BUSCANDO LA CAUSALIDAD EN EL
TRASTORNO DE ANSIEDAD
SEARCHING FOR CAUSALITY IN ANXIETY DISORDERS
Silday Natividad Veleces Soriano
Tecnológico Nacional de México, México
José Antonio Montero Valverde
Tecnológico Nacional de México, México
Miriam Martínez Arroyo
Tecnológico Nacional de México, México
Juan Miguel Hernández Bravo
Tecnológico Nacional de México, México
Eduardo de la Cruz Gamez
Tecnológico Nacional de México, México
pág. 3051
DOI: https://doi.org/10.37811/cl_rcm.v10i1.22443
Buscando la Causalidad en el Trastorno de Ansiedad
Silday Natividad Veleces Soriano1
mm24320018@acapulco.tenm.mx
https://orcid.org/0009-0008-2113-8881
Tecnológico Nacional de México Campus
Acapulco
México
José Antonio Montero Valverde
jose.mv@acapulco.tecnm.mx
https://orcid.org/0009-0000-5357-3257
Tecnológico Nacional de México Campus
Acapulco
México
Miriam Martínez Arroyo
miriam.ma@acapulco.tecnm.mx
https://orcid.org/0000-0002-5685-1731
Tecnológico Nacional de México Campus
Acapulco
México
Juan Miguel Hernández Bravo
juan.hb@acapulco.tecnm.mx
https://orcid.org/0000-0003-4892-3368
Tecnológico Nacional de México Campus
Acapulco
México
Eduardo de la Cruz Gamez
jose.mv@acapulco.tecnm.mx
https://orcid.org/0000-0003-3318-788X
Tecnológico Nacional de México Campus
Acapulco
México
RESUMEN
De acuerdo con datos de la Organización Mundial de la Salud (2025), el trastorno de ansiedad es una
enfermedad mental que afecta a más de mil millones de personas a nivel mundial. Por su parte, la
Secretaría de Salud de México (SSA, 2024), reportó que este trastorno mental representó el 52.8% de
los casos de salud mental atendidos en el año 2024. En este trabajo, se busca determinar una relación
causal entre las variables que causan la manifestación de este trastorno. Para esta finalidad, se utilizaron
algoritmos básicos de descubrimiento causal, específicamente: i) PC (Peter Spirtes y Clark Glymour),
ii) GES (Algoritmo de Búsqueda Voraz de Equivalencias), y iii) LiNGAM (Modelo Acíclico No
Gaussiano Lineal). Asimismo, se utilizó el conjunto de datos manejado por Fathi & Ahmadi (2020), el
cuál usa información de variables demográficas, emocionales y físicas, considerando un total de 28
variables. Los hallazgos encontrados al utilizar los algoritmos mencionados, determinan coincidencias
de causalidad en algunas variables. La similitud entre las coincidencias, así como la orientación y
estimación de la relación causal entre las variables en los grafos, fue valorada por diferentes métricas.
Las coincidencias encontradas determinan las variables con mayor probabilidad de ser factores causales
en el trastorno de ansiedad. De ser comprobables, a través de un experto humano, estas relaciones, son
de gran importancia para intervenciones específicas a diferentes trastornos.
Palabras clave: descubrimiento causal, PC, GES, LiNGAM, trastorno de ansiedad
1
Autor principal
Correspondencia: mm24320018@acapulco.tenm.mx
pág. 3052
Searching for Causality in Anxiety Disorders
ABSTRACT
According to data from the World Health Organization (2025), anxiety disorder is a mental illness that
affects more than one billion people worldwide. For its part, the Mexican Ministry of Health (SSA,
2024) reported that this mental disorder represented 52.8% of the mental health cases treated in the year
2024. In this work, it is sought to determine a causal relationship among the variables that cause the
manifestation of this disorder. For this purpose, basic causal discovery algorithms were used,
specifically: i) PC (Peter Spirtes and Clark Glymour), ii) GES (Greedy Equivalence Search Algorithm),
and iii) LiNGAM (Linear Non-Gaussian Acyclic Model). Likewise, the dataset handled by Fathi &
Ahmadi (2020) was used, which uses information from demographic, emotional, and physical variables,
considering a total of 28 variables. The findings obtained by using the aforementioned algorithms
determine causal coincidences in some variables. The similarity among the coincidences, as well as the
orientation and estimation of the causal relationship among the variables in the graphs, was evaluated
by different metrics. The coincidences found determine the variables with the highest probability of
being causal factors in anxiety disorder. If they can be verified through a human expert, these
relationships are of great importance for specific interventions for different disorders.
