, repitieron el análisis en los 569 participantes que tenían exactamente seis síntomas, la mediana de la muestra. En ese subgrupo hallaron 188 perfiles distintos.

La cifra depende de los indicadores elegidos, del umbral de dicotomización y de la muestra. Los propios autores advierten que la mayoría de los síntomas depresivos son dimensiones continuas y que muchos participantes tomaban medicamentos por otras enfermedades médicas que podrían haber influido en la presentación. El número de perfiles no equivale a un número de mecanismos identificados.

El resultado documenta una diversidad de combinaciones dentro de una población seleccionada por un diagnóstico común. Fried y Nesse lo interpretan como un argumento para cuestionar que la depresión mayor sea un síndrome consistente. Su lectura exige conservar el procedimiento, es decir, un instrumento, un conjunto de ítems y una regla de presencia; otra selección de ítems o de umbrales produciría un número distinto de perfiles.

La diversidad descriptiva plantea preguntas sobre funcionamiento, evolución y respuesta, aunque no las resuelve. Perfiles distintos pueden compartir procesos de mantenimiento, mientras que perfiles semejantes pueden surgir por vías diferentes. El paso del perfil al mecanismo requiere observaciones adicionales.

Tampoco se sigue que la categoría carezca de utilidad, pues puede transmitir información o asociarse con ciertos desenlaces pese a su heterogeneidad interna. La cuestión pertinente es qué afirmaciones autoriza lo que sus miembros tienen en común y para cuáles es necesario conservar distinciones internas. Los perfiles pueden tratarse como hipótesis descriptivas sin convertirlos de inmediato en subtipos naturales. Evaluar su estabilidad, su reproducibilidad en otras muestras y su capacidad predictiva ayuda a decidir si una partición representa una regularidad útil o un producto del procedimiento de análisis.

434.10. Mezclas poblacionales y asociaciones agregadas

Una población puede reunir subgrupos con distribuciones distintas de contexto y de resultado. La asociación agregada combina las relaciones dentro de cada grupo con las diferencias entre sus medias, por lo que su signo puede diferir del que se observa en cada grupo por separado. La inversión de signo entre niveles de agregación se conoce como paradoja de Simpson.

El código construye dos grupos sintéticos de veinte observaciones. En ambos, el resultado disminuye una unidad por cada unidad de aumento de la variable de contexto. El segundo grupo ocupa valores más altos de ambas variables, con una media de contexto tres unidades mayor y una media de resultado dos unidades mayor. Al reunir los grupos, la pendiente se vuelve positiva y alcanza un valor de 0,601.

La inversión no encierra contradicción alguna. La covarianza total se descompone en un componente interno, que promedia las covarianzas dentro de los grupos, y un componente entre grupos, debido a la covariación de sus medias.

En el ejemplo, el componente interno vale −0,092 y el componente entre grupos, 1,5. Domina este último y determina el signo agregado; el código comprueba numéricamente la descomposición. La partición debe tener sentido para la pregunta planteada, porque dividir retrospectivamente una muestra hasta obtener el signo deseado no resuelve ningún problema de inferencia.

En una aplicación clínica, diferencias de contexto, de selección o de nivel basal podrían producir una estructura semejante. El ejemplo no indica cuál de ellas operaría en un caso dado. Muestra que una asociación poblacional no puede trasladarse directamente como regla de cambio individual.

La relación dentro de cada grupo tampoco adquiere carácter causal por el hecho de estar desagregada. Puede conservar confusores no medidos o reflejar mecanismos de selección. Separar niveles mejora la descripción y evita un error de inferencia concreto, aunque identificar el efecto de una intervención exige supuestos adicionales sobre el proceso generador.

434.11. Heterogeneidad continua y subtipos discretos

Observar diversidad no obliga a dividir la población en clases separadas. Los parámetros pueden variar de manera continua, con individuos distribuidos a lo largo de un rango. Un algoritmo de agrupamiento puede devolver grupos aunque el generador no contenga fronteras naturales.

El número de grupos obtenido depende de las variables incluidas, de su escala, de la métrica de distancia y del criterio de ajuste. Un grupo puede aparecer solo porque varios indicadores redundantes reciben un peso excesivo. Por ello la partición debe examinarse bajo decisiones analíticas alternativas y en datos distintos de los que sirvieron para construirla.

Un subtipo útil aporta información que no se reduce a reproducir la regla con que se definió. Puede evaluarse si anticipa la evolución, si se asocia con una respuesta diferente a una intervención o si conserva sus características en otro contexto. Su utilidad depende del resultado considerado y de la magnitud de la mejora que ofrece.

