Redes causales complejas: sin vueltas

Mathias N. Rojas de la Fuente

“Me siento bergsoniano cuando Bergson dice que la ciencia moderna no ha encontrado su metafísica, la metafísica que necesita. Es esta metafísica la que me interesa”.

Gilles Deleuze (Villani, 1999, p. 130).

Redes causales complejas (RCC) es una nueva línea de investigación en la comprensión de la psicopatología (Borsboom, 2017), la cual está compuesta por diversas teorías: la teoría de grafos, la teoría de las catástrofes y la teoría del caos (Hofmann et al., 2016). Dada esta aglomeración teórica, la RCC posee un amplio corpus metodológico y conceptual, además de ofrecer una ontología respecto de los trastornos psiquiátricos (Borsboom et al., 2004). Ontológicamente, está fundada en un realismo (Borsboom et al., 2003) y en un materialismo no reduccionista (Borsboom et al., 2019), donde los componentes biológicos de un trastorno mental serán considerados como biomarcadores en lugar de factores causantes subyacentes (Hofmann, 2015). Además, se sigue la sugerencia de evitar cualquier forma de esencialismo en el desarrollo de una ontología sobre los trastornos mentales (Kendler et al., 2011), en favor de un enfoque procesual.

            Hoy en día, este programa de investigación cobra gran relevancia en el avance de la psicoterapia al ser utilizada como uno de los pilares en la construcción del nuevo metamodelo llamado terapia basada en procesos (Hayes et al., 2019). Esto es debido a que la RCC ofrece un modelo alternativo al DSM, ya que analiza los procesos específicos involucrados de un paciente respecto de su contexto (Ciarrochi et al., 2024).

            Sin embargo, a pesar de su innovación teórica y su potencial utilidad en la psicoterapia, no existen muchos artículos en español (Lunansky y Garay, 2022). Asimismo, muchos de estos artículos se enfocan en el componente de redes que propone la RCC, dejando de lado su aspecto dinámico y complejo (Scheffer et al., 2024). Por esta razón, este trabajo tiene como objetivo abarcar los conceptos y aportes más relevantes que ofrece este modelo psicopatológico.

De los axiomas al contexto

            Actualmente, la investigación en psicoterapia enfrenta dos críticas importantes relacionadas con dos supuestos fundamentales en el estudio de la conducta: el teorema de la ergodicidad y el axioma de la independencia local.

            Por un lado, el teorema de la ergodicidad plantea que el promedio del comportamiento de un grupo en un instante determinado es igual al promedio temporal de un individuo específico (Hunter et al., 2024). En otras palabras, los  datos obtenidos de una población permiten la predicción de la conducta de un individuo, independientemente del tiempo transcurrido (Bringmann et al., 2013). Por ejemplo, en la elaboración de manuales diagnósticos y tratamiento, se asume que los síntomas y la respuesta terapéutica de un individuo serán similares a lo obtenido en un análisis previo de datos poblacionales (Meyer-Lindenberg, 2023). No obstante, las condiciones para que se cumpla la ergodicidad, donde la conducta es invariante, demuestran ser rara vez observables en las ciencias del comportamiento (Molenaar, 2004). Este enfoque pretende priorizar los promedios grupales para establecer patrones generales, y aplicarlos en individuos con independencia de su contexto idiográfico (Hofmann & Hayes, 2019). Esto es problemático, ya que limita la capacidad del profesional de abordar la individualidad del caso, volviéndolo así ineficiente.

            Por otro lado, en estadística se suele asumir que una variable observable es el resultado de una variable oculta y, a su vez, que dichas variables observables no poseen ninguna relación: son independientes entre ellas (Vermunt y Magidson, 2004). Este supuesto, conocido como axioma de la independencia local, ha sido relevante en la construcción de diversas líneas de investigación: desde el psicoanálisis hasta la elaboración de manuales diagnósticos como el DSM (Hofmann, 2014). Sin embargo, Borsboom et al. (2003) señalan que este axioma se fundamenta en un esencialismo que supone la existencia de una entidad latente que determina lo observable.[1] En respuesta, y apoyados en la postura de Richard Boyd, algunos autores (Kendler et al., 2011;  Fried, 2017) proponen entender los trastornos mentales como grupos de propiedades homeostáticas, entidades emergentes a partir de un patrón probabilístico establecido entre los elementos de un conjunto. Bajo el contexto de estas críticas, surge el modelo de redes causales complejas como una propuesta alternativa para la estadística, en oposición a los modelos estadísticos de variables latentes.

