Enfoque de Redes para la Clínica

Mathias N. Rojas de la Fuente

Hace un tiempo supe sobre Terapia Basada en Procesos (TBP) y quedé fascinado con algunos aspectos de ella, por lo que me gustaría contribuir a que la barrera de idioma no sea su principal causa de que no sea conocida entre colegas. Así como la Editorial Tres Olas de Argentina se dedica a traducir y publicar libros al español, quisiera hacer una semejanza pero con papers que me parezcan interesantes y cruciales para actualizarse como profesionales de la salud.

Debido a que es una traducción humilde pueden haber ciertas erratas, si alguien se percata de alguna, hágamelo saber, no se preocupe. También me gustaría comentar que me vi la libertad de traducir ciertas palabras por otras a mi gusto personal. Por ejemplo “connections”, no lo traduje como “conexiones” sino “ensamblajes” porque ilustra mejor la idea de una interacción y su posible desenlace en el futuro, o sea, su devenir.

Un Enfoque de Redes Complejas en la Ciencia Clínica

Stefan. G. Hofmann, Joshua Curtiss y Richard J. McNally

“Los síntomas de trastornos mentales no ocurren aleatoriamente; algunos probablemente co-ocurran más que otros.” Tradicionalmente las explicaciones en psiquiatría de dicha co-ocurrencia es que los síntomas reflejan una entidad como enfermedad oculta que causa su aparición (Guze, 1992). De la misma manera que un tumor maligno es causante de una co-ocurrencia de disnea, esputo sanguinolento, tos y dolor torácico, esta lógica es aplicable al entender la depresión como el causante común de insomnio, pérdida de apetito, alteración en la capacidad de sentir placer (anhedonia) y melancolía. (Borsboom & Cramer, 2014). Otra explicación es que los síntomas reflejan dimensiones ocultas, no discretas, de entidades categoriales. Las recientes ediciones del DSM mantienen este enfoque de categorías diagnóstico pese a sus limitaciones (McNally, 2011, pp. 184–211).

Pese a que ambas posturas no se ponen de acuerdo en cómo entender la Psicopatología, comparten un pensamiento en común: La presencia de un constructo oculto, inobservable y latente, ya sea categorial o dimensionalmente.

Para que una inferencia de una variable latente sea causa común de una covarianza del síntoma debe ser justificada al mismo tiempo respetando el axioma de independencia local, de tal manera que no puede haber relaciones causales entre los síntomas.  La covarianza entre síntomas debe desaparecer si uno condiciona la presencia del problema (Borsboom, 2008). Este modelo se sostiene en síntomas de cáncer de pulmón porque controlando la presencia del tumor elimina las correlaciones entre la tos, el dolor torácico y disnea. Pero no cumple los mismos criterios para la depresión y otros trastornos mentales donde existe una relación causal entre los síntomas, lo que desestima la idea de cualquier causa latente u oculta. Por ejemplo, las personas que rumean suelen experimentar insomnio, y privación del sueño puede causar fatiga al día siguiente, lo que debilita la concentración y afecta negativamente en la motivación. (Borsboom & Cramer, 2013). Por lo tanto, es evidente la existencia de las relaciones causales entre síntomas en cuadros como la depresión (Borsboom & Cramer, 2013; Hofmann, 2014, 2015).

Desde el enfoque de redes complejas, los síntomas no reflejan una enfermedad oculta que causa la aparición de los síntomas y su co-ocurrencia. Más bien son los síntomas constitutivos y no reflejantes  de la enfermedad. Por tanto, una enfermedad no es la causa oculta de síntomas, constituyen una red de síntomas ensamblados que interactúan de ciertas maneras con la tendencia de mantenerse entre ellas. Un acontecimiento estresante no activa una entidad oculta llamada “depresión”, que causa la aparición de sus síntomas. Más bien son los acontecimientos estresantes que activan ciertos síntomas que luego activan otros síntomas, y cuando cierto número de síntomas se vuelve significativo ocurre un estado de enfermedad, que puede ser diagnosticado. El término “síntoma” implica que la tristeza, la anhedonia, la pérdida de apetito, el insomnio y demás, reflejan la presencia de una enfermedad latente que causa su aparición.  Por lo que, siguiendo a Snaith (1993), usaremos “Elemento” en lugar de “Síntoma”. Nos concentramos en la topología de redes aplicado a problemas psicológicos y dirigirnos a redes dinámicas (y su evolución durante el espacio-tiempo) especialmente en relación a la transición entre salud y enfermedad y viceversa.

Introducción a Redes Complejas

La teoría de redes es una variante de la teoría de grafos, una rama de las matemáticas que procura la representación visual de un conjunto de objetos y la conexión entre dichos objetos (Christakis & Fowler, 2009). Cada red (Network) contiene: Nodos que representan cuerpos (como personas, neuronas, síntomas, naciones) y Aristas que son líneas que conectan dos cuerpos que representan un tipo de asociación entre ellos (Por ejemplo, una conexión entre dos amistades puede ser una red social). Una red débil (grafo no-ponderado), digamos de dos cuerpos, se limita a representar si dos nodos están conectados o no. Mientras que si dicha red fuese fuerte (grafo ponderado) representa la fuerza de asociación entre los nodos.

La teoría de redes permite la computación de métricas de centralidad que revelan la significatividad de un nodo en una red. Un nodo central es aquél que, cuando es activado, es probable que expanda la activación en la red a través de las aristas con los otros nodos. Por ejemplo, un nodo con alto grado de centralidad es uno que está conectado a muchas aristas (Por ejemplo, una persona popular dentro de una red social). Un nodo con una centralidad fuerte dentro de una red ponderada es uno que tiene muchas aristas conectadas que son grandes en términos de magnitud de asociaciones (Por ejemplo, la r de Pearson de cada arista es grande). Un nodo con una alta centralidad entre otros nodos es aquél que está en el medio entre dos nodos (Por ejemplo, un gran almacén que media entre los productores y los consumidores).

Las redes complejas incluyen muchos nodos cuyas conexiones no son aleatorias ni uniformes en sus ensamblajes (Watts & Strogarts, 1998; Barabási & Albert, 1999). Esto es que el conjunto de una red varía en el tiempo; Algunos de sus nodos se agrupa (cluster) en sub-conjuntos, en donde algunos pueden tener ensamblajes débiles o pocos con otros nodos. Las evaluaciones repetidas de nodos y aristas de una red revelan la manera en que una red evoluciona durante el tiempo, evidenciada  por la trayectoria o recuperación de un trastorno mental.

Enfoque de Redes Complejas en Psicopatología

Algunas aplicaciones hasta el momento de este enfoque en la investigación clínica:

  • Depresión (Bringmann et al., 2015; Cramer, Borsboom, Aggen, & Kendler, 2012; Fried et al., 2016; van de Leemput et al., 2014)
  • Duelo complejo (Robinaugh, LeBlanc, Vuletich & McNally, 2014)
  • Trastorno de Ansiedad Generalizada (Fisher, 2015)
  • Trastorno de Estrés Post-Traumático [TEPT] (McNally, 2012; McNally et al., 2015)

Estos son los estudios que proveen un primer mirada al conjunto de redes complejas que existe entre los elementos de los trastornos.

Implicaciones en la clasificación diagnóstica

Primero que nada, nos da una nueva manera de entender los trastornos más que ser una nueva forma de diagnosticar. Esto es, en última instancia, una nueva ontología para las enfermedades mentales vista desde el enfoque de redes (McNally, 2012), no simplemente una alternativa al DSM u otro manual de diagnóstico. Se enfoca en la definición de la patología (conjunto de nodos) y sus relaciones funcionales. Además de permitir que abandonemos la idea de que existe una causa oculta que activa los elementos. Se recomienda buscar mecanismos (o biomarcadores) que causan algunos elementos en lugar de trastornos [subyacentes].

Segundo, el enfoque de redes tiene en cuenta la heterogeneidad entre diagnósticos, pero lo conceptualiza distintamente a cómo lo ha hecho el DSM. El enfoque tradicional de la heterogeneidad ha sido la sub-tipificación de diferentes patrones de síntomas dentro de una categoría diagnóstica.

Tercero, el enfoque de redes ofrece una manera distinta de hacer un diagnóstico diferencial. Por ejemplo, una persona tuvo un accidente automovilístico y ahora tiene miedo de conducir. El enfoque tradicional se enfocaría en si el miedo y la evitación a manejar es el reflejo de una condición subyacente de una fobia específica o se trata de un Trastorno Estrés Post-Traumático [TEPT] (McNally & Saigh, 1993). Sin embargo, la pregunta no debería ser si el miedo a conducir es un miedo específico o se trata de TEPT, como demanda el DSM. Más bien la pregunta significativa es cuál/es otro/s síntomas (elementos) son activados y cómo se relacionan uno con otro. Este enfoque es compatible con el pre-DSM III análisis funcional hecha por los terapeutas conductistas (Goldfried & Davison, 1976) excepto que más tarde tendieron a enfatizar estímulos ambientales – antecedentes y consecuentes – y síntomas más que las relaciones funcionales entre síntomas, aunque con ciertas excepciones (Por ejemplo, relaciones funcionales entre obsesiones y compulsiones).

Cuarto, como Cramer et al. (2010) demostraron, un análisis de red puede adecuarse un problema de comorbilidad. Los esfuerzos diagnósticos tradicionales se han esforzado por depurar los trastornos de síntomas inespecíficos que aparecen en múltiples diagnósticos (privación de sueño, problemas de concentración; Spitzer, First, & Wakefield, 2007), lo que permite afinar la distinción entre trastornos que suelen ser comórbidos. En lugar de eliminar elementos inespecíficos, el análisis en red los enfatiza; los considera puentes importantes que, si se activan, transmitirán la activación a rasgos de varios trastornos relacionados. Por lo tanto, el enfoque de redes no sustituye al DSM. Más bien provee una nueva manera de entender la relación entre trastornos y sus características definidas.

