Intervenir sobre síntomas: centralidad, modificabilidad y beneficio clínico

449.1. Elegir un objetivo exige definir un resultado

Un síntoma puede ocupar una posición central en una red y resultar, sin embargo, difícil de modificar con las acciones disponibles. Otro puede tener pocas conexiones estimadas y pesar mucho en la vida cotidiana de quien lo presenta. Elegir dónde intervenir obliga a precisar qué se pretende mejorar, mediante qué acción y con qué consecuencias esperadas.

La centralidad es una propiedad de una representación de relaciones. El beneficio clínico alude, en cambio, a cambios relevantes para una persona dentro de un horizonte definido. Para pasar de una noción a la otra hacen falta supuestos sobre causalidad, sobre la posibilidad de modificar cada variable y sobre la valoración de los resultados. Ninguno de esos supuestos se obtiene ordenando los nodos según un índice.

Bringmann y colaboradores (2019) examinaron críticamente los índices de centralidad más usados en redes psicológicas, que son el grado, la cercanía y la intermediación. Proceden del análisis de redes sociales, donde las aristas suelen ser datos observados y tiene sentido hablar de caminos más cortos o de algo que circula por la red. En una red psicológica las aristas son parámetros estimados por un modelo, como las correlaciones parciales. Tampoco parecen corresponder a un proceso de flujo. Los autores concluyen que la intermediación y la cercanía son especialmente inadecuadas como medidas de importancia de un nodo y piden que se explicite qué se entiende por nodo central y qué supuestos arrastra el índice elegido. Un índice calculado sin error puede responder a una pregunta distinta de la que interesa en la clínica.

El mismo trabajo ilustra el problema con un caso sencillo. Un nodo puede obtener los valores más altos de centralidad cuando es efecto común de sus vecinos. En esa situación, intervenir sobre él no modificaría ningún otro síntoma. El ejemplo que se desarrolla a continuación aborda la dificultad desde otra estructura. Se construyen dos mecanismos causales que generan exactamente la misma distribución observacional, y por tanto la misma red de correlaciones parciales, pero que predicen beneficios distintos para las mismas operaciones. Es un modelo didáctico con números sintéticos, pensado para separar importancia estructural, efecto causal y utilidad de una decisión. Ninguna de sus cifras describe pacientes reales ni sugiere un tratamiento.

449.2. Qué se entiende por intervenir

Una intervención debe describirse como una operación sobre el sistema. Reducir una entrada, fijar una variable en un valor y eliminar un nodo son operaciones distintas. Cada una modifica partes diferentes de las ecuaciones y puede producir consecuencias diferentes.

En un modelo lineal, la intervención suave que se usa en este capítulo desplaza la entrada media de una variable y conserva sus dependencias respecto de las demás. Una intervención que fija la variable en un valor sustituye su ecuación y corta las influencias que antes recibía. Retirar un nodo de una red gráfica puede dejar sin especificar qué sucede con el resultado que ese nodo representaba, de modo que tampoco equivale a ninguna de las dos operaciones anteriores.

La acción clínica disponible rara vez coincide con una operación ideal. Puede afectar a varias experiencias a la vez, tardar en producir efecto o depender de la participación de la persona y del contexto. Por eso la descripción del mecanismo tiene que declarar qué aspectos de la acción se representan y cuáles quedan fuera del modelo.

Afirmar que un síntoma es modificable también carece de precisión mientras no se indique mediante qué acción y en qué condiciones. Una misma experiencia puede responder de modo distinto a un cambio ambiental, a un proceso de aprendizaje o a medidas dirigidas a otro proceso. La evidencia necesaria tiene que describir la relación entre una acción y su resultado, que es bastante más que una propiedad del nodo.

449.3. Dos mecanismos con cuatro variables

Se definen cuatro variables continuas centradas, denominadas cero, uno, dos y tres, en las que los valores mayores representan mayor carga sobre una escala sintética. No reciben nombres diagnósticos porque el propósito es aislar un problema de identificación sin añadir supuestos clínicos.