Teoría de grafos: nodos y aristas

            Una de las características más conocidas de la RCC es el análisis de redes, donde un grafo está compuesto de nodos y aristas. Las aristas representan la unión entre los nodos y cada una tiene asignada una magnitud (Lunansky y Garay, 2022). En el contexto psicológico, Borsboom (2017) explica, primero, que los nodos refieren a los síntomas como componentes de una red[2] y, segundo, que las aristas representan la relación causal directa entre los síntomas. Por último, la magnitud de las aristas, entendida también como conectividad, es la probabilidad de que a partir de un síntoma aparezca otro síntoma (McNally, 2021). De tal manera, la RCC propone una comprensión de los trastornos mentales como propiedades emergentes. A diferencia del modelo tradicional basado en constructos latentes, este enfoque considera que los síntomas mantienen relaciones causales directas entre sí, de las cuales emerge la entidad psicopatológica (Borsboom, 2008).

             Ahora bien, concebir los trastornos mentales como una red cuyos componentes están relacionados causalmente permite comprenderlos como un sistema complejo (Kendler et al., 2011). Una característica clave del análisis de redes es la conectividad entre los síntomas, que refleja el grado de intensidad en la interacción bidireccional entre ellos. Una conectividad fuerte indica una mayor probabilidad de que los síntomas ocurran de manera secuencial (Borsboom, 2017). Esta retroalimentación positiva en bucle[3] provoca la emergencia de la propiedad autoorganizante del sistema, permitiendo que se mantenga con independencia de sus factores iniciales (Borsboom y Cramer, 2013). Este fenómeno también es conocido como histéresis,[4] el cual describe el mantenimiento de un sistema a pesar de la desaparición de sus factores etiológicos (Cramer et al., 2016).

            Un aspecto metodológico destacable que proporciona el análisis de redes es el grado de centralidad. Este refiere a la cantidad de nodos que se dirigen hacia un elemento particular (Hofmann et al., 2016). La identificación de nodos centrales permite distinguir cuáles son los factores de mantenimiento con mayor relevancia sobre los otros al momento de intervenir (Bringmann et al., 2019). Esta herramienta posibilita que la intervención en pocos procesos tenga una gran repercusión en la red, desmantelando indirectamente otros nodos (Pino-Calderón et al., 2018). La distinción entre las variables triviales y significativas es utilizada en el metamodelo evolutivo extendido (Ong et al., 2024).[5]

            Como se expuso anteriormente, el análisis de redes es el componente más conocido de la RCC, pero no el único. A continuación se explorarán las otras teorías que la complementan.

Sistemas dinámicos: caos y catástrofes

            Según la RCC, una red psicopatológica se concibe como un patrón establecido a partir de la relación directa causal entre los síntomas (Borsboom, 2017); a su vez, los síntomas son entendidos como agentes autónomos causales (O’Driscoll et al., 2022). Por un lado, la autonomía refiere a que la identidad de los elementos no depende de la conformación del conjunto (DeLanda, 2021). Por otro lado, una interacción causal entre los nodos puede ser positiva o negativa, esto es, aumenta o disminuye la probabilidad de ocurrencia. Toda psicopatología se sostiene a través de una retroalimentación positiva en bucle que amplifica la probabilidad de ocurrencia de los síntomas, comportándose así como una red causal (van der Maas, 2024).

            Toda red que se sostiene significativamente en el tiempo representa un punto de equilibrio del sistema. Los trastornos mentales, al ser sistemas dinámicos, son también sistemas abiertos: están lejos de alcanzar un equilibrio permanente. Por lo tanto, tienen múltiples estados estables posibles dentro de su espacio de posibilidades (Stengers y Prigogine, 1978). Todo espacio de posibilidades está determinado por atractores; estos representan las tendencias de un sistema que se dirige hacia un punto de equilibrio, y cada atractor posee una cuenca de atracción que determina el grado de resiliencia de un sistema (DeLanda, 2024).