Implicaciones en Terapia, Recuperación y Recaída

El enfoque de Redes Complejas tiene implicaciones directas con la forma de entender la terapia, la recuperación y la recaída. Específicamente, redes locales o individuales pueden proveer información significativa para la planificación de un tratamiento y objetivos terapéuticos. De hecho, el trabajo en modelos de redes complejas en sistemas acuáticos por un ecologista Scheffer y colegas (2009, 2012) son relevantes para transiciones de la salud mental a un trastorno mental y viceversa. Este enfoque deriva de la teoría de caos y teoría de las catástrofes para explicar la no-linealidad, lo dinámico y la transicionalidad de los fenómenos (Scheffer et al., 2009; Vandervert, 1991; Thom, 1977).

Un elemento importante de un sistema dinámico es que está caracterizado por un atractor, que dada la red consigue equilibrio e incrementa la estabilidad. Cuando una red está en un estado estable, las perturbaciones tienden a perturbar el equilibrio sólo temporalmente, ya que la red tiende a volver rápidamente al estado atractor una vez que pasa la perturbación. Sin embargo, algunas perturbaciones pueden forzar a la red a pasar un umbral crítico de intensidad, dando lugar a un nuevo estado estable. Esto puede pasar cuando un mayor estresor desestabiliza una red saludable, dejando a la persona, por ejemplo, en una red de depresión.

Una de las características clave para entender los cambios de la red que van de un estado a otro está dentro de la conectividad de los nodos de la red y su distribución homogénea. Una conectividad de red se refiere al grado que los nodos están conectados uno con otros. Una red tiene un nivel alto de homogeneidad cuando los nodos tienen un alto nivel de similitud/semejanza. Por ejemplo, en el caso de la depresión, los nodos de baja autoestima e ideación suicida son muy similares a baja autoestima y poco apetito. (Porque la baja autoestima e ideación suicida ambos son elementos cognitivos, mientras que un apetito bajo es una disautonomía). Las redes que son homogéneas con alta conectividad tienden a mostrar biestabilidad.

La resiliencia denota cuán rápido un sistema puede recuperarse de perturbaciones. Los altamente conectados y homogéneos tienden a ser resilientes al cambio; desestabilizando acontecimientos que alteran la configuración de nodos sólo temporalmente. Una conectividad fuerte local entre un grupo (cluster) de nodos vecinos promueven una resiliencia local porque la red entera puede compensar los efectos desestabilizantes de perturbaciones locales. La capacidad de una red de compensar las perturbaciones locales está vinculado con el conjunto (ensamble) de una red. Las redes con alta conectividad entre nodos son más estables. Un sistema complejo que ocupa un estado patológico es resiliente si fracasan los intentos de cambiarlo (significa que el atractor es fuerte), lo que impide que el sistema alcance un punto crítico para pasar de un estado a otro. Una conectividad débil típicamente causa que la red cambie gradualmente en respuesta a influencias externas, porque los nodos débilmente conectados y aislados tienden a desplazarse independientemente unos de otros. En contraste, una perturbación local puede causar una cascada de efecto dominó en una transición sistémica y abrupta hacia otro atractor en el caso de un sistema con alta conectividad y homogéneo cuando se alcanza un punto crítico (Scheffer et al., 2012).

Desde un enfoque de redes complejas, una terapia efectiva, ya sea comportamental o farmacológica,  intenta desestabilizar un estado patológico, moviendo la red hacia un punto crítico para alcanzar un estado no-patológico. En caso de una recaída, el sistema se mueve de un estado no-patológico a uno patológico. Hay que tener en cuenta que Scheffer (2010) identificó ciertas características de sistemas dinámicos que indican cuándo un sistema dinámico se acerca a un punto crítico, lo que podría sugerir que los terapeutas pueden ser capaces de identificar los indicadores de una recaída inminente.

Scheffer et al. (2012) representa este fenómeno con una pelota rodando por una colina y valle. Esta red es más resistente y estable si el valle es profundo porque requiere mucha fuerza para mover la pelota fuera del valle y sobre la colina. Por el contrario, la red es menos resistente si el valle es poco profundo, ya que requiere menos fuerza para sacar la pelota del valle. Como resultado, la tasa de recuperación después de pequeñas perturbaciones es más lenta si la cuenca de atracción es pequeña a consideración cuando la cuenca de atracción es grande. Bajo condiciones lejos del punto crítico, una red es resiliente porque la cuenca de atracción es grande, y las perturbaciones no van a cambiar a la red hacia un estado estable alternativo.

