Análisis de redes de síntomas: síntomas centrales y puente

Durante las últimas dos décadas, la psicopatología viene incorporando un marco conceptual distinto al modelo médico clásico de “trastorno como entidad subyacente que causa síntomas”: el análisis de redes de síntomas (network analysis). En lugar de asumir que la depresión o la ansiedad son causas latentes que generan insomnio, anhedonia o rumiación, este enfoque propone que los síntomas se influyen y sostienen mutuamente en un sistema dinámico. La tristeza alimenta la anhedonia, la anhedonia reduce la actividad, la inactividad empeora el sueño, y el sueño alterado vuelve a intensificar la tristeza.

Para quienes hacemos formulación de caso, esta perspectiva no es solo una curiosidad estadística. Ofrece un lenguaje y unas métricas —centralidad, síntomas puente— que pueden ayudar a priorizar objetivos de intervención cuando un paciente presenta múltiples síntomas o comorbilidad entre cuadros. Pero, como toda herramienta relativamente nueva, tiene limitaciones metodológicas que conviene conocer antes de trasladarla mecánicamente a la clínica.

En este artículo repasamos los conceptos centrales del análisis de redes en psicopatología, qué dice la evidencia disponible sobre su utilidad clínica y qué precauciones son necesarias al momento de usarlo como insumo —nunca como sustituto— del juicio clínico.

¿Qué es el análisis de redes de síntomas?

En un modelo de red, cada síntoma se representa como un nodo, y las relaciones estadísticas (habitualmente correlaciones parciales) entre síntomas se representan como conexiones (edges o aristas). El resultado es un gráfico donde se puede visualizar qué síntomas están más conectados entre sí y cuáles funcionan como “nudos” que vinculan distintos grupos de síntomas o incluso distintos trastornos.

Diferencia con los modelos de variable latente

El modelo tradicional de variable latente asume que existe un constructo no observable (por ejemplo, “depresión”) que causa la aparición conjunta de los síntomas medidos por un instrumento como el PHQ-9. El modelo de red invierte la lógica causal: no hay necesariamente una entidad subyacente única, sino un sistema de síntomas que se retroalimentan. Esto tiene implicancias directas para la formulación de caso, porque desplaza la pregunta de “¿qué trastorno tiene este paciente?” hacia “¿qué síntoma, si se modifica, tendría mayor impacto sobre el resto del sistema?”.

Centralidad y síntomas puente: los dos conceptos clave

Dentro del análisis de redes existen métricas específicas que permiten identificar qué nodos son más relevantes dentro del sistema.

Centralidad

La centralidad estima cuán conectado está un síntoma respecto del resto de la red. Las métricas más usadas son:

• Fuerza (strength): suma de las conexiones directas de un nodo con los demás.
• Cercanía (closeness): qué tan rápido un cambio en ese nodo se propagaría al resto de la red.
• Intermediación (betweenness): cuántas veces un nodo actúa como puente en el camino más corto entre otros dos nodos.

La hipótesis clínica detrás de estas métricas es que un síntoma altamente central sería un objetivo de intervención prioritario, ya que su modificación tendría un efecto más amplio sobre el resto del cuadro. Es una hipótesis atractiva, pero —como se detalla más abajo— todavía debatida.

Bridge centrality: síntomas puente entre trastornos

Cuando trabajamos con comorbilidad (por ejemplo, depresión y ansiedad, o depresión y deterioro cognitivo), interesa identificar no solo qué síntomas son centrales dentro de un trastorno, sino cuáles conectan a dos comunidades de síntomas distintas. Jones, Ma y McNally (2021) formalizaron este concepto bajo el nombre de bridge centrality, proponiendo métricas específicas (bridge strength, bridge closeness, bridge betweenness) para cuantificar el rol de un síntoma como conector entre trastornos comórbidos. Este desarrollo metodológico es especialmente relevante para la formulación de caso en pacientes con presentaciones mixtas, donde intervenir sobre el síntoma puente podría tener efectos sobre ambos cuadros simultáneamente.

Los propios autores señalan que la estabilidad de estas estimaciones depende fuertemente del tamaño de la muestra utilizada para estimar la red y de la estructura particular de esa red, por lo que los resultados de un estudio no deberían generalizarse sin más a un paciente individual.

Qué muestra la evidencia empírica reciente

Más allá del desarrollo metodológico, hay estudios aplicados que ilustran cómo se usa este enfoque en poblaciones clínicas concretas.

Depresión y deterioro cognitivo en adultos mayores

Zheng, Zheng, Xue, Xiao y Zhang (2025) aplicaron análisis de redes a una muestra poblacional de adultos mayores con multimorbilidad, buscando identificar síntomas centrales y puente entre síntomas depresivos y desempeño cognitivo. El estudio logra señalar qué síntomas específicos actuarían como nexo entre ambos dominios, lo cual resulta útil para pensar intervenciones que aborden simultáneamente el estado de ánimo y el funcionamiento cognitivo en esta población. Al ser un diseño transversal con datos poblacionales, los propios autores advierten que no permite establecer relaciones causales sobre la dirección de la influencia entre síntomas.

Depresión y ansiedad en adultos mayores que viven solos

En una línea similar, Chang y colaboradores (2025) analizaron datos del Chinese Longitudinal Healthy Longevity Survey para identificar síntomas centrales y puente entre depresión y ansiedad en personas mayores que viven solas. El valor clínico de este tipo de estudios es que orientan sobre qué síntomas podrían priorizarse en intervenciones dirigidas a poblaciones con recursos de atención limitados. Nuevamente, se trata de un diseño transversal (aunque basado en una encuesta longitudinal) con las limitaciones propias del autorreporte en personas mayores.

Modelado computacional para intervenciones personalizadas

Un enfoque complementario es el de Zheng y Wang (2025), quienes utilizaron simulación computacional basada en redes de síntomas para identificar objetivos centrales de intervención en el manejo de síntomas en pacientes en hemodiálisis. Aunque el contexto clínico es distinto de la psicopatología general, la metodología —simular qué ocurriría en la red si se interviene sobre un nodo específico— es directamente trasladable al razonamiento de formulación de caso: antes de decidir qué síntoma abordar primero, podemos preguntarnos qué pasaría con el resto del sistema si ese síntoma cambiara.

Limitaciones metodológicas que no hay que pasar por alto

El entusiasmo por estas herramientas debe matizarse con las críticas psicométricas que han recibido. Hallquist, Wright y Molenaar (2019) plantean un argumento central: las medidas de centralidad no pueden interpretarse de manera aislada de la teoría psicométrica clásica. Un síntoma puede aparecer como “central” en una red simplemente por artefactos de medición —por ejemplo, por cómo está redactado el ítem, por su varianza en la muestra estudiada o por la forma en que se estimó la red— y no necesariamente porque tenga un rol causal real en el mantenimiento del cuadro clínico.

Esto tiene consecuencias prácticas directas:

• La centralidad estimada en un estudio con una muestra determinada no es una propiedad fija del síntoma, sino una estimación estadística sujeta a error e inestabilidad.
• Los estudios disponibles son, en su mayoría, transversales: describen la estructura de la red en un momento dado, pero no prueban que intervenir sobre el síntoma central produzca los cambios esperados en el resto de la red.
• Los resultados obtenidos en una población (por ejemplo, adultos mayores chinos con multimorbilidad) no son automáticamente generalizables a otras poblaciones o a un paciente individual en consultorio.

En síntesis, el análisis de redes es una herramienta de generación de hipótesis, no un algoritmo de decisión clínica automática.

Cómo integrar esta perspectiva en la formulación de caso

Sin necesidad de correr un análisis de redes formal en cada caso (que requiere datos de múltiples ítems y, en general, muestras grandes para ser estadísticamente robusto), la lógica del enfoque puede incorporarse al razonamiento clínico de varias maneras:

1. Mapear el sistema de síntomas del paciente en lugar de limitarse al diagnóstico categorial: qué síntoma parece disparar a otros, cuáles se mantienen mutuamente.
2. Identificar posibles síntomas puente en comorbilidad: por ejemplo, la rumiación como nexo entre síntomas depresivos y ansiosos, o el insomnio como nexo entre estado de ánimo y funcionamiento cognitivo.
3. Priorizar objetivos de intervención en función de su conectividad aparente con el resto del cuadro, sin asumir causalidad automática.
4. Registrar la evolución de síntomas específicos en el tiempo, más allá de un puntaje global de severidad, para poder observar si modificar un síntoma impacta en otros.
5. Revisar la hipótesis a medida que avanza el tratamiento, ajustando el mapa de síntomas según la respuesta observada.