Keywords: causal discovery, PC, GES, LiNGAM, anxiety disorder
Artículo recibido 12 diciembre 2025
Aceptado para publicación: 16 enero 2026
pág. 3053
INTRODUCCIÓN
El trastorno de ansiedad se presenta cuando una persona experimenta miedo o preocupación de manera
intensa. Estos sentimientos van acompañados de síntomas físicos, conductuales y cognitivos. Este
trastorno es el resultado de una compleja interacción entre factores sociales, psicológicos y biológicos
(OMS, 2025).
El impacto de la ansiedad en la salud física se ha estudiado ampliamente y se ha demostrado que puede
influir negativamente en varios sistemas del cuerpo. Desde el aumento de la frecuencia cardiaca hasta
el deterioro de la función inmunológica. Los efectos de la ansiedad pueden contribuir a enfermedades
graves a largo plazo.
Por otro lado, los efectos resultantes de la ansiedad también se presentan en conductas de evitación que
se pueden agravar al punto de llegar al aislamiento social impactando en la vida diaria, académica,
laboral o personal de manera negativa.
Según la Organización Mundial de la Salud (2025), los trastornos de salud mental prevalecen en más de
mil millones de personas a nivel mundial y condiciones como la ansiedad y la depresión no solo son sus
principales formas de manifestación, sino que están causando un gran gasto de recursos humanos y
económicos. Estos trastornos afectan a personas de todas edades, desde niños hasta adultos mayores y
representan la segunda causa principal de discapacidad a largo plazo. Aún más grave es el hecho de que
el suicidio permanece como un resultado grave por la falta de atención oportuna a estos trastornos.
Si bien afecta a todos, las personas que se encuentran en el rango de edades correspondientes a la
adolescencia hasta la adultez, son un grupo muy vulnerable debido a la presión académica o laboral.
En México, se estima un alto porcentaje de casos atendidos, siendo el trastorno de ansiedad el más
frecuente, por encima del 52% según datos de la Secretaría de Salud de México (2024) (Figura 1).
pág. 3054
Figura 1. Prevalencia del trastorno de ansiedad en México (Fuente: Secretaría de Salud de México
(2024)).
Estudios realizados en varios países demostraron que el trastorno de ansiedad como consecuencia de la
pandemia del COVID-19 ha aumentado notablemente. Del Moral Chica et al. (2024) señala que el
aislamiento social, la incertidumbre económica y el temor al virus han llevado a un aumento significativo
de los casos de ansiedad y depresión.
Este trabajo busca determinar la estructura causal de las variables asociadas al trastorno de ansiedad
mediante la aplicación de algoritmos de descubrimiento causal.
Relevancia clínica y social. Se pueden diseñar intervenciones efectivas para prevenir el trastorno de
ansiedad, identificar factores de riesgo modificables con mayor precisión y optimizar tratamientos
personalizados basados en perfiles de riesgo individual. Estas intervenciones preventivas pueden reducir
los costos relacionados a los tratamientos. Además, el desarrollo e implementación de algoritmos de IA
causal en el campo médico respecto al trastorno de ansiedad podría abrir nuevas áreas de investigación
en ciencia de datos y salud.
En este trabajo utilizamos el trastorno de ansiedad social (TAS) como caso representativo dentro del
grupo de los trastornos de ansiedad. El TAS comparte con otros trastornos de ansiedad síntomas
generales importantes de miedo, evitación y malestar, así como factores de riesgo comunes, como la
historia familiar de trastornos emocionales, entre otras. Por esta razón, en el marco teórico hacemos
referencia al trastorno de ansiedad de forma general, pero las evidencias empíricas que presentamos en
este trabajo provienen de un conjunto de datos específico de personas con TAS. Así pues, cuando nos
referimos a trastorno de ansiedad en este texto, hablamos principalmente del TAS evaluado en este
estudio.
pág. 3055
METODOLOGÍA
Este trabajo divide la metodología en las siguientes etapas. Primero se menciona todo lo relacionado a
los datos de entrada, después se aborda el tema de determinación de causas y, finalmente, la evaluación
del modelo.
Datos de entrada. El conjunto de datos utilizado en este trabajo está integrado por diferentes tipos de
variables, entre las cuales destacan las siguientes: 1) variables sociodemográficas 2) variables
conductuales, 3) variables físicas y 4) miedos específicos relacionados con la ansiedad social, siguiendo
la estructura propuesta por Fathi & Ahmadi (2020).
