Del paciente promedio al paciente individual Dos personas con el mismo diagnóstico psiquiátrico pueden presentar síntomas, desencadenantes, evolución y respuesta al tratamiento muy diferentes. Esta heterogeneidad constituye uno de los grandes retos de la psiquiatría personalizada. Una posible respuesta son las redes específicas de persona (person...
PUBLICIDAD
Crea tu cuenta gratis y léelo completo ahora.
¿Ya estás registrado? Inicia sesión aquí .
Dos personas con el mismo diagnóstico psiquiátrico pueden presentar síntomas, desencadenantes, evolución y respuesta al tratamiento muy diferentes. Esta heterogeneidad constituye uno de los grandes retos de la psiquiatría personalizada.
Una posible respuesta son las redes específicas de persona (person-specific networks), modelos estadísticos construidos a partir de mediciones repetidas de un mismo individuo.
Un artículo publicado en Frontiers in Psychiatry plantea, sin embargo, una pregunta incómoda: ¿construir un modelo específico de un paciente significa realmente que estamos personalizando su tratamiento?
La respuesta del autor es que no necesariamente. Para ordenar la evidencia propone una “Personalization Ladder” o Escalera de Personalización, formada por seis niveles que avanzan desde disponer de datos individuales suficientes hasta demostrar mejoras reales en los resultados clínicos.
Estos modelos suelen partir de la evaluación ecológica momentánea (EMA).
Mediante un teléfono móvil u otro dispositivo, una persona responde varias veces al día preguntas breves sobre variables como estado de ánimo, ansiedad, estrés, sueño, actividad, pensamientos o contexto social.
En lugar de comparar al paciente con cientos de personas, se analiza cómo cambian sus propias variables a lo largo del tiempo.
El objetivo puede ser, por ejemplo, estudiar si el estrés de una persona precede sistemáticamente al insomnio, si el insomnio anticipa mayor ansiedad al día siguiente o si determinadas variables fluctúan conjuntamente.
Así se obtiene una representación individual de relaciones contemporáneas y temporales.
Pero estas conexiones son asociaciones estadísticas. Una flecha entre dos síntomas no demuestra que uno cause el otro ni que intervenir sobre el primero vaya a modificar el segundo.
Esta es la tesis principal del artículo.
Estimar un modelo utilizando exclusivamente datos de una persona demuestra que hemos realizado una estimación individualizada.
Para hablar de personalización clínicamente relevante hacen falta más pasos.
El autor diferencia tres conceptos:
“Reliable” o fiable: el modelo puede estimarse y reproduce suficientemente las dinámicas observadas.
“Informative” o informativo: además proporciona capacidad predictiva incremental sobre datos futuros.
“Useful” o útil: la información modifica decisiones clínicas o mejora resultados relevantes para el paciente.
Esta distinción evita considerar automáticamente como medicina personalizada cualquier análisis realizado a nivel individual.
La Personalization Ladder organiza la evidencia en seis escalones progresivos.
Los primeros niveles responden a preguntas metodológicas: ¿hay suficientes datos?, ¿puede estimarse correctamente el modelo?, ¿las relaciones encontradas son reproducibles?
Posteriormente aparece una exigencia más fuerte: ¿el modelo predice mejor lo que le ocurrirá al paciente?
Y finalmente llegan las preguntas propiamente clínicas: ¿cambia decisiones? ¿Mejora resultados?
La propuesta puede resumirse como:
datos → estimación → estabilidad → predicción → decisión → resultado.
El marco es evidencial, no una secuencia obligatoria. Un estudio puede evaluar directamente niveles superiores, aunque la ausencia de evidencia en los inferiores puede dificultar interpretar por qué funcionó o fracasó.
El primer escalón se centra en la calidad de los datos longitudinales.
Las redes individuales necesitan numerosas observaciones de una misma persona. Pero las evaluaciones mediante EMA generan problemas prácticos: respuestas omitidas, abandono, variación insuficiente o periodos de seguimiento demasiado cortos.
El artículo propone como referencia ilustrativa una cumplimentación de al menos el 80 % de las evaluaciones programadas, además de informar sobre datos perdidos y variabilidad dentro del individuo.
El 80 % no debe interpretarse como un umbral clínico universal. El propio autor lo presenta como un criterio provisional y auditable que deberá revisarse a medida que avance la evidencia.
Disponer de muchos registros tampoco garantiza un modelo fiable.
Cuantos más síntomas o variables se introducen, mayor es el número de parámetros que deben estimarse. Aparece así el problema denominado “big network, short time series”: demasiadas relaciones posibles para una serie temporal relativamente corta.
El artículo propone comprobar convergencia, recuperación mediante simulaciones y adecuación entre complejidad del modelo y número de observaciones.
Esto tiene una consecuencia práctica importante: añadir más variables no siempre produce una representación más precisa del paciente.
Una red aparentemente detallada puede ser estadísticamente inestable.
Una red individual puede representar tanto características relativamente persistentes como circunstancias específicas del periodo estudiado.
Cambios de medicación, psicoterapia, acontecimientos vitales o contexto social pueden modificar las relaciones observadas.
Por ello, el tercer nivel pregunta por la estabilidad y reproducibilidad.
Como referencias provisionales, el artículo propone un mínimo del 80 % de coincidencia en el signo de conexiones previamente seleccionadas entre ventanas comparables o un coeficiente de correlación intraclase de al menos 0,60 para determinados parámetros resumen.
De nuevo, no son estándares clínicos validados, sino objetivos metodológicos propuestos para hacer comprobables las afirmaciones de estabilidad.
Aquí se produce un cambio importante.
Una red puede ser estable y visualmente convincente, pero no aportar información útil sobre qué ocurrirá después.
El cuarto escalón exige predicción fuera de muestra.
El modelo debería compararse con alternativas más sencillas: gravedad actual de los síntomas, antecedentes clínicos, modelos grupales o predicciones basadas en el estado inmediatamente anterior.
Como ejemplo, el autor propone preregistrar una mejora de al menos un 5 % en MAE o RMSE frente a modelos de referencia, acompañada de intervalos de incertidumbre y evaluación de calibración.
Ese 5 % tampoco constituye un estándar clínico establecido. Es una propuesta provisional que debería sustituirse cuando exista un umbral clínicamente significativo específico para cada problema.
Predecir mejor tampoco garantiza utilidad clínica.
Para alcanzar el quinto nivel, la información de la red debe entrar realmente en el proceso asistencial y modificar de forma documentable alguna decisión: selección de intervención, secuencia terapéutica, momento de aplicación, monitorización o manejo del caso.
El artículo cita un estudio piloto en el que redes construidas mediante 10 días de EMA se utilizaron para priorizar módulos de una intervención digital. Los síntomas mejoraron tanto en el grupo guiado por redes como en el que recibió una secuencia estandarizada, sin observarse una ventaja adicional clara del procedimiento personalizado.
Es un ejemplo especialmente ilustrativo: utilizar una red para decidir ya representa personalización del proceso, pero todavía no demuestra que esa decisión produzca mejores resultados.
Este es el escalón decisivo.
Una herramienta alcanza el máximo nivel cuando existe evidencia de que utilizarla produce mejores resultados que una alternativa adecuada.
Esto podría evaluarse mediante ensayos aleatorizados o comparaciones pragmáticas suficientemente robustas.
Los resultados podrían incluir síntomas, funcionamiento, calidad de vida, eficiencia asistencial u otras variables relevantes para pacientes y profesionales.
El artículo evita proponer un tamaño de efecto universal. El beneficio mínimo relevante dependerá del trastorno, la intervención y las consecuencias de cada decisión.
Por tanto, el nivel 6 representa la diferencia entre personalizar información y demostrar beneficio clínico de esa personalización.
El marco cuestiona también otra suposición habitual: que cuanto más individual sea un modelo, mejor.
Algunos pacientes pueden estar adecuadamente representados por modelos construidos con información grupal, mientras que otros presentan dinámicas suficientemente diferentes como para justificar estimaciones individuales.
Los modelos híbridos permiten además combinar ambos niveles: aprovechar información poblacional y adaptarla a características individuales.
La pregunta relevante deja entonces de ser “¿podemos construir una red para este paciente?” y pasa a ser:
¿la red individual aporta información reproducible que no obtenemos mediante procedimientos más sencillos?
Recoger datos varias veces al día durante semanas supone una carga para el paciente.
El artículo recuerda que acceso a teléfonos inteligentes, alfabetización digital, idioma, discapacidad, gravedad sintomática, trabajo, responsabilidades de cuidados y privacidad pueden afectar al cumplimiento de EMA.
Esto introduce además una cuestión de equidad: las personas que generan mejores datos pueden no representar a quienes presentan mayores dificultades para participar en este tipo de monitorización.
La personalización no debería evaluarse únicamente por precisión estadística, sino también por carga, accesibilidad, privacidad y posibles desigualdades.
La Personalization Ladder resulta útil para ordenar las afirmaciones sobre psiquiatría personalizada, pero debe interpretarse según la naturaleza de la publicación.
Se trata de un artículo de opinión, no de un estudio empírico que haya validado prospectivamente los seis niveles.
Los umbrales numéricos propuestos —80 % de cumplimiento, 80 % de concordancia, ICC ≥0,60 o mejora predictiva del 5 %— son definidos expresamente como criterios provisionales, no como puntos de corte universales.
Su principal aportación es conceptual: obligar a distinguir entre disponer de datos individuales, construir un modelo, demostrar estabilidad, predecir, modificar decisiones y finalmente mejorar resultados.
1. Construir una red con datos de un único paciente demuestra individualización del análisis, pero no necesariamente personalización clínica.
2. Las redes específicas de persona son modelos estadísticos: sus conexiones no deben interpretarse automáticamente como relaciones causales ni como dianas terapéuticas.
3. La Personalization Ladder propone seis niveles: calidad de datos, estimación, estabilidad, predicción, impacto en decisiones e impacto en resultados.
4. Los umbrales numéricos propuestos son referencias metodológicas provisionales y no criterios clínicos validados.
5. La prueba definitiva de personalización no es producir un gráfico diferente para cada paciente, sino demostrar que esa información mejora predicciones, decisiones o resultados relevantes.
La propuesta introduce así una distinción importante para la psiquiatría de precisión: personalizar un modelo es relativamente sencillo; demostrar que esa personalización beneficia al paciente es un desafío mucho mayor.
Resumen y adaptación editorial: Virginia Candelas García (Cibermedicina / Psiquiatria.com)
Fuente original: From Person-Specific Networks to Personalized Psychiatry: What Evidence Is Still Needed? Frontiers in Psychiatry. 2026;17:1967025. DOI: 10.3389/fpsyt.2026.1967025.
Texto completo disponible en: https://www.frontiersin.org/journals/psychiatry/articles/10.3389/fpsyt.2026.1967025/full
Este contenido es un resumen adaptado. La autoría científica corresponde a los autores originales.
Artículo distribuido bajo licencia Creative Commons según la fuente original.
Inicio: 11/11/2026 |Precio: 80€
Ver curso
Explora el artículo con IA