La estabilidad de la pertenencia también requiere interpretación. Que una persona cambie de grupo puede reflejar una evolución real, incertidumbre de clasificación o sensibilidad a pequeñas variaciones de los datos. Presentar la pertenencia como una identidad fija oculta esas posibilidades.

Los modelos continuos y los de mezcla pueden compararse por su capacidad predictiva en datos reservados. Una mezcla puede aproximar una distribución compleja sin que cada componente corresponda a una entidad clínica, de modo que atribuir significado a un componente requiere una hipótesis y evidencia ajenas al ajuste de la densidad.

434.12. Respuestas diferentes a una misma intervención

Hablar de heterogeneidad de respuesta supone que el efecto de una acción varía entre individuos o entre condiciones. Para definirla es preciso especificar la intervención, el comparador, el resultado y el horizonte temporal. Cambiar cualquiera de esos elementos puede alterar lo que se considera una respuesta favorable.

Una diferencia observada tras intervenir no equivale a una diferencia de efecto. Dos personas pueden terminar en estados distintos porque partían de niveles distintos, aunque la acción haya producido en ambas el mismo cambio causal, o terminar en el mismo estado porque efectos diferentes compensaron sus diferencias iniciales.

El efecto individual se representa mediante los resultados potenciales bajo dos acciones alternativas. Su diferencia define el contraste causal para esa persona, aunque en una ocasión dada solo pueda observarse uno de los dos. Esta limitación obliga a distinguir entre la variación de los resultados y la variación de los efectos.

La aleatorización permite estimar efectos promedio y, con información suficiente, diferencias de efecto entre subgrupos definidos de antemano. No revela simultáneamente los dos resultados potenciales de cada individuo. Estudiar efectos individuales requiere diseños con exposiciones repetidas en la misma persona, como los ensayos cruzados, o bien supuestos adicionales sobre la relación entre resultados potenciales, la estabilidad del fenómeno y la ausencia de efectos de arrastre.

El ejemplo autorregresivo mostró una heterogeneidad de respuesta conocida por construcción, puesto que ambos mecanismos reciben el mismo desplazamiento y difieren solo en la recuperación. En datos reales habría que comprobar que la intervención administrada y su efecto inicial fueron comparables antes de atribuir las diferencias posteriores a la persistencia del sistema.

434.13. Un promedio nulo puede ocultar efectos distintos

Consideremos un resultado que, sin intervención, se distribuye normalmente con media cero y varianza uno. En un primer modelo, la intervención deja a cada individuo exactamente igual. En un segundo, invierte el signo de su resultado. En ambos casos, la distribución del resultado con intervención coincide con la distribución sin ella.

El efecto promedio es nulo en los dos modelos. En el modelo A todos los efectos individuales son cero. En el modelo B el efecto individual es $\tau_i=-2Y_i(0)$, que varía entre personas con varianza igual a cuatro y depende del resultado que cada una habría tenido sin intervención. Las distribuciones marginales de $Y(0)$ y $Y(1)$ son las mismas en ambos modelos, de modo que compararlas no permite reconocer la dependencia entre resultados potenciales que define esa heterogeneidad.

La construcción no sugiere que alguna intervención clínica produzca semejante inversión. Muestra que la ausencia de efecto promedio no implica por sí sola la ausencia de efectos individuales, sin autorizar por ello a postular beneficios ocultos, hipótesis que requeriría información capaz de discriminar entre los generadores.

Una medida basal con valor predictivo puede ayudar a estudiar la modificación del efecto si se obtiene antes de intervenir y se analiza con un diseño adecuado. Clasificar retrospectivamente a los respondedores a partir del cambio observado, en cambio, mezcla efecto, fluctuación espontánea y regresión a la media.

La heterogeneidad puede explicar un promedio nulo en algunos sistemas, aunque invocarla ante cualquier resultado desfavorable confunde posibilidad lógica con evidencia. Hace falta especificar quiénes responderían de manera distinta, por qué razón y qué observación permitiría comprobarlo.

434.14. Regresión a la media y apariencia de respuesta

Cuando se selecciona a personas en el momento en que presentan valores extremos, aumenta la probabilidad de observar después valores menos extremos si parte de la variación es transitoria. Ese cambio ocurre aunque el mecanismo no se haya modificado. Interpretarlo íntegramente como respuesta conduce a una atribución causal injustificada.

El problema se agrava cuando la respuesta se define como la diferencia respecto de la misma medición que sirvió para seleccionar. El error de esa medición interviene tanto en la inclusión como en el cambio calculado, de modo que una puntuación inicial sobreestimada favorece una mejoría aparente.