En el primer mecanismo, la variable cero es causa común de las otras tres y cada efecto directo vale 0,6. Su perturbación tiene varianza uno y las perturbaciones de las variables restantes tienen varianza 0,64. Todas las perturbaciones son gaussianas, independientes y de media cero.

En el segundo mecanismo, la variable uno precede a la variable cero, que a su vez influye en las variables dos y tres. Los coeficientes siguen valiendo 0,6. Ahora es la perturbación de la variable uno la que tiene varianza uno, mientras las otras tres tienen varianza 0,64. Se ha invertido la orientación de una sola relación y se han reasignado las varianzas para que la distribución conjunta se mantenga.

En ambos casos se escribe

donde x reúne las cuatro variables, el elemento de la fila j y la columna k de B es el efecto directo de la variable k sobre la variable j, ε es el vector de perturbaciones y D es la matriz diagonal de sus varianzas. Las ecuaciones son estructurales y acíclicas y describen un sistema estático, sin actualización temporal. La matriz L resume cómo se propaga un cambio de entrada dentro de cada mecanismo. Su columna k contiene los efectos totales de un cambio en la entrada de la variable k sobre las cuatro variables, incluida ella misma.

449.4. Una distribución observacional idéntica

El cálculo de covarianzas produce la misma matriz en los dos modelos:

Las medias coinciden y las distribuciones son gaussianas, de modo que la coincidencia alcanza a la distribución observacional completa y no solo a algunas correlaciones. Ninguna cantidad calculada exclusivamente a partir de ella puede distinguir entre ambos mecanismos.

En el lenguaje de los grafos causales, los dos grafos son equivalentes en el sentido de Markov. Comparten el esqueleto, ninguno contiene colisionadores y, por ello, implican las mismas independencias condicionales. Dablander e Hinne (2019) recuerdan que una misma red no dirigida puede corresponder a varios grafos acíclicos dirigidos equivalentes de este modo, cada uno con su propia distribución de efectos causales. La elección de varianzas del ejemplo va algo más allá de esa equivalencia, porque hace coincidir también los valores numéricos de todas las covarianzas.

La correlación parcial entre dos variables se obtiene de la matriz de precisión, que es la inversa de la covarianza. En este ejemplo la red resultante tiene forma de estrella. La variable cero se conecta con las otras tres y las conexiones entre estas son nulas, salvo error numérico.

Cada arista de la estrella tiene una magnitud aproximada de 0,457496. La fuerza del centro, definida como suma de las magnitudes de sus aristas, es aproximadamente 1,372487; la de cada nodo periférico es 0,457496. Con esa medida, y también con el grado o con la centralidad de vector propio, la variable cero ocupa la posición más central en ambos mecanismos, puesto que la red es la misma.

Dablander e Hinne (2019) estudiaron mediante simulaciones la relación entre centralidad e influencia causal. A partir de datos generados con modelos causales lineales gaussianos estimaron redes no dirigidas mediante lasso gráfico y compararon el orden de los nodos según cinco índices (grado, fuerza, cercanía, intermediación y vector propio) con su orden según el efecto causal. Las correlaciones de rango resultaron entre débiles y moderadas y tendieron a disminuir, hasta volverse negativas, en redes grandes y densas. La centralidad de vector propio fue la excepción más favorable. Para la mayoría de las medidas y condiciones, elegir el nodo más central no permitió identificar el de mayor efecto causal mejor que una elección al azar. El ejemplo de este capítulo es una demostración mucho más pequeña de una dificultad concreta, la de que una centralidad observacional idéntica puede coexistir con respuestas distintas a la misma intervención. Ninguna medida calculada sobre esa red, incluida la de vector propio, podría separar los dos mecanismos.

449.5. Modificabilidad, carga y coste

Se supone que existen cuatro acciones, cada una dirigida a reducir la entrada de una variable. Las magnitudes de reducción alcanzables difieren y se reúnen en el vector

Estos valores son supuestos del ejercicio y no se estiman a partir de la red de asociaciones. En una aplicación real requerirían evidencia sobre los efectos de las acciones disponibles y sobre su variabilidad. Nada impide que un nodo muy conectado admita solo una modificación pequeña.