Las redes que incluyen nodos altamente interconectados pueden alcanzar un punto crítico donde una perturbación local puede causar una cascada de efecto dominó en una transición sistémica si perturbaciones de afuera alcanzan un umbral crítico de intensidad. En salud mental, estas alteraciones pueden ser acontecimientos vitales adversos u otros factores estresantes. Por el contrario, las redes que no están altamente interconectadas (redes caracterizadas por nodos con interacciones débiles o incompletas) son más probable a cambiar gradualmente en respuesta de perturbaciones. Los sistemas complejos pueden dar la falsa impresión de una resiliencia después de una recuperación de perturbaciones pequeñas cuando, de hecho, la red se está moviendo a un punto crítico (Por ejemplo, de no-deprimido a deprimido), dando lugar a un cambio sistémico  (la cual teóricos de redes llaman bifurcaciones catastróficas). Para que se produzca una transición tan repentina es necesario un bucle de retroalimentación positiva que impulse a la red hacia un estado alternativo una vez superado un punto crítico. Por ejemplo, un modelo cognitivo del pánico sostiene que los ataques de pánico son el resultado de un bucle de retroalimentación en el que ciertas sensaciones corporales (por ejemplo, un latido del corazón interrumpido) provocan una valoración catastrófica de la sensación (por ejemplo, “¡Estoy teniendo un ataque al corazón!”), que, a su vez, provoca un aumento de la frecuencia cardiaca y del miedo (Clark, 1986). Según el modelo cognitivo, este bucle de retroalimentación culmina finalmente en un ataque de pánico.

Ciertas características genéricas de las redes indican transiciones críticas que indican que el sistema se acerca a un punto crítico (Scheffer, Bascompte, Brock, et al., 2009). Esto podría ser de gran valor para la ciencia clínica, ya que los modelos matemáticos de dichas redes podrían predecir la remisión o la recaída, y podría, por tanto, proporcionar una mirada crítica a la intervención temprana con el fin de prevenir la recaída o incluso la aparición de un trastorno. En el caso antes mencionado del paciente de pánico con miedo a las palpitaciones, podría ser posible predecir la aparición de un ataque de pánico basándose en el patrón de covariación entre los puntos de medición frecuentes de la frecuencia cardiaca de la persona y las interpretaciones catastróficas de estos síntomas a lo largo de un periodo de tiempo.

Una característica importante que indica que una transición crítica está desacelerando, caracterizado por una red de recuperación lenta de perturbaciones locales (debido a estresores externos). Esto sugeriría que la red ha perdido resiliencia y puede, por ende, ser desplazado fácilmente a un estado alternativo (Por ejemplo, de un estado normal a un estado de ataque de pánico). Los indicadores de desaceleración son fluctuaciones en la configuración de una red medidos a partir de un incremento de cambios de varianza de algunos elementos de la red (Por ejemplo, momento-a-momento cambia la frecuencia cardiaca en el caso de un paciente con pánico) y cada vez más grande autocorrelaciones lag-1 (por ejemplo, mayores correlaciones de la frecuencia cardiaca medida en los tiempos t y t+1). Otro ejemplo podría ser el cambio en el sistema social de un estudiante propenso a la depresión tras mudarse a un nuevo barrio. Desde el enfoque de Redes Complejas, la perturbación puede verse compensada temporalmente por el apoyo de amigos y familiares. Sin embargo, esta situación puede empeorar cuando aumenta el estrés académico, obligando al estudiante a dedicar más tiempo a hacer los deberes y limitando así aún más el contacto social. Como resultado, el estrés en combinación con el aislamiento social puede llevar al sistema a un punto crítico, pasando en cascada la perturbación local a una perturbación sistémica que desemboque en depresión.

La predicción de transiciones en redes complejas requiere datos de series temporales con muchas observaciones con gran detalle (por ejemplo, cambios en el estado de ánimo y otros elementos que forman parte de la red de depresión). Además, a menudo no está claro qué variables deben observarse y cuándo. Se pueden estimar varios parámetros diferentes para determinar la presencia de señales de alerta temprana de una transición crítica. Por ejemplo, el aumento de la autocorrelación, la varianza y la asimetría indican posibles transiciones críticas (Dakos et al., 2012; Scheffer, 2010; Carpenter y Brock, 2006; Guttal y Jayaprakash, 2008). Esto indicaría una ralentización crítica del sistema (es decir, el estado se parece cada vez más al estado anterior) y un aumento del tiempo de permanencia cerca del “Punto de silla” [saddle point] (es decir, las perturbaciones hacen que el sistema se acerque cada vez más al límite que separa los dos estados). Las estimaciones de estos parámetros, así como la inspección de sus propiedades gráficas, pueden facilitar las interpretaciones sobre si puede producirse una transición crítica.

Esto puede ser significativo para los investigadores en la clínica ya que despliega la capacidad de identificar señales que predigan transiciones de estados no patológicos a estados patológicos y viceversa.

Los métodos de muestreo de experiencias (ESM) se han utilizado para lograr esto en estudios sobre la depresión (Bringmann et al., 2013; Hartmann et al., 2015; Kramer et al., 2014, van de Leemput et al., 2014; Telford, McCarthy-Jones, Corcoran, & Rowse, 2012). Sin embargo, solo van de Leemput et al. (2014) han aplicado este método para examinar la transición crítica de la red de depresión en una muestra amplia. Los autores reclutaron a 535 individuos de la población general y a 93 pacientes deprimidos. Para calcular los indicadores de alerta temprana de la transición del estado depresivo al no depresivo, los investigadores hicieron que los participantes utilizaran el muestreo de experiencia para calificar su estado de ánimo varias veces a lo largo de 5-6 días. Los datos de los pacientes deprimidos procedían de dos estudios, que incluían mediciones iniciales de las ESM seguidas de una intervención (una combinación de farmacoterapia y asesoramiento de apoyo o la asignación a imipramina o placebo) y evaluaciones de seguimiento de los síntomas depresivos. Los resultados apuntaban a una desaceleración crítica, tal y como indicaban los indicadores de alerta temprana del inicio y el fin de la depresión (es decir, autocorrelación temporal, varianza y correlación entre emociones elevadas). Este estudio de prueba del concepto sugiere que el enfoque de redes complejas puede aplicarse con éxito a cuestiones relevantes para el tratamiento.

Fisher, Newman y Molenaar (2011) utilizaron una combinación entre los enfoques idiográfico y nomotético de redes para examinar los cambios de tratamiento en el contexto de una perspectiva de red dinámica dentro de una muestra diagnóstica específica. Utilizando datos de EMA, los autores examinaron a 33 pacientes con TAG que se sometieron a psicoterapia. Los datos idiográficos recogidos a través de diarios de ansiedad de los pacientes se sometieron a un análisis espectral. Un análisis espectral permite a los investigadores identificar patrones regulares de eventos (oscilaciones armónicas) en datos de series temporales que se producen a diferentes frecuencias. A continuación, estos datos idiográficos se agregaron para realizar análisis nomotéticos del resultado del tratamiento. Los resultados mostraron que la potencia de alta frecuencia (potencia atribuida a oscilaciones de 1 día o menos) predecía el resultado del tratamiento, y que la menor varianza entre estos informes diarios predecía un mejor resultado.

En resumen, los enfoques analíticos descritos anteriormente reflejan un subconjunto de un número creciente de procedimientos estadísticos para modelar redes complejas. Como indican Borsboom y Cramer (2013), la investigación longitudinal será vital para el avance de la investigación de redes complejas, ya que la caracterización de patrones dinámicos y temporales en la psicopatología transmitirá información importante sobre cómo optimizar los tratamientos. Además, el advenimiento de nuevas tecnologías mitigará la carga asociada con la investigación intensiva en tiempo, como la ESM, en la que los participantes informan de pensamientos, sentimientos y síntomas al menos diariamente. Aunque esto requiere la recopilación de una gran cantidad de datos durante un período prolongado, es probable que los recientes avances en la tecnología portátil inalámbrica (por ejemplo, relojes inteligentes, teléfonos inteligentes, etc.) hagan que este método sea factible en un futuro muy próximo.

En conclusión

El enfoque de Redes Complejas ofrece una alternativa al modelo de la enfermedad latente que asume que los síntomas emergen de una causa subyacente en común. El enfoque en redes asume que los trastornos existen como sistemas interrelacionados de problemas psicológicos incluyendo conductas desadaptadas, sesgos cognitivos, desregulación emocional y anormalidades fisiológicas (Borsboom & Cramer, 2013; Hofmann, 2014, 2015). Si bien la evidencia empírica es limitada, este enfoque ofrece una nueva perspectiva en la manera de entender la psicopatología. Un enfoque de Redes Complejas en Psicopatología no solo se acomoda al problema de la comorbilidad (Cramer et al., 2010), pero también considera la conectividad funcional entre los problemas actuales del individuo. Lo que puede tener implicaciones directas en la terapia. Así el enfoque en Redes Complejas parece compatible con los enfoques tradicionales y modernos de tratamiento (Hayes et al. 2015; Hofmann, 2014).

El cambio terapéutico, la recuperación y la recaída son consistentes con la noción que los sistemas complejos pueden estar en biestabilidad a través de transiciones críticas. Esto hace que el enfoque de Redes Complejas relevante para la ciencia de la clínica. En las redes altamente conectadas relacionadas con la salud mental, las transiciones de un estado a otro rara vez son lineales. Más bien, el cambio suele producirse bruscamente cuando el sistema alcanza un punto crítico. El seguimiento longitudinal de los problemas psicológicos dentro de un mismo sujeto permitirá a los investigadores clínicos identificar los puntos críticos de transición. Sin embargo, esta cuestión rara vez se ha discutido en la literatura contemporánea, con algunas excepciones (Fisher, 2015; van de Leemput et al., 2014). La adopción de este enfoque allanaría el camino hacia una ciencia clínica personalizada coherente con el reclamo del NIMH de un cuidado personalizado de la salud para nuestro campo (Insel, 2013).

En conclusión, el enfoque de Redes Complejas provee un acercamiento a elucidar la causalidad en Psicopatología que se diferencia del tradicional modelo de lo latente, categorial y dimensional. Los enfoques tradicionales suelen mantener la idea de que acontecimientos estresantes, por ejemplo, pueden causar la condición subyacente de la depresión que luego causa la activación de síntomas que reflejan su presencia pero entre los síntomas no se causalmente afectan  el otro al otro. La noción de la pérdida de sueño no causa fatiga o problemas de concentración es clínicamente poco plausible, demás no necesita la justificación de una inferencia de una enfermedad latente como fuente-causal principal de los problemas. Por lo contrario, el enfoque de Redes Complejas tiene en cuenta las causas ambientales y genéticas, pero siempre que activen características de un trastorno, que a su vez este activa otros elementos dentro de la red. Además, la fecha de causación puede aparecer como autoreforzante, bucles homeostáticos, como la hipervigilancia que fomenta respuestas de sobresalto exageradas en los supervivientes de traumas que, a su vez, mantienen su hipervigilancia (McNally et al., 2015). A diferencia de los diagramas frecuentes en la Psicología del Siglo XX (como Estimulo>Organismo>Respuesta del Neo-Conductismo; organigramas causales de la psicología cognitiva), los grafos producidos por el análisis de red son empíricamente derivados. Si bien mucho de la investigación de redes en Psicopatología está involucrado en procesadores computacionales representando asociaciones correlacionales y parcialmente correlacionales entre elementos de una red, estos estudios proporcionan pistas sobre posibles relaciones causales que podrían confirmarse en futuros estudios longitudinales y de intervención realizados en el marco de redes complejas.