Las observaciones basales repetidas ayudan a separar el nivel habitual de la fluctuación, aunque no eliminan todos los sesgos. Un grupo de comparación apropiado permite estimar cuánto cambio se habría producido en otra condición.

Las categorías de respuesta dependen, además, del umbral elegido. Dos cambios casi idénticos pueden quedar a uno y otro lado de un punto de corte y recibir etiquetas opuestas. Conviene informar el cambio continuo con su incertidumbre, junto con cualquier clasificación que una decisión requiera.

La dispersión observada de los cambios puede combinar efectos diferentes, variación espontánea y error de medición. Descomponerla exige un modelo y un diseño que impongan restricciones. Un histograma amplio de mejorías y empeoramientos no indica por sí solo cuál de esas fuentes predomina.

434.15. Contexto como parte del mecanismo

Una misma condición inicial puede evolucionar de manera distinta cuando cambian los apoyos, las demandas o la exposición a acontecimientos. El contexto no siempre es un factor externo secundario, pues puede formar parte de las relaciones que mantienen o modifican la trayectoria.

Dos personas con síntomas semejantes pueden disponer de oportunidades distintas para descansar, reorganizar sus tareas o recibir ayuda. Esas diferencias pueden modificar la evolución y la respuesta a una acción sin que existan mecanismos internos completamente diferentes.

La propia noción de «misma intervención» requiere examen contextual. Una recomendación idéntica puede traducirse en acciones distintas según los recursos disponibles. Comparar resultados como si la exposición efectiva hubiera sido igual puede atribuir a heterogeneidad biológica lo que en realidad es una diferencia de implementación.

La medición del contexto debe respetar la secuencia temporal. Un cambio registrado después de una mejoría puede ser consecuencia de ella; otro puede precederla y contribuir a producirla. Las relaciones recíprocas requieren modelos que admitan esa dinámica y datos con frecuencia suficiente para estudiarla.

Una hipótesis contextual gana valor cuando especifica en qué condiciones observables una relación se intensifica o desaparece. Sin esa precisión, el contexto se convierte en una explicación genérica de cualquier discrepancia.

434.16. Cómo diseñar observaciones discriminantes

Para separar mecanismos equifinales conviene establecer primero qué propiedades comparten y en cuáles difieren. Los dos procesos autorregresivos comparten la distribución marginal y difieren en la dependencia temporal, de modo que una serie de observaciones repetidas resulta más informativa que una muestra transversal más grande.

Si los mecanismos coinciden también en ciertas propiedades temporales, puede hacer falta una perturbación. Debe especificarse cómo actúa sobre cada modelo y qué resultados predice cada uno. Una acción que modifica varias vías de manera desconocida puede mantener la ambigüedad en lugar de resolverla.

El estudio de la multifinalidad requiere registrar las condiciones iniciales y los acontecimientos posteriores con resolución suficiente. Si solo se conoce el resultado final, es difícil distinguir entre diferencias iniciales, perturbaciones intermedias y cambios de parámetros.

El diseño debe evaluarse frente a variaciones plausibles de los parámetros. Un procedimiento que separa bien dos casos extremos puede fallar cuando las diferencias son menores o la medición es ruidosa. En el ejemplo autorregresivo, un error de medición con la misma varianza que el estado reduce a la mitad las dos autocorrelaciones observadas. La simulación previa permite estimar qué magnitudes de heterogeneidad son detectables con el diseño propuesto y cuáles quedarán inciertas.

Los datos reservados para validar un modelo deben corresponder al uso previsto. Predecir a otra persona, otro periodo u otra intervención son tareas distintas. Un modelo puede generalizar bien en una de ellas y mal en otra. La conclusión debe indicar qué transferencia se comprobó realmente, sin presentar una validación parcial como explicación completa de la diversidad clínica.

434.17. Heterogeneidad y transporte de resultados

Un efecto estimado en una población puede cambiar cuando se aplica a otra si difieren los factores que modifican la respuesta. La composición de la muestra y las condiciones de intervención forman parte del alcance del resultado. Compartir una etiqueta diagnóstica no garantiza que esas condiciones sean equivalentes.

Transportar una conclusión exige identificar qué diferencias son pertinentes. No toda diferencia demográfica o clínica modifica el efecto. Buscar interacciones sin una hipótesis previa tiende a producir hallazgos inestables, por lo que conviene combinar el conocimiento del mecanismo con la evaluación empírica y la cuantificación de la incertidumbre.