La carga total se define como una suma ponderada de las cuatro variables con pesos uno, tres, uno y uno, recogidos en el vector w, lo que concede más importancia a los cambios en la variable uno. Esos pesos expresan una valoración explícita dentro del ejemplo y no pretenden establecer una jerarquía universal entre síntomas. Si cambian las preferencias o el resultado de interés, la decisión también puede cambiar.

Las acciones tienen costes de 0,1, 2,5, 0,1 y 0,1 unidades de utilidad, reunidos en el vector c. Para poder restarlos del beneficio se supone que ya están expresados en la misma escala de valoración. Restar directamente horas, dinero y puntuaciones clínicas sin una regla que las haga comparables carecería de sentido.

El beneficio neto de actuar sobre el nodo i es

donde e_i es el vector canónico que selecciona la columna i de L. El primer término es la reducción esperada de la carga ponderada cuando la entrada de la variable i disminuye en m_i unidades. La expresión reúne la propagación causal, la magnitud alcanzable, la valoración de los cambios y el coste. Cada uno de estos componentes responde a una pregunta propia y arrastra su propia incertidumbre.

449.6. Resultados bajo los dos mecanismos

En el primer modelo, reducir la entrada del centro modifica las tres variables periféricas. En el segundo, la misma reducción alcanza a las variables dos y tres pero deja intacta la variable uno, que precede al centro en la estructura causal. Esa diferencia altera el beneficio ponderado, porque la variable uno es precisamente la que recibe mayor peso.

En el primer mecanismo, la acción con mayor utilidad neta es la dirigida al centro. En el segundo, la preferible es la dirigida a la variable uno. La red observacional y sus centralidades son idénticas en ambos casos. Lo único que varía es la orientación causal que gobierna la propagación.

El ejemplo tampoco demuestra que convenga elegir siempre un nodo periférico, puesto que en uno de los mecanismos la prioridad recae en el centro. Lo que falla es cualquier regla general que deduzca la decisión solo de la centralidad. Que esa regla acierte en un mecanismo no la valida para el conjunto de mecanismos compatibles con los mismos datos.

Los resultados dependen de los costes y de las magnitudes supuestas. Si el coste de la acción sobre la variable uno disminuyera lo suficiente, esa acción podría pasar a ser preferible también en el primer modelo; la sección 449.10 calcula ese umbral. Una comparación clínica necesita, por tanto, información actualizada sobre las acciones disponibles además de una mejor representación causal.

449.7. Código de equivalencia y beneficio

import numpy as np

B1 = np.zeros((4, 4))
B1[1:, 0] = 0.6
D1 = np.diag([1.0, 0.64, 0.64, 0.64])
B2 = np.zeros((4, 4))
B2[0, 1] = 0.6
B2[2:, 0] = 0.6
D2 = np.diag([0.64, 1.0, 0.64, 0.64])
I = np.eye(4)
L1, L2 = np.linalg.inv(I-B1), np.linalg.inv(I-B2)
S1, S2 = L1@D1@L1.T, L2@D2@L2.T
assert np.allclose(S1, S2)
precision = np.linalg.inv(S1)
partial = -precision/np.sqrt(np.outer(np.diag(precision),
                                     np.diag(precision)))
np.fill_diagonal(partial, 0.0)
strength = np.abs(partial).sum(axis=1)
print('fuerzas', np.round(strength, 6))
m = np.array([0.25, 1.0, 0.5, 0.5])
w = np.array([1.0, 3.0, 1.0, 1.0])
cost = np.array([0.1, 2.5, 0.1, 0.1])
net = []
for L in [L1, L2]:
    benefit = (w@L)*m
    net.append(benefit-cost)
    print('beneficio', np.round(benefit, 6))
    print('utilidad neta', np.round(benefit-cost, 6))
assert np.allclose(net[0], [0.9, 0.5, 0.4, 0.4])
assert np.allclose(net[1], [0.45, 1.82, 0.4, 0.4])
threshold = 1.37/1.77
assert np.isclose(0.45+0.45*threshold, 1.82-1.32*threshold)
print('umbral de peso del primer modelo', round(threshold, 6))

El código calcula efectos medios de cambios de entrada. No simula trayectorias clínicas ni estima probabilidades de recuperación. Las comprobaciones verifican la equivalencia observacional, las utilidades de la tabla y el umbral de probabilidad que se analiza en la sección siguiente. La corrección de las operaciones asegura la coherencia interna del ejemplo, mientras que su validez externa es una cuestión que el código no aborda.