Para el punto de registro sistemático de síntomas en el tiempo, puede resultar útil combinar esta lógica con estrategias de registro conductual con línea de base, que permiten objetivar cómo varía cada síntoma sesión a sesión. De modo similar, el monitoreo pasivo entre sesiones puede aportar datos longitudinales más ricos que un cuestionario puntual, acercando la práctica clínica al tipo de datos que sustentan los modelos de red. En casos de comorbilidad ansioso-depresiva, el razonamiento sobre síntomas puente también puede complementar protocolos ya estructurados como el que describimos en TCC-I con comorbilidad ansiosa/depresiva.

Conclusiones

El análisis de redes de síntomas aporta un vocabulario y unas métricas útiles para pensar la psicopatología como un sistema dinámico de síntomas interconectados, en lugar de manifestaciones de una entidad latente única. Los conceptos de centralidad y, en particular, de síntomas puente (bridge centrality) ofrecen una vía cuantitativa para priorizar objetivos de intervención en presentaciones comórbidas, con estudios aplicados que muestran su uso en poblaciones con depresión, ansiedad y deterioro cognitivo.

Sin embargo, las críticas psicométricas son sólidas: la centralidad estimada depende de la muestra, la estructura de la red y la medición, y los diseños transversales disponibles no permiten inferir causalidad. Por eso, la recomendación práctica es usar esta perspectiva como una lente adicional para organizar la formulación de caso —mapear relaciones entre síntomas, identificar posibles nexos en comorbilidad, priorizar hipótesis de intervención— sin reemplazar el juicio clínico ni tratar los resultados de estudios poblacionales como si fueran predicciones válidas para un paciente en particular.

Preguntas frecuentes

¿Necesito software especializado para aplicar esto en mi consultorio?

No es necesario correr un análisis de redes formal para beneficiarse de esta perspectiva. Alcanza con adoptar la lógica de mapear relaciones entre síntomas al formular el caso; el software (paquetes estadísticos específicos) es más relevante para fines de investigación con muestras grandes.

¿Un síntoma central es siempre el mejor objetivo de tratamiento?

No necesariamente. La centralidad es una estimación estadística que puede estar influida por artefactos de medición y por características de la muestra estudiada. Debe considerarse una hipótesis a poner a prueba en el proceso terapéutico, no una conclusión definitiva.

¿Esta metodología reemplaza al diagnóstico categorial?

No. Es un enfoque complementario que puede enriquecer la formulación de caso, especialmente en comorbilidad, pero no sustituye los criterios diagnósticos ni el razonamiento clínico integral.

Referencias

1. Jones, P. J., Ma, R., & McNally, R. J. (2021). Bridge Centrality: A Network Approach to Understanding Comorbidity. Multivariate Behavioral Research. https://doi.org/10.1080/00273171.2019.1614898
2. Hallquist, M. N., Wright, A. G. C., & Molenaar, P. C. M. (2019). Problems with Centrality Measures in Psychopathology Symptom Networks: Why Network Psychometrics Cannot Escape Psychometric Theory. Multivariate Behavioral Research. https://doi.org/10.1080/00273171.2019.1640103
3. Zheng, T., Zheng, X., Xue, B., Xiao, S., & Zhang, C. (2025). A network analysis of depressive symptoms and cognitive performance in older adults with multimorbidity: A nationwide population-based study. Journal of Affective Disorders. https://doi.org/10.1016/j.jad.2025.04.122
4. Chang, Z., Zhang, Y., Liang, X., Chen, Y., Guo, C., Chi, X., Wang, L., Wang, X., Chen, H., Zhang, Z., Liu, L., Miao, L., & Zhang, Y. (2025). A network analysis of depression and anxiety symptoms among Chinese elderly living alone: based on the 2017-2018 Chinese Longitudinal Healthy Longevity Survey (CLHLS). BMC Psychiatry. https://doi.org/10.1186/s12888-024-06443-2
5. Zheng, X., & Wang, A. (2025). Vulnerability and core intervention targets in the symptom burden for personalized symptom management in hemodialysis care: A computational simulation modeling study. International Journal of Nursing Studies. https://doi.org/10.1016/j.ijnurstu.2025.105210