La selección de participantes puede reducir o ampliar la heterogeneidad. Una muestra muy restringida facilita algunas comparaciones a costa de limitar la generalización, mientras que una muestra amplia representa más variación y puede requerir modelos que no supongan un efecto idéntico para todos. La información individual mejora la predicción cuando las variables pertinentes están medidas y su relación con el resultado es estable; añadir muchos predictores no garantiza una personalización útil si el modelo no supera a referencias sencillas en observaciones nuevas.

La heterogeneidad plantea una pregunta concreta sobre el alcance de una explicación: para quiénes, en qué condiciones y durante qué horizonte se espera que funcione. Responderla puede delimitar una conclusión sin invalidarla.

434.18. Categorías con mecanismos múltiples

Kendler, Zachar y Craver (2011) examinan cuatro respuestas a la pregunta sobre qué tipo de entidad es un trastorno psiquiátrico: las clases esencialistas, las clases construidas socialmente, las clases prácticas y las clases de cúmulos de propiedades mecanísticas (mechanistic property cluster kinds, MPC). Consideran inadecuado el modelo esencialista para trastornos multifactoriales y de límites difusos. Defienden el modelo MPC como la mejor respuesta disponible. En esa concepción, un trastorno es un conjunto difuso definido por mecanismos que operan en varios niveles e interactúan para producir sus rasgos característicos. Como las especies biológicas, cada trastorno tendría miembros paradigmáticos y otros más marginales. El modelo permite pensar regularidades sin exigir una esencia compartida por todas las presentaciones.

Se trata de un marco conceptual, que debe distinguirse de una demostración empírica de mecanismos concretos. Orienta la formulación de preguntas sobre semejanza, límites y organización, aunque no identifica por sí solo qué procesos sostienen una categoría particular.

Una categoría puede reunir rutas parcialmente compartidas junto con otras específicas. La investigación puede estudiar qué relaciones son comunes, cuáles dependen del contexto y cuáles caracterizan a subgrupos o individuos, sin presuponer que toda heterogeneidad deba resolverse mediante una partición única y definitiva.

La clasificación puede variar, además, con el propósito. Una agrupación útil para el pronóstico puede diferir de otra útil para elegir una intervención. Ninguna de ellas, por exitosa que sea, pasa a ser por eso la única descripción verdadera del fenómeno. Los modelos pueden representar mecanismos comunes, variación paramétrica y diferencias estructurales, siempre que se disponga de observaciones capaces de distinguir entre esas posibilidades.

434.19. Interpretación de los ejemplos

Cada construcción del capítulo localiza una fuente distinta de diversidad: memoria y recuperación en procesos con la misma distribución de estados, posición inicial respecto de una frontera entre cuencas, composición de una mezcla poblacional y dependencia entre resultados potenciales que las distribuciones marginales no revelan.

La escala del resultado introduce otra fuente de heterogeneidad aparente. Un mismo cambio absoluto representa proporciones distintas según el nivel inicial. A la inversa, una misma reducción porcentual puede corresponder a cambios absolutos muy diferentes. Si los estudios definen la respuesta de maneras distintas, sus distribuciones no pueden compararse sin reconstruir esas reglas. La escala debe elegirse según el significado del resultado, antes de examinar los datos, para evitar la tentación de adoptar retrospectivamente la que produce la separación más llamativa.

Importa también distinguir la incertidumbre sobre una respuesta individual de la variación real entre respuestas. Un intervalo amplio para un individuo puede reflejar pocos datos, mientras que afirmar diferencias sistemáticas entre individuos requiere evidencia de una variación que exceda esa imprecisión. Los modelos jerárquicos pueden representar ambas fuentes, aunque su separación depende de que existan mediciones repetidas y de los supuestos del modelo. Presentar toda la dispersión de las estimaciones puntuales como heterogeneidad del mecanismo atribuiría al sistema una parte del error del procedimiento.

En una formulación clínica, estos conceptos sirven para explicitar alternativas. Permiten preguntar a qué nivel corresponde la semejanza observada (presentación, trayectoria o respuesta) y qué observación separaría los mecanismos candidatos. Las conclusiones quedan así ligadas a una comparación concreta, sin recurrir a la heterogeneidad como explicación general de cualquier diferencia.

Referencias

Cicchetti, D. y Rogosch, F. A. (1996). Equifinality and multifinality in developmental psychopathology. Development and Psychopathology, 8(4), 597–600. DOI. Fried, E. I. y Nesse, R. M. (2015). Depression is not a consistent syndrome: An investigation of unique symptom patterns in the STAR*D study. Journal of Affective Disorders, 172, 96–102. DOI. Kendler, K. S., Zachar, P. y Craver, C. F. (2011). What kinds of things are psychiatric disorders? Psychological Medicine, 41(6), 1143–1150. DOI.