            Dentro de la literatura de la RCC, se conceptualiza que existen dos estados posibles de un sistema: un estado patológico y un estado saludable (Hayes y Andrews, 2020).[6] Un estado patológico se caracteriza por la interacción causal entre síntomas que se retroalimentan positivamente, aumentando el grado de resiliencia del sistema y evitando que cualquier factor externo a la red lo modifique significativamente (Scheffer et al., 2024). Por el contrario, un estado saludable se define por la baja interacción causal entre síntomas, más no la ausencia de los mismos (Borsboom, 2017). Todo sistema puede cambiar cualitativamente —pasar de un estado a otro—, esto se conoce como transición de fase o bifurcación, conceptos derivados de la teoría de las catástrofes de René Thom (1977). La bifurcación en un sistema se logra a partir de disminuir la interacción causal que existe entre los componentes, es decir, vulnerar el sistema de tal modo que al intervenir sea facilitada su modificación (Scheffer et al., 2024). Entonces, si un estado psicopatológico bifurca a un estado saludable, es una remisión sintomática, mientras que una recaída se trata de un sistema en estado saludable que transiciona a un estado patológico (Hofmann et al., 2016).

            A pesar de que la noción de los atractores parezca ser abstracta, se ha demostrado que existen indicadores que señalan la posible transición de fase de un sistema, conocidos como Early-Warning Signals (Scheffer et al., 2009). Estos indicadores permiten anticiparse a las bifurcaciones cuando el sistema se encuentra en un punto de inflexión (Scheffer et al., 2012). Esto es útil en términos clínicos, porque provee información crucial para mejorar los programas de prevención, utilizando estos indicadores como predictores de remisión o recaídas (Hofmann et al., 2016).

Conclusión

            Redes causales complejas (RCC) representa un modelo psicopatológico innovador que no solo cuestiona ciertos axiomas en la investigación comportamental, sino que también ofrece una ontología materialista no reduccionista basada en sistemas dinámicos. Este enfoque evita la reificación de entidades abstractas, proponiendo en su lugar un marco teórico anclado a la realidad observable. Por tanto, se posiciona como un candidato prometedor para el desarrollo científico y filosófico de las entidades y procesos presentes en espacios clínicos. Además, integra nuevas perspectivas interdisciplinarias, como los hallazgos de Marten Scheffer en el estudio del trastorno de depresión mayor (Cramer et al., 2016).

            El compromiso realista de este modelo con respecto a los trastornos mentales ofrece una reivindicación contemporánea de estas entidades psicopatológicas, cada vez más cuestionadas en las comunidades científicas y sociales. A diferencia de tratarlas como meros constructos sociales o entidades ocultas, la RCC concibe los trastornos mentales como sistemas autoorganizados, emergentes de interacciones causales no lineales entre síntomas, que se retroalimentan mutuamente. Esta perspectiva marca una ruptura significativa con enfoques tradicionales prevalentes en la academia, destacándose como una propuesta robusta y transformadora en el campo de la psicopatología.