La población que se estudia en este trabajo es la que pertenece al rango de edades entre los 14 a los 65
años. Como se sabe, los cambios físicos y psicológicos asociados a la adolescencia y posteriormente a
la adultez, sumados con las responsabilidades escolares, sociales y laborales, hace que este grupo sea de
especial importancia estudiarlo.
Aunque conceptualmente este trabajo se encuentra en el marco amplio de los trastornos de ansiedad, el
conjunto de datos utilizado corresponde a personas evaluadas por trastorno de ansiedad social. Por tanto,
las relaciones causales identificadas describen principalmente al subtipo específico y cualquier
extensión a otros trastornos de ansiedad debe hacerse considerando esta información.
El conjunto de datos original fue utilizado en una tarea de aprendizaje automático; cuenta con 214
instancias y 30 columnas de datos, sin embargo, algunas de ellas no son necesarias para la presente
investigación. Por lo mismo, se eliminó la columna 'id' por ser irrelevante y 'hasSAD' por ser la variable
de clase (objetivo), innecesaria para el descubrimiento causal.
Dentro del conjunto de datos, se encuentran dos variables importantes basadas en test de ansiedad.
Variable “LSAS” la cual representa el valor obtenido en la Escala de Ansiedad Social de Liebowitz. Esta
escala es una herramienta muy utilizada que consta de 24 preguntas. Cada una de ellas consiste en una
situación a considerar y que debe ser puntuada tanto con relación a la ansiedad o miedo que supone y la
frecuencia con que se evita (lo que proporciona una puntuación entre 0 y 3 para cada cuestión). La
puntuación máxima posible es por tanto de 144 y la mínima de 0 (Liebowitz, 1987).
La variable “SPIN” representa el resultado de la aplicación del cuestionario Inventario de Fobia Social
diseñado para evaluar la ansiedad social en población clínica y general. Fue desarrollado por Connor et
pág. 3056
al. (2000) y es una de las escalas que más se utilizan en investigación psicológica debido a que es breve,
confiable y tiene muy buena capacidad de detección. Consta de 17 ítems y cada uno consta de una escala
de 0 a 4. Mide 3 dimensiones principales: miedo, evitación y manifestaciones fisiológicas (Connor et
al., 2000).
Inicialmente, la verificación y limpieza de datos fue una etapa crítica para garantizar la correcta
aplicación de los algoritmos.
Preprocesamiento: Aunque la eliminación de instancias con valores faltantes suele ser una estrategia
común, se optó por implementar el algoritmo MICE (Multiple Imputation by Chained Equations). Esta
decisión se fundamenta en las limitaciones de métodos tradicionales (como la imputación por media o
mediana), los cuales reducen la varianza al reemplazar los valores ausentes por una constante fija. Dicha
reducción artificial distorsiona las correlaciones entre variables y puede alterar las dependencias
estadísticas esenciales para el funcionamiento de los algoritmos causales.
Posteriormente, se validó la imputación para asegurar que la distribución original de los datos no sufriera
alteraciones significativas. Para ello, se analizó el histograma de la variable LSAS (la cual presentaba
los datos faltantes). Como se aprecia en la Figura 2, no hubo cambios considerables que comprometieran
la integridad del estudio.
Figura 1. Densidad de LSAS antes y después de imputar.
Fuente: Elaboración propia.
Las técnicas utilizadas en este trabajo son algoritmos que han sido probados en diferentes estudios
causales, y sus resultados generalmente han sido satisfactorios. Como en el trabajo de Singh, V. K., &
pág. 3057
Sharma, M. (2025) donde se aplican técnicas de inferencia causal como PC, GES y LiNGAM al análisis
de datos de colocación de estudiantes para identificar relaciones de causa y efecto entre factores
académicos y no académicos, y los resultados de empleabilidad.
Mientras que en el estudio de Cotta, G. A., Runge, J., & Drouard, M. (2023) se aborda la identificación
de los impulsores causales más robustos para modelos de machine learning en ciencias ambientales
donde emplea los algoritmos de descubrimiento causal PC o PCMCI (una extensión de PC para series
de tiempo) para inferir partes del grafo causal demostrando cómo el descubrimiento causal mejora la
generalización y la robustez de los modelos predictivos en el dominio climático.
Determinación de causas. El descubrimiento causal, también conocido como aprendizaje de estructuