El análisis de redes aplicado a la psicopatología ha cambiado la forma en que muchos investigadores piensan sobre los trastornos mentales. Frente al modelo tradicional, que asume que los síntomas son indicadores de una enfermedad latente subyacente (como la fiebre es un indicador de una infección), el enfoque de redes propone que los propios síntomas y sus interacciones son el trastorno. No hay una entidad oculta llamada "depresión" que cause tristeza, insomnio y fatiga, sino que estos síntomas se activan mutuamente formando una red que puede quedarse atrapada en un estado patológico.
Esta perspectiva tiene raíces en la teoría de sistemas dinámicos y surgió con fuerza a principios de la década de 2010, impulsada especialmente por el trabajo de Denny Borsboom y sus colaboradores en la Universidad de Ámsterdam. La idea no es completamente nueva (los enfoques funcionales y conductuales llevan décadas cuestionando la noción de trastorno como entidad), pero el análisis de redes proporcionó por primera vez herramientas estadísticas concretas para modelar estas interacciones entre síntomas de forma cuantitativa.
Cómo se construye una red de síntomas
En la práctica, una red psicopatológica se construye a partir de datos de cuestionarios o entrevistas clínicas donde se evalúan múltiples síntomas. Cada síntoma se representa como un nodo, y las conexiones entre nodos (las aristas) reflejan asociaciones estadísticas entre síntomas después de controlar por el resto. El método más utilizado para datos continuos es la red de correlaciones parciales regularizada, donde se aplica una penalización tipo LASSO (concretamente, el graphical LASSO o gLASSO) para eliminar las conexiones espurias y quedarse solo con las asociaciones más robustas. Para datos ordinales o binarios se utilizan modelos de Ising o correlaciones policóricas.
El resultado visual es un grafo donde los síntomas con asociaciones fuertes aparecen conectados por líneas gruesas y cercanos entre sí, mientras que los síntomas con poca relación aparecen alejados y sin conexión directa. Esta visualización, aunque atractiva, puede ser engañosa si no se interpreta con cuidado. Los algoritmos de posicionamiento de los nodos (como Fruchterman-Reingold) optimizan la distribución visual, pero la distancia espacial entre nodos no siempre tiene una interpretación sustantiva clara. Lo que importa son las aristas y sus pesos, no las posiciones absolutas en el gráfico.
Medidas de centralidad y su interpretación
Uno de los conceptos más utilizados (y más debatidos) en el análisis de redes psicopatológicas es la centralidad. Las medidas de centralidad intentan identificar qué síntomas son más importantes o influyentes dentro de la red. Las tres más comunes son la fuerza (strength, la suma de los pesos absolutos de todas las conexiones de un nodo), la intermediación (betweenness, cuántos caminos más cortos entre pares de nodos pasan por ese nodo) y la cercanía (closeness, la inversa de la suma de las distancias más cortas a todos los demás nodos).
De estas tres, la fuerza es la más estable y la que mejor se replica entre estudios. La intermediación y la cercanía han demostrado ser muy inestables en redes psicopatológicas típicas, hasta el punto de que varios autores desaconsejan su uso en este contexto. Hallquist et al. (2019) y otros han argumentado convincentemente que estas medidas, desarrolladas originalmente para redes sociales con miles de nodos, no se comportan bien en redes pequeñas con 15 o 20 síntomas, que es el escenario habitual en psicopatología.
Más allá de las medidas clásicas de centralidad, ha habido un interés creciente en la centralidad de puente (bridge centrality), que identifica síntomas que conectan diferentes comunidades o clusters dentro de la red. La idea clínica es atractiva: estos síntomas puente podrían ser los responsables de la comorbilidad entre trastornos. Si el insomnio conecta el cluster de síntomas depresivos con el cluster de síntomas ansiosos, intervenir sobre el insomnio podría reducir ambos. Es una hipótesis interesante, pero por ahora la evidencia empírica que la respalde es limitada.
Limitaciones y estado actual del campo
El análisis de redes en psicopatología ha recibido críticas importantes que conviene conocer. La más fundamental es que las redes estimadas a partir de datos transversales (que son la gran mayoría) no permiten inferencias causales ni temporales. Que el insomnio y la fatiga estén fuertemente conectados en una red transversal no significa que uno cause el otro, ni que intervenir en uno vaya a mejorar el otro. Forbes et al. (2017) demostraron que la estructura de redes transversales puede diferir sustancialmente de la estructura de redes temporales estimadas con datos longitudinales, lo que cuestiona la utilidad clínica de las redes transversales.
Otra limitación importante es la replicabilidad. Las redes psicopatológicas son sensibles a la composición de la muestra, a los instrumentos utilizados y a las decisiones analíticas del investigador (qué tipo de regularización usar, qué hiperparámetros seleccionar, cómo tratar los datos ordinales). Algunos estudios han encontrado que la estructura global de la red se replica razonablemente entre muestras, pero las medidas de centralidad de nodos específicos son mucho menos estables. Esto es problemático si la promesa del enfoque es precisamente identificar síntomas clave para la intervención.
A pesar de estas limitaciones, el análisis de redes sigue siendo una herramienta valiosa en la investigación psicopatológica. Los desarrollos más prometedores incluyen las redes temporales estimadas con datos de evaluación ecológica momentánea (EMA), los modelos de redes bayesianas que permiten incorporar conocimiento previo, y las redes longitudinales de panel que combinan información entre sujetos y dentro de sujetos. El paquete psychonetrics ha consolidado además los modelos de red confirmatorios y de panel, que permiten poner a prueba una estructura de red teórica en lugar de limitarse a estimarla de forma exploratoria. El campo está madurando, y con esa maduración viene una comprensión más realista de lo que estas técnicas pueden y no pueden ofrecer. Si trabajas con datos clínicos y te interesa explorar este enfoque, el paquete bootnet en R es un buen punto de partida, ya que incluye procedimientos de estabilidad y precisión que te ayudarán a evaluar la robustez de tus resultados.
Si en tu tesis o artículo trabajas con un modelo de red y quieres asegurarte de que la centralidad y la estabilidad están bien estimadas y reportadas, en mi consultoría estadística para psicología ajustamos la red en R (qgraph, bootnet) y preparamos el reporte para el tribunal o el revisor. Y si tu interés es identificar perfiles de pacientes más que la interacción entre síntomas, quizá te encaje mejor el análisis de clases latentes.