Referencias

  • American Psychiatric Association. Diagnostic and statistical manual of mental disorders. 5. Washington, DC: American Psychiatric Publishing; 2013.
  • Barabási AL, Albert R. Emergence of scaling in random networks. Science. 1999; 286:509–512. DOI: 10.1126/science.286.5439.509 [PubMed: 10521342]
  • Barabási AL, Gulbahce N, Loscalzo J. Network medicine: A network-based approach to human disease. Nature Reviews: Genetics. 2011; 12:56–68. DOI: 10.1038/nrg2918
  • Bollen K, Lennox R. Conventional wisdom on measurement: A structural equation perspective. Psychological Bulletin. 1991; 110:305–314. DOI: 10.1037/0033-2909.110.2.305
  • Borsboom D. Psychometric perspectives on diagnostic systems. Journal of Clinical Psychology. 2008; 64:1089–1108. DOI: 10.1002/jclp.20503 [PubMed: 18683856]
  • Borsboom D, Cramer AOJ. Network analysis: An integrative approach to the structure of psychopathology. Annual Review of Clinical Psychology. 2013; 9:91–121. DOI: 10.1146/annurev-clinpsy-050212-185608
  • Borsboom D, Cramer AOJ, Schmittmann VD, Epskamp S, Waldorp LJ. The small world of psychopathology. PLoS ONE. 2011; 6:1–11. DOI: 10.1371/journal.pone.0027407
  • Bringmann LF, Lemmens LHJM, Huibers MJH, Borsboom D, Tuerlinckx F. Revealing the dynamic network structure of the Beck Depression Inventory-II. Psychological Medicine. 2015; 45:747–757. DOI: 10.1017/S0033291714001809 [PubMed: 25191855]
  • Bringmann LF, Vissers N, Wichers M, Geschwind N, Kuppens P, Peeters F, Borsboom D, Tuerlinckx F. A network approach to psychopathology: New insights into clinical longitudinal data. PLoS ONE. 2013; 8:1–13. DOI: 10.1371/journal.pone.0060188
  • Brown TA, Barlow DH. Dimensional versus categorical classification of mental disorders in the fifth edition of the Diagnostic and Statistical Manual of Mental Disorders and beyond: Comment on the special section. Journal of Abnormal Psychology. 2005; 114:551–556. DOI: 10.1037/0021-843X.114.4.551 [PubMed: 16351377]
  • Carpenter SR, Brock WA. Rising variance: A leading indicator of ecological transition. Ecology Letters. 2006; 9:311–318. DOI: 10.1111/j.1461-0248.2005.00877 [PubMed: 16958897]
  • Cramer AOJ, Borsboom D, Aggen SH, Kendler KS. The pathoplasticity of dysphoric episodes: Differential impact of stressful life events on the pattern of depressive symptom inter-correlations. Psychological Medicine. 2012; 42:957–965. DOI: 10.1017/S003329171100211X [PubMed: 22093641]
  • Cramer AOJ, Waldorp LJ, van der Maas HLJ, Borsboom D. Comorbidity: A network perspective. Behavioral and Brain Sciences. 2010; 33:137–193. DOI: 10.1017/S0140525X09991567 [PubMed: 20584369]
  • Christakis, NA.; Fowler, JH. Connected: The surprising power of our social networks and how they shape our lives. New York: Little, Brown and Company; 2009.
  • Clark DM. A cognitive approach to panic. Behaviour Research and Therapy. 1986; 24:461–470. [PubMed: 3741311]
  • Dakos V, Carpenter SR, Brock WA, Ellison AM, Guttal V, Ives AR, … Scheffer M. Methods for detecting early warnings of critical transitions in time series illustrated using simulated ecological data. PloS ONE. 2012; 7:1–20. DOI: 10.1371/journal.pone.0041010
  • Edwards JR, Bagozzi RP. On the nature and direction of relationships between constructs and measures. Psychological Methods. 2000; 5:155–174. [PubMed: 10937327]
  • Fisher AJ. Toward a dynamic model of psychological assessment: Implications for personalized care. Journal of Consulting and Clinical Psychology. 2015; 83:825–836. DOI: 10.1037/ccp0000026 [PubMed: 26009781]
  • Fisher AJ, Newman MG, Molenaar PCM. A quantitative method for the analysis of nomothetic relationships between idiographic structures: Dynamic patterns create atractor states for sustained posttreatment change. Journal of Consulting and Clinical Psychology. 2011; 79:552–563. DOI: 10.1037/a0024069 [PubMed: 21707138]
  • Fried EI, Epskamp S, Nesse RM, Tuerlinckx F, Borsboom D. What are ‘good’ depressive symptoms? Comparing the centrality of DSM and non-DSM symptoms of depression in a network analysis. Journal of Affective Disorders. 2016; 189:314–320. DOI: 10.1016/j.jad.2015.09.005 [PubMed: 26458184]
  • Fried E, Nesse RM. Depression sum-scores don’t add up: Why analyzing specific depression symptoms is essential. BMC Medicine. 2015; 13:1–11. DOI: 10.1186/s12916-015-0325-4 [PubMed: 25563062]
  • Goldfried, MR.; Davison, GC. Clinical behavior therapy. New York: Holt, Rinehart and Winston; 1976.
  • Guttal V, Jayaprakash C. Changing skewness: An early warning signal of regime shifts in ecosystems. Ecology Letters. 2008; 11:450–460. DOI: 10.1111/j.1461-0248.2008.01160.x [PubMed: 18279354]
  • Guze, SB. Why psychiatry is a branch of medicine. New York: Oxford University Press; 1992.
  • Hartmann JA, Wichers M, Menne-Lothmann C, Kramer I, Viechtbauer W, Peeters F, Schruers K, van Bemmel AL, Myin-Germeys I, Delespaul P, van Os J, Simons CJP. Experience sampling-based personalized feedback and positive affect: A randomized controlled trial in depressed patients. PlosONE. 2015; 10:1–16. DOI: 10.1371/journal.pone.0128095
  • Hayes AM, Yasinski C, Barnes JB, Bockting CLH. Network destabilization and transition in depression: New methods for studying the dynamics of therapeutic change. Clinical Psychology Review. 2015; 41:27–39. DOI: 10.1016/j.cpr.2015.06.007 [PubMed: 26197726]
  • Heiby EM. Chaos theory, nonlinear dynamical models and psychological assessment. Psychological Assessment. 1995a; 7:5–9.
  • Heiby EM. Assessment of behavioral chaos with a focus on transitions in depression. Psychological Assessment. 1995b; 7:10–16.
  • Hofmann SG. Toward a cognitive-behavioral classification system for mental disorders. Behavior Therapy. 2014; 45:576–587. DOI: 10.1016/j.beth.2014.03.001 [PubMed: 24912469]
  • Hofmann SG. The potential contribution of the cognitive-behavioral model for the classification of emotional disorders. Psychopathology Review. 2015; 2:100–109. DOI: 10.5127/pr.035814
  • Insel, TR. Transforming diagnosis. My Blog, Tom Insel, M.D., NIMH Director. 2013 Apr 29. http://www.nimh.nih.gov/about/director/2013/transforming-diagnosis.shtml?utm_source=rss_readers&utm_medium=rss&utm_campaign=rss-full (Retrieved February 12, 2015)
  • Insel TR. The NIMH Research Domain Criteria (RDoC) Project: Precision medicine for psychiatry. American Journal of Psychiatry. 2014; 17:395–397. DOI: 10.1176/appi.ajp.2014.14020138
  • Kim J, Zhu W, Chang L, Benter PM, Ernst T. Unified structural equation modeling approach for the analysis of multisubject, multivariate functional MRI data. Human Brain Mapping. 2007; 28:85–93. DOI: 10.1002/hbm.20259 [PubMed: 16718669]
  • Kramer I, Simons CJP, Hartmann JA, Menne-Lothmann C, Viechtbauer W, Peeters F, Schruers K, van Bemmel AL, Myin-Germeys I, Delespaul P, van Os J, Wichers M. A therapeutic application of the experience sampling method in the treatment of depression: A randomized controlled trial. World Psychiatry. 2014; 13:68–77. DOI: 10.1002/wps.20090 [PubMed: 24497255]
  • Krueger RF, Markon KE. The role of DSM-5 personality trait model in moving toward a quantitative and empirically based approach to classifying personality and psychopathology. Annual Review of Clinical Psychology. 2014; 10:477–501. DOI: 10.1146/annurev-clinpsy-032813-153732
  • McNally, RJ. What is mental illness?. Cambridge, MA: The Belknap Press of Harvard University Press; 2011.
  • McNally RJ. The ontology of posttraumatic stress disorder: Natural kind, social construction, or causal system? Clinical Psychology: Science and Practice. 2012; 19:220–228. DOI: 10.1111/cpsp.12001
  • McNally RJ, Robinaugh DJ, Wu GWY, Wang L, Deserno M, Borsboom D. Mental disorders as causal systems: A network approach to posttraumatic stress disorder. Clinical Psychological Science. 2015; 3:836–849. DOI: 10.3389/fpsyt.2015.00164
  • McNally, RJ.; Saigh, PA. On the distinction between traumatic simple phobia and posttraumatic stress disorder. In: Davidson, JRT.; Foa, EB., editors. Posttraumatic stress disorder: DSM-IV and beyond. Washington, DC: American Psychiatric Press; 1993. p. 207-212.
  • Robinaugh DJ, LeBlanc NJ, Vuletich HJ, McNally RJ. Network analysis of persistent complex bereavement disorder in conjugally bereaved adults. Journal of Abnormal Psychology. 2014; 123:510–522. DOI: 10.1037/abn0000002 [PubMed: 24933281]
  • Scheffer M. Complex Systems: Forseeing tipping points. Nature. 2010; 467:411–412. DOI: 10.1038/467411a [PubMed: 20864992]
  • Scheffer M, Bascompte J, Brock WA, Brovkin V, Carpenter SR, Dakos V, … Sugihara G. Early-warning signals for critical transitions. Nature. 2009; 461:53–59. DOI: 10.1038/nature08227 [PubMed: 19727193]
  • Scheffer M, Carpenter SR, Lenton TM, Bascompte J, Brock W, Dakos V, … Pascual M. Anticipating critical transitions. Science. 2012; 338:344–348. DOI: 10.1126/science.1225244 [PubMed: 23087241]
  • Schmittmann VD, Cramer AOJ, Waldorp LJ, Epskamp S, Kievit RA, Borsboom D. Deconstructing the construct: A network perspective on psychological phenomena. New Ideas in Psychology. 2013; 31:43–53. DOI: 10.1016/j.newideapsych.2011.02.007
  • Snaith P. What do depression ratings scale measure? British Journal of Psychiatry. 1993; 163:293–298. DOI: 10.1192/bjp.163.3.293 [PubMed: 8401956]
  • Spitzer RL, First MB, Wakefield JC. Saving PTSD from itself in DSM-V. Journal of Anxiety Disorders. 2007; 21:233–241. DOI: 10.1016/j.janxdis.2006.09.006 [PubMed: 17141468]
  • Telford C, McCarthy-Jones S, Corcoran R, Rowse G. Experience sampling methodology studies of depression: The state of the art. Psychological Medicine. 2012; 42:1119–1129. DOI: 10.1017/S0033291711002200 [PubMed: 22008511]
  • Thom R. Structural stability, catastrophe theory, and applied mathematics. Society for Industrial and Applied Mathematics Review. 1977; 19:189–201.
  • Vallacher RR, Coleman PT, Nowak A, Bui-Wrzosinska L. Rethinking intractable conflict. American Psychologist. 2010; 65:262–278. DOI: 10.1037/a0019290 [PubMed: 20455620]
  • van de Leemput IA, Wichers M, Cramer AOJ, Borsboom D, Tuerlinckx F, Kuppens P, van Nes EH, Viechtbauer W, Giltay EJ, Aggen SH, Derom C, Jacobs N, Kendler KS, van der Maas HLJ, Neale MC, Peeters F, Thiery E, Zachar P, Scheffer M. Critical slowing down as early warning for the onset and termination of depression. Proceedings of the National Academy of Sciences. 2014; 111:87–92. DOI: 10.1073/pnas.1312114110
  • Vandervert LR. Society for chaos theory in psychology holds its inaugural conference. The Social Dynamics. 1991; 2:9–10.
  • Watts DJ, Strogatz SH. Collective dynamics of small world networks. Nature. 1998; 393:440–442. DOI: 10.1038/30918 [PubMed: 9623998]