449.8. Decidir cuando el mecanismo permanece incierto

Supóngase que se asigna probabilidad p al primer modelo y la probabilidad restante, 1 − p, al segundo. Es una ponderación hipotética, porque la distribución observacional común no aporta por sí misma evidencia alguna para fijarla. Podría provenir de información adicional, por ejemplo sobre el orden temporal de las variables, o de supuestos que habría que declarar.

Las utilidades esperadas de actuar sobre el centro y sobre la variable uno son, respectivamente,

Ambas se igualan cuando p vale 1,37/1,77, es decir, aproximadamente 0,774011.

Si se concede al primer mecanismo una probabilidad mayor que ese umbral, la utilidad esperada favorece el centro; con una probabilidad menor, favorece la variable uno. La decisión depende así de una incertidumbre causal que la centralidad no representa. Comunicar una única prioridad sin mostrar esa dependencia ocultaría un supuesto decisivo.

Otra regla posible consiste en maximizar el peor resultado entre los dos mecanismos. Los mínimos son 0,45 para el centro, 0,50 para la variable uno y 0,40 para las otras dos acciones, de modo que esta regla también favorece la variable uno. El criterio no es superior en general. Expresa una actitud ante la incertidumbre más cautelosa que la de la utilidad esperada, centrada en protegerse del escenario desfavorable.

449.9. Cuánto valdría obtener información adicional

La incertidumbre causal puede orientar la recogida de datos. Si ambos mecanismos recomendaran la misma acción con beneficios semejantes, distinguirlos aportaría poco a esa decisión concreta. En el ejemplo la prioridad se invierte, de modo que una información capaz de discriminar entre ellos podría tener valor.

Con probabilidades iguales para los dos modelos, la utilidad esperada del centro es 0,675 y la de la variable uno es 1,16, por lo que sin información adicional se elegiría la segunda. Si el mecanismo se conociera con certeza antes de decidir, se escogería el centro en el primer caso y la variable uno en el segundo. El beneficio esperado sería entonces 0,5 × 0,9 + 0,5 × 1,82 = 1,36.

La diferencia, 1,36 − 1,16 = 0,20 unidades, es el valor esperado de la información perfecta bajo estos supuestos. Una observación real rara vez discrimina por completo entre los mecanismos. Su valor esperado no puede superar esa cifra y, si además tiene costes, su valor neto disminuye todavía más. El cálculo no prescribe ningún estudio, aunque fija un límite superior a lo que tendría sentido invertir en obtener la información.

La información útil tendría que discriminar la orientación de la relación entre las variables cero y uno o la respuesta del sistema a las acciones. Estimar con más precisión la misma matriz de covarianza no ayudaría, porque ambos modelos coinciden exactamente en ella. Un diseño que observe las consecuencias de cambios localizados, o que incorpore conocimiento temporal pertinente, podría aportar información de otra clase. Su conveniencia dependería además de su viabilidad y de las conclusiones que permitiera extraer.

449.10. Umbrales de coste y de modificación alcanzable

La tabla permite calcular cuánto tendría que cambiar un supuesto para invertir la prioridad. En el primer mecanismo, el beneficio bruto de actuar sobre la variable uno es de tres unidades y la acción sobre el centro tiene una utilidad neta de 0,9. Si todo lo demás se mantiene constante, la acción sobre la variable uno pasa a ser preferible cuando su coste es menor que 3 − 0,9 = 2,1 unidades. Con ese coste exacto se produce un empate.

El coste asignado era 2,5, de modo que bastaría una reducción de cuatro décimas para cambiar la decisión. Expresada así, la sensibilidad es más informativa que la observación genérica de que los costes importan, porque señala que conviene comprobar si la estimación del coste es suficientemente precisa en torno a ese valor.

También puede calcularse un umbral de modificabilidad. En el segundo mecanismo, cada unidad de reducción en la entrada del centro genera 2,2 unidades de beneficio bruto ponderado. Con un coste de 0,1, superar la utilidad de 1,82 de la acción sobre la variable uno exigiría una reducción mayor que 1,92/2,2, aproximadamente 0,872727. La magnitud supuesta, 0,25, queda lejos de ese umbral.

Estas comparaciones son locales a los supuestos elegidos. Si aumentar la magnitud exige también más coste, ambas cantidades tienen que variar a la vez. Si hay límites de escala o efectos no lineales, extrapolar la relación proporcional deja de ser válido. El umbral señala lo que exigiría el modelo lineal y no demuestra que esa modificación sea alcanzable.

El análisis puede repetirse para cada supuesto relevante y resumirse en intervalos de decisión. Cuando una prioridad se mantiene en un rango amplio de valores defendibles, la decisión es poco sensible a imprecisiones concretas. Cuando cambia dentro de un rango estrecho, conviene comunicar esa dependencia y valorar si obtener información adicional compensa su coste.

449.11. Comprobar la coherencia de las unidades

Una transformación de escala no debería alterar una decisión sustantiva si todos los componentes se ajustan de manera coherente. Supóngase que la variable uno pasa a registrarse en una unidad diez veces más pequeña, de modo que sus valores numéricos se multiplican por diez. La magnitud modificable correspondiente también se multiplica por diez, mientras que el peso asignado a cada unidad numérica debe dividirse por diez.

Los coeficientes estructurales que llegan a esa variable y los que parten de ella cambian igualmente. En el primer modelo, el efecto del centro sobre la variable uno pasa de 0,6 a 6; en el segundo, el efecto de la variable uno sobre el centro pasa de 0,6 a 0,06. Si se transforman las puntuaciones, y con ellas los coeficientes, pero se conservan los pesos y las magnitudes originales, el beneficio calculado varía de forma artificial. En el primer modelo, la acción sobre el centro pasaría de un beneficio bruto de 1,00 a uno de 5,05 sin que nada haya cambiado en sus consecuencias. La discrepancia es un error de representación.

La matriz de correlaciones parciales es invariante ante reescalados positivos de cada variable, pero esa propiedad no resuelve la valoración clínica. Una red estandarizada puede permanecer idéntica mientras las unidades de beneficio siguen exigiendo una interpretación explícita, ya que la centralidad no aporta por sí sola los factores de conversión entre escalas y objetivos.

Cuando se combinan instrumentos, una diferencia numérica grande en una escala extensa no debería dominar automáticamente una suma que incluye otra escala más breve. Tampoco basta con convertir todo a puntuaciones estandarizadas si se pretende leer el resultado como beneficio equivalente, porque la unidad estadística y la unidad de valoración responden a propósitos distintos.

En el ejemplo, las variables se definieron sobre escalas sintéticas y los costes se expresaron directamente en utilidad. Esa convención permite resolver el cálculo sin atribuirle una equivalencia clínica ficticia. Una aplicación real tendría que explicar cómo se obtienen los pesos, qué incertidumbre contienen y si las personas afectadas consideran aceptables las compensaciones que implican.

Repetir el cálculo tras un cambio coherente de unidades es, por tanto, una verificación práctica. Los efectos numéricos sobre cada variable cambian, pero el beneficio total y la acción preferida deben conservarse. La prueba detecta errores que una revisión limitada a la red no vería.

También puede aislarse el papel de la estructura causal igualando a uno magnitudes y pesos y anulando los costes. En el primer modelo, modificar el centro produce un beneficio total de 2,8 frente a 1 al modificar la variable uno. En el segundo, los beneficios respectivos son 2,2 y 2,32. La prioridad vuelve a invertirse aunque hayan desaparecido las diferencias de coste, valoración y modificabilidad, si bien en el segundo modelo el margen es estrecho. El contraste muestra que la orientación causal basta para producir la discrepancia. Los demás componentes del ejemplo añaden dimensiones de la decisión que deben evaluarse por separado.