Referencias

  • Borsboom, D. (2008). Psychometric perspectives on diagnostic systems. Journal of clinical psychology, 64(9), 1089–1108. https://doi.org/10.1002/jclp.20503
  • Borsboom, D. (2017). A network theory of mental disorders. World psychiatry: official journal of the World Psychiatric Association (WPA), 16(1), 5–13. https://doi.org/10.1002/wps.20375
  • Borsboom, D., Mellenbergh, G. J., & van Heerden, J. (2003). The theoretical status of latent variables. Psychological review, 110(2), 203–219. https://doi.org/10.1037/0033-295X.110.2.203
  • Borsboom, D., Mellenbergh, G. J., & van Heerden, J. (2004). The concept of validity. Psychological review, 111(4), 1061–1071. https://doi.org/10.1037/0033-295X.111.4.1061
  • Borsboom, D. & Cramer, A. O. J. (2013). Network analysis: An integrative approach to the structure of psychopathology. Annual Review of Clinical Psychology, 9(1), 91–121. https://doi.org/10.1146/annurev-clinpsy-050212-185608
  • Borsboom, D., Cramer, A. O. J., & Kalis, A. (2018). Brain disorders? Not really: Why network structures block reductionism in psychopathology research. The Behavioral and brain sciences, 42, e2. https://doi.org/10.1017/S0140525X17002266
  • Bringmann, L. F., Vissers, N., Wichers, M., Geschwind, N., Kuppens, P., Peeters, F., Borsboom, D., & Tuerlinckx, F. (2013). A network approach to psychopathology: new insights into clinical longitudinal data. PloS one, 8(4), e60188. https://doi.org/10.1371/journal.pone.0060188
  • Bringmann, L. F., Elmer, T., Epskamp, S., Krause, R. W., Schoch, D., Wichers, M., Wigman, J. T. W., & Snippe, E. (2019). What do centrality measures measure in psychological networks?. Journal of abnormal psychology, 128(8), 892–903. https://doi.org/10.1037/abn0000446
  • Cramer, A. O., van Borkulo, C. D., Giltay, E. J., van der Maas, H. L., Kendler, K. S., Scheffer, M., & Borsboom, D. (2016). Major Depression as a Complex Dynamic System. PloS one, 11(12), e0167490. https://doi.org/10.1371/journal.pone.0167490
  • DeLanda, M. (2021). Teoría de los ensamblajes y complejidad social. (C. De Landa Acosta, Trad.) Buenos Aires: Tinta Limón Ediciones.
  • DeLanda, M. (2024). Ciencia intensiva y filosofía virtual. (P. Veas Orellana, S. Constanzo, G. Donoso, A. Maza, & C. S. Ubilla, Trads.) Buenos Aires: Tinta Limón Ediciones / Editorial Hiperstisión.
  • Fried, E. I. (2017). What are psychological constructs? On the nature and statistical modelling of emotions, intelligence, personality traits and mental disorders. Health psychology review, 11(2), 130–134. https://doi.org/10.1080/17437199.2017.1306718
  • Hayes, A. M., & Andrews, L. A. (2020). What a complex systems perspective can contribute to process-based assessment and psychotherapy. In S. C. Hayes & S. G. Hofmann (Eds.), Beyond the DSM: Toward a process-based alternative for diagnosis and mental health treatment (pp. 165–198). Context Press/New Harbinger Publications.
  • Hayes, S. C., & Brownstein, A. J. (1986). Mentalism, behavior-behavior relations, and a behavior-analytic view of the purposes of science. The Behavior analyst, 9(2), 175–190. https://doi.org/10.1007/BF03391944
  • Hayes, S. C., Hofmann, S. G., Stanton, C. E., Carpenter, J. K., Sanford, B. T., Curtiss, J. E., & Ciarrochi, J. (2019). The role of the individual in the coming era of process-based therapy. In Behaviour Research and Therapy (Vol. 117, pp. 40–53). Elsevier BV. https://doi.org/10.1016/j.brat.2018.10.005
  • Hayes, S. C., Hofmann, S. G., & Ciarrochi, J. (2020). A process-based approach to psychological diagnosis and treatment:The conceptual and treatment utility of an extended evolutionary meta model. Clinical psychology review, 82, 101908. https://doi.org/10.1016/j.cpr.2020.101908
  • Hofmann, S. G. (2014). Toward a cognitive-behavioral classification system for mental disorders. Behavior Therapy, 45, 576-587. http://dx.doi.org/10.1016/j.beth.2014.03.001
  • Hofmann, S. G. (2015). The Potential Contribution of the Cognitive-Behavioral Model for the Classification of Emotional Disorders. Psychopathology Review; a2(1), 100-109. https://doi.org/10.5127/pr.035814
  • Hofmann, S. G., Curtiss, J., & McNally, R. J. (2016). A Complex Network Perspective on Clinical Science. Perspectives on psychological science: a journal of the Association for Psychological Science, 11(5), 597–605. https://doi.org/10.1177/1745691616639283
