Los diseños de caso único (también llamados diseños N=1, diseños intrasujeto o single-case experimental designs) son una tradición metodológica con décadas de historia en psicología, especialmente en el análisis de conducta aplicado y en la evaluación de intervenciones clínicas. A diferencia de los diseños de investigación en psicología de grupo, donde comparas las medias de dos o más condiciones con muchos participantes, en un diseño de caso único estudias el efecto de una intervención en un solo individuo (o en un número muy pequeño de individuos) mediante la comparación sistemática de fases con y sin intervención.
La lógica de estos diseños es que cada participante actúa como su propio control. En el diseño más básico, el AB, se registra la variable dependiente repetidamente durante una fase de línea base (A) y luego durante una fase de intervención (B). Si la variable cambia al introducir la intervención, se infiere un efecto. El problema del diseño AB es que no permite descartar que el cambio se deba a factores temporales (maduración, eventos externos) coincidentes con la introducción de la intervención. Por eso los diseños más rigurosos incluyen reversiones (ABAB, donde se retira y se reintroduce la intervención) o introducciones escalonadas (diseño de línea base múltiple, donde la intervención se introduce en diferentes momentos para diferentes conductas, situaciones o participantes).
Análisis estadístico de los datos de caso único
Históricamente, los datos de caso único se han analizado mediante inspección visual: el investigador examina los gráficos de las series temporales y juzga si hay un cambio en el nivel, la tendencia o la variabilidad entre fases. La inspección visual tiene la ventaja de ser intuitiva y de detectar patrones complejos que los análisis estadísticos pueden pasar por alto. Sin embargo, también tiene limitaciones importantes: la fiabilidad entre evaluadores es baja (diferentes evaluadores pueden llegar a conclusiones diferentes mirando los mismos datos), y es poco sensible a efectos pequeños o moderados, especialmente cuando los datos son variables.
En las últimas décadas ha habido un esfuerzo considerable por desarrollar métodos estadísticos apropiados para datos de caso único. Uno de los enfoques más utilizados son los índices de tamaño del efecto no solapamiento, que cuantifican en qué medida los datos de la fase de intervención no se solapan con los de la línea base. El PND (Percentage of Non-overlapping Data) es el más sencillo: calcula el porcentaje de datos en la fase B que superan el valor más extremo de la fase A. El NAP (Nonoverlap of All Pairs) y el Tau-U son versiones mejoradas que son más robustas a outliers y que pueden ajustar por tendencia en la línea base.
Otro enfoque más sofisticado es el uso de modelos multinivel o modelos lineales de efectos mixtos para datos de caso único. Estos modelos permiten estimar el cambio en nivel y en tendencia entre fases, controlando por la autocorrelación serial que es inherente a los datos de series temporales. La ventaja de estos modelos es que proporcionan estimaciones de los parámetros con intervalos de confianza y permiten la síntesis cuantitativa de múltiples casos dentro de un estudio o a través de estudios (lo que se conoce como metaanálisis de caso único). El paquete SingleCaseES en R ofrece funciones para calcular múltiples tamaños del efecto para diseños de caso único.
Cuándo usar diseños de caso único
Los diseños de caso único son especialmente apropiados en situaciones donde los diseños de grupo son impracticables o inapropiados. En poblaciones clínicas raras (enfermedades poco frecuentes, trastornos del desarrollo con presentaciones muy heterogéneas), puede ser imposible reunir una muestra suficiente para un ensayo controlado aleatorizado. En la práctica clínica cotidiana, un terapeuta que quiere evaluar si una intervención específica funciona con un paciente concreto, por ejemplo mediante el índice de cambio fiable (RCI), no necesita un ensayo con 100 participantes, sino un diseño de caso único bien implementado.
También son valiosos como paso previo a los ensayos de grupo. Antes de invertir los recursos necesarios para un ensayo controlado aleatorizado, un diseño de caso único puede proporcionar evidencia preliminar sobre si la intervención tiene potencial. Si no funciona con unos pocos casos cuidadosamente estudiados, es poco probable que funcione a nivel de grupo. Y si funciona, los datos de caso único pueden informar el diseño del ensayo de grupo (por ejemplo, ayudando a determinar el tamaño del efecto esperado y por tanto el tamaño muestral necesario).
Recomendaciones para la implementación
Si decides utilizar un diseño de caso único, hay varias consideraciones prácticas importantes. La primera es la extensión de la línea base: necesitas suficientes puntos de datos en la fase A para establecer un patrón estable contra el cual evaluar el cambio. La recomendación mínima es de cinco puntos de datos por fase, aunque más siempre es mejor. La segunda es la elección del diseño: si la conducta objetivo es reversible (como la frecuencia de una conducta observable), un diseño ABAB es apropiado. Si no es reversible (como el aprendizaje de una habilidad), un diseño de línea base múltiple es más adecuado.
En cuanto al análisis, mi recomendación es combinar la inspección visual con al menos un índice estadístico de tamaño del efecto (puedes usar nuestra calculadora de tamaño del efecto). La inspección visual te da una comprensión cualitativa del patrón de cambio, mientras que el índice estadístico proporciona una cuantificación que facilita la comunicación y la comparación entre estudios. Los estándares de la What Works Clearinghouse y las guías SCRIBE proporcionan directrices detalladas sobre cómo diseñar, implementar y reportar estudios de caso único con rigor metodológico suficiente para que sean considerados evidencia científica válida.