449.12. La magnitud alcanzable no es un coeficiente de red

El vector de modificabilidad representa cuánto cambia una entrada como consecuencia de una acción. Nada dice sobre cuánto se relaciona un nodo con los demás. Una asociación intensa no demuestra que exista una intervención capaz de producir una modificación grande, ni informa sobre el tiempo que tardaría en lograrla.

La magnitud puede variar entre personas y condiciones. Una acción accesible en un entorno puede resultar difícil de sostener en otro. También es posible que una modificación inicial se atenúe con el tiempo o que la acción afecte a variables distintas de la prevista. Un único número resume esas posibilidades de manera muy limitada.

En una extensión probabilística, la modificación alcanzable podría representarse mediante una distribución. Si el beneficio es lineal en la modificación y los demás parámetros permanecen fijos, la esperanza del beneficio depende solo de la modificación media. Cuando hay umbrales, saturación o costes no lineales, la variabilidad también afecta a la utilidad esperada y el promedio deja de bastar.

La evidencia sobre modificabilidad debería proceder de observaciones de acciones y de sus consecuencias, con un contraste adecuado a la pregunta. Estimar una red a partir de puntuaciones y asignar después a cada nodo una reducción idéntica es un escenario de simulación, que no equivale a estimar la respuesta clínica. Puede servir como comparación inicial siempre que se presente con ese carácter hipotético.

449.13. El significado de los pesos de beneficio

Los pesos del ejercicio hacen que una unidad de cambio en la variable uno contribuya el triple que las demás a la carga total. Esa elección permite representar prioridades diferentes, pero requiere justificación cuando se aplica a resultados reales. Una suma ponderada no adquiere neutralidad valorativa por el hecho de estar escrita como ecuación.

Una persona puede conceder especial importancia a recuperar una actividad o a sostener una relación. Esos objetivos se relacionan de manera imperfecta con las puntuaciones sintomáticas, de modo que un modelo que solo incluye síntomas puede omitir parte de lo que debería orientar la decisión.

Las escalas también importan. Un punto en una medida no significa necesariamente lo mismo que un punto en otra. Estandarizar por desviaciones típicas permite ciertas comparaciones estadísticas sin convertir por ello los cambios en unidades equivalentes de beneficio. La valoración exige explicar qué representa cada diferencia.

Cuando no existe una conversión defendible, puede ser preferible presentar los resultados por separado. La decisión consiste entonces en comparar perfiles de beneficio y coste, sin reducirlos prematuramente a una sola cifra. Una función de utilidad es útil cuando hace explícitos los criterios y se vuelve engañosa cuando oculta desacuerdos o incertidumbres tras pesos de apariencia precisa.

449.14. Efectos adversos y consecuencias fuera de la red

Una acción puede reducir un síntoma y producir consecuencias desfavorables en otro dominio. Si ese dominio no figura entre los nodos, el cálculo del beneficio lo omite. La amplitud del modelo debe corresponder a la decisión que se quiere tomar, sobre todo cuando se comparan acciones con perfiles de efectos distintos.

El coste escalar del ejemplo reúne las consecuencias en una unidad común y supone que no dependen del estado del sistema. En una aplicación esa simplificación podría fallar, ya que la carga de una acción puede crecer con su duración, interactuar con restricciones del entorno o repartirse de manera desigual entre las personas implicadas.

La omisión de consecuencias afecta también a la interpretación de la centralidad. Un nodo periférico dentro de una red de síntomas podría estar estrechamente ligado al funcionamiento fuera de ella, mientras que un nodo central podría importar poco para los objetivos actuales de la persona. La posición de cada nodo depende de qué variables se incluyeron y de cuáles quedaron fuera.

La revisión de resultados debería mantener separados los cambios favorables y los desfavorables antes de agregarlos, lo que permite detectar compensaciones que una suma ocultaría. La decisión puede aplicar después un criterio explícito, siempre que siga siendo posible reconocer qué consecuencias sostienen el valor calculado.

449.15. Horizonte temporal y beneficio acumulado

Las ecuaciones estructurales del ejercicio describen efectos medios en un sistema estático. No indican cuánto tarda en aparecer un cambio ni cuánto dura. Dos acciones con el mismo efecto final pueden seguir trayectorias distintas y producir, por ello, beneficios acumulados diferentes.