  • Hofmann, S. G., Curtiss, J. E., & Hayes, S. C. (2020). Beyond linear mediation: Toward a dynamic network approach to study treatment processes. Clinical psychology review, 76, 101824. https://doi.org/10.1016/j.cpr.2020.101824
  • Jones, P. J., Heeren, A., & McNally, R. J. (2017). Commentary: A network theory of mental disorders. Frontiers in psychology, 8, 1305. https://doi.org/10.3389/fpsyg.2017.01305
  • Kendler, K. S., Zachar, P., & Craver, C. (2011). What kinds of things are psychiatric disorders?. Psychological medicine, 41(6), 1143–1150. https://doi.org/10.1017/S0033291710001844
  • Lunansky, G., & Garay, C. J. (2022). Psicopatología como red causal compleja de síntomas interactivos. In Interdisciplinaria. Revista de Psicología y Ciencias Afines (Vol. 39, Issue 2). Centro Interdisciplinario de Investigaciones en Psicologia Matematic. https://doi.org/10.16888/interd.2022.39.2.11
  • McNally, R. J. (2021). Network Analysis of Psychopathology: Controversies and Challenges. In Annual Review of Clinical Psychology (Vol. 17, Issue 1, pp. 31–53). Annual Reviews. https://doi.org/10.1146/annurev-clinpsy-081219-092850
  • Meyer-Lindenberg, A. (2023). The non-ergodic nature of mental health and psychiatric disorders: implications for biomarker and diagnostic research. World psychiatry : official journal of the World Psychiatric Association (WPA), 22(2), 272–274. https://doi.org/10.1002/wps.21086
  • Molenaar, P. C. M. (2004). A Manifesto on Psychology as Idiographic Science: Bringing the Person Back Into Scientific Psychology, This Time Forever. Measurement: Interdisciplinary Research and Perspectives, 2(4), 201–218. https://doi.org/10.1207/s15366359mea0204_1
  • O’Driscoll, Ciarán & Epskamp, Sacha & Fried, E. & Saunders, Rob & Cardoso, A. & Stott, Joshua & Wheatley, Jon & Cirkovic, M. & Naqvi, S. & Buckman, Joshua & Pilling, S.. (2022). Transdiagnostic symptom dynamics during psychotherapy. Scientific Reports. 12. http://dx.doi.org/10.1038/s41598-022-14901-8
  • Ong, C. W., Ciarrochi, J., Hofmann, S. G., Karekla, M., & Hayes, S. C. (2024). Through the extended evolutionary meta-model, and what ACT found there: ACT as a process-based therapy. Journal of contextual behavioral science, 32, 100734. https://doi.org/10.1016/j.jcbs.2024.100734
  • Pino-Calderón, F., Zoido Ramos, J. & Gutierrez-Casares, J. (2018). How to dismantle an ADHD-MDD comorbid network? Symptoms sequence to be treated, vision from Network Theory and Symptomics. Poster presentado al Simposio GEITDAH. Avances en el Manejo Clínico del TDAH. III Curso de Actualización, Madrid, Spain http://dx.doi.org/10.3252/pso.es.TDAH2018.2018
  • Petraitis, P. (2013) Multiple stable states in natural ecosystems. Oxford: OUP.
  • Scheffer, M. (2001). Alternative attractors of shallow lakes. TheScientificWorldJournal, 1, 254–263. https://doi.org/10.1100/tsw.2001.62
  • Scheffer, M., Bascompte, J., Brock, W. A., Brovkin, V., Carpenter, S. R., Dakos, V., Held, H., van Nes, E. H., Rietkerk, M., & Sugihara, G. (2009). Early-warning signals for critical transitions. Nature, 461(7260), 53–59. https://doi.org/10.1038/nature08227
  • Scheffer, M., Carpenter, S. R., Lenton, T. M., Bascompte, J., Brock, W., Dakos, V., van de Koppel, J., van de Leemput, I. A., Levin, S. A., van Nes, E. H., Pascual, M., & Vandermeer, J. (2012). Anticipating Critical Transitions. In Science (Vol. 338, Issue 6105, pp. 344–348). American Association for the Advancement of Science (AAAS). https://doi.org/10.1126/science.1225244
  • Scheffer, M., Bockting, C. L., Borsboom, D., Cools, R., Delecroix, C., Hartmann, J. A., Kendler, K. S., van de Leemput, I., van der Maas, H. L. J., van Nes, E., Mattson, M., McGorry, P. D., & Nelson, B. (2024). A Dynamical Systems View of Psychiatric Disorders-Theory: A Review. JAMA psychiatry, 81(6), 618–623. https://doi.org/10.1001/jamapsychiatry.2024.0215
  • Stengers, I., & Prigogine, I. (1978). Order Out of Chaos: Man’s New Dialogue with Nature. London: Bantam Books.
  • Thom, R. (1977). Structural Stability, Catastrophe Theory, and Applied Mathematics. In SIAM Review (Vol. 19, Issue 2, pp. 189–201). Society for Industrial & Applied Mathematics (SIAM). https://doi.org/10.1137/1019036
  • Vermunt, J. K., & Magidson, J. (2004). Local independence. In M. Lewis-Beck, A. Bryman, & T. F. Liao (Eds.), The Sage encyclopedia of social sciences research methods (pp. 580-581). Thousand Oakes: Sage.
  • Villani, A. (1999). La guêpe et l’orchidée: essai sur Gilles Deleuze. Paris: Rue d’Ulm.