Una extensión dinámica podría definir la carga en cada intervalo y sumar su reducción a lo largo de un horizonte. El resultado dependería de la duración del efecto, de su retraso y de la posibilidad de que el sistema regrese a su estado anterior. Un descuento temporal, si se aplica, expresa una valoración del analista sobre el peso relativo de los beneficios tempranos y tardíos. No debe confundirse con los parámetros de descuento que algunos modelos de aprendizaje estiman en la propia persona.

La persistencia del beneficio puede depender de que se mantengan ciertas condiciones. Una acción ambiental puede producir efecto mientras siga disponible; una acción que modifica un aprendizaje puede seguir otra dinámica. La valoración no debe dar por sentado que solo los cambios internos son duraderos ni que todo cambio contextual se desvanece pronto, porque ambas afirmaciones requieren evidencia específica.

El horizonte condiciona asimismo qué información conviene recoger. Un resultado inmediato puede captar el alivio y pasar por alto costes posteriores. Un seguimiento lejano sin mediciones intermedias puede mostrar estabilidad global y perder fluctuaciones relevantes. Definir cuándo importa cada consecuencia ayuda a elegir observaciones que respondan a la decisión real.

449.16. Centralidad y cambios en la representación

La fuerza de un nodo puede cambiar si se añaden variables, se retiran ítems redundantes o se modifica la escala de los pesos de las aristas. Algunas transformaciones dejan intactas ciertas propiedades y alteran otras, de modo que interpretar una clasificación exige conocer las decisiones con que se construyó la red.

Las correlaciones parciales dependen del conjunto de variables sobre el que se condiciona. Una conexión puede debilitarse al incorporar una causa común medida, o aparecer al condicionar sobre un efecto común de dos variables. La red resultante describe dependencias relativas a ese conjunto. No es una imagen directa e invariable del mecanismo clínico.

La estabilidad de una clasificación bajo remuestreo responde a una pregunta sobre la precisión del procedimiento elegido. No evalúa las decisiones de medición ni la selección de variables, de manera que una clasificación estable puede depender en gran medida de un instrumento o de una partición conceptual que el remuestreo dejó intacta.

Una revisión útil compara representaciones defendibles y observa qué conclusiones se mantienen. Si el objetivo propuesto cambia con variaciones pequeñas y razonables, conviene comunicar esa sensibilidad. Si se mantiene, la descripción gana robustez, aunque siga siendo necesario justificar la relación entre centralidad, efectos causales y acciones disponibles.

449.17. Una aplicación hipotética centrada en funcionamiento

Considérese una persona ficticia para quien la dificultad más urgente es mantener una actividad cotidiana. Una red estimada sitúa la preocupación como nodo central, mientras que una limitación en el acceso a esa actividad aparece poco conectada o ni siquiera está representada. Elegir automáticamente la preocupación como objetivo podría dejar de lado una acción directamente relacionada con lo que la persona quiere lograr.

La formulación puede comparar una acción dirigida a una experiencia con otra dirigida a la oportunidad de realizar la actividad. Para cada una habría que especificar el cambio esperado, las condiciones que necesita y la forma de medir el resultado. La red puede sugerir hipótesis sobre relaciones, pero la comparación incorpora información que no procede de sus pesos.

Si la actividad mejora mientras algunas puntuaciones permanecen estables, el resultado puede ser relevante. Si una puntuación central disminuye sin cambio funcional, habrá que revisar el objetivo o la vía propuesta. La evaluación debe conservar ambos resultados para no declarar éxito apoyándose únicamente en la variable que favorece la hipótesis inicial.

El caso es ilustrativo y no recomienda ninguna acción particular. Muestra cómo cambia la decisión cuando el beneficio se define antes de ordenar los nodos. La prioridad clínica depende de la relación entre los problemas, las posibilidades de acción y los objetivos de la persona, con una incertidumbre explícita sobre las consecuencias de cada alternativa.

449.18. Contrastar una predicción de intervención

Una predicción evaluable especifica la acción, su duración, el cambio esperado en el objetivo inmediato y las consecuencias posteriores. Si se espera que reducir una experiencia modifique otra a través de una vía determinada, conviene medir también esa vía, porque una puntuación total puede ocultar tanto el mecanismo como su fracaso.