[1] “¿Cómo debería conceptualizar la existencia de dichas variables latentes si no pueden ser encontradas en el nivel individual? Pareciera que la conceptualización apropiada de la variable latente (concebida como entidad real) es una propiedad emergente, en el sentido de que es una característica de un agregado (la población) que está ausente a nivel de los constituyentes de este agregado (los individuos)” (Borsboom et al., 2003, p. 215. Énfasis propio).

Sin embargo, las críticas de los autores no se detienen en el modelo latente. También critican la postura constructivista social y del operacionalismo respecto del estatuto teórico de los trastornos mentales (Borsboom et al. 2003; Kendler et al., 2011).

[2] Asumir de manera a priori que existen componentes como síntomas puede ser problemático conceptualmente, por esta razón Hofmann et al. (2016) sugieren reemplazar la noción de síntoma por elemento, ya que el término síntoma presupone lo patológico de una conducta.

[3] Un posible argumento en contra de la retroalimentación positiva en bucle, basada en una interacción síntoma-síntoma (Borsboom, 2017), es que puede ser homologada a la relación conducta-conducta, la cual demuestra ser insuficiente e incompleta (Hayes y Brownstein, 1986). Por lo que si se pretende que la RCC sea “la nueva forma de análisis funcional” (Hofmann et al., 2020, p. 19), se debe resolver conceptualmente esta cuestión.

[4] Este fenómeno, de apariencia poco relevante, forma parte de los principios de la teoría de redes psicopatológicas de Borsboom: “Principio 5. Histéresis: Los trastornos mentales surgen debido a la presencia de histéresis en redes de síntomas fuertemente conectadas, lo que implica que los síntomas continúan activándose entre sí, incluso después de que la causa desencadenante del trastorno haya desaparecido” (Borsboom, 2017, pág. 9).

Años más tarde, Isager (2023) criticaría esta formulación argumentando que no enfatiza el rol de la retroalimentación en bucle en la histéresis. Asimismo, otros autores se dedicaron a reformular otros principios expuestos por Borsboom (Jones et al., 2017).

[5] Esta herramienta de evaluación diagnóstica está basada en aspectos del análisis de redes, principios evolutivos y el análisis funcional (Hayes et al., 2020).

[6] Esta supuesta biestabilidad es más bien una simplificación, a partir de un estudio ecológico de Marten Scheffer (2001), donde si un lago posee dos estados, lago de agua clara y lago de agua turbia, entonces el ser humano posee también dos estados posibles, un patrón saludable y un patrón psicopatológico (Scheffer et al., 2024). Técnicamente, un sistema abierto que demuestra histéresis posee multiestabilidad, es decir, múltiples estados estables posibles en su espacio de posibilidades (Petraitis, 2013). Por lo tanto, es importante tener en cuenta que la biestabilidad mencionada es, en realidad, una metáfora.