El contraste necesita distinguir el cambio temporal del efecto atribuible a la acción. Una mejoría posterior a una acción puede coincidir con variación espontánea, con cambios del contexto o con modificaciones en la medición. La comparación apropiada depende de la pregunta y del diseño disponible. El capítulo siguiente examina esas alternativas mediante trayectorias sintéticas.

En un seguimiento individual, repetir observaciones antes y después informa sobre variación y secuencia sin eliminar por sí mismo la confusión. La introducción escalonada de cambios puede ayudar en determinadas condiciones, aunque los efectos persistentes pueden impedir interpretar retiradas o alternancias como si fueran independientes. El diseño debe corresponder al mecanismo temporal que se supone.

La actualización del modelo tiene que admitir resultados incompatibles con lo previsto. Si la acción modifica el objetivo inmediato pero no aparecen las consecuencias esperadas, puede haber fallado la vía causal, la magnitud supuesta o el horizonte elegido. Cada una de esas posibilidades requiere un análisis propio. Ajustar todos los parámetros después de conocer el resultado hasta recuperar una predicción favorable impediría cualquier evaluación informativa.

449.19. Comparar acciones combinadas

En el modelo lineal, los efectos de dos cambios de entrada se suman, de modo que el efecto de una acción combinada se obtiene a partir de las columnas correspondientes de la matriz de propagación. En el ejemplo, actuar a la vez sobre el centro y sobre la variable uno daría un beneficio bruto de 4,00 en el primer modelo y de 4,87 en el segundo, siempre que las magnitudes se mantuvieran. Los costes de combinar acciones, sin embargo, no tienen por qué ser aditivos y las magnitudes alcanzables podrían cambiar cuando las acciones se aplican simultáneamente.

Si se impone un presupuesto, la decisión se convierte en una comparación entre conjuntos factibles. Una acción individual con mayor beneficio neto puede impedir realizar otras por restricciones de tiempo o de recursos. El criterio adecuado tiene que considerar entonces el conjunto de posibilidades y no solo un orden de nodos aislados.

Las interacciones clínicas pueden apartarse de la linealidad. Una acción puede facilitar otra, reducir su utilidad marginal o modificar las condiciones en que funciona. Introducir una interacción en el modelo requiere evidencia o una hipótesis explícita; no debería añadirse solo para justificar una combinación preferida.

El ejercicio lineal sirve de referencia porque sus supuestos son transparentes y permite ver qué cambia al introducir restricciones o interacciones. La comparación mantiene visibles las fuentes del beneficio y evita atribuir a la centralidad una capacidad decisoria que en realidad depende de información sobre acciones y consecuencias.

449.20. Una decisión revisable y documentada

Una decisión razonada puede dejar constancia del modelo elegido, de las alternativas consideradas y de los supuestos que más influyen en el resultado. En el ejemplo, los factores decisivos son la orientación causal, el coste de la acción sobre la variable uno y la magnitud alcanzable de la acción sobre el centro. Registrar esas dependencias permite saber qué información nueva justificaría revisar la prioridad.

La revisión no exige recalcular todo ante cualquier fluctuación. Puede centrarse en los cambios que afecten a los supuestos relevantes, como la disponibilidad de una acción, la aparición de una consecuencia imprevista o la llegada de evidencia sobre una vía causal. Esa selección evita que la decisión oscile por ruido sin desatender información importante.

La centralidad conserva utilidad descriptiva cuando se interpreta dentro de su alcance. Puede señalar posiciones que vale la pena explorar o resumir una red bajo una definición concreta. Para elegir una intervención hacen falta, además, estimaciones de efecto, una valoración explícita de los resultados y datos sobre la factibilidad de cada acción. En el ejemplo, esas piezas se combinaron en un cálculo que mantiene a la vista la incertidumbre causal hasta el momento de decidir.

Referencias

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

Dablander, F., y Hinne, M. (2019). Node centrality measures are a poor substitute for causal inference. Scientific Reports, 9, 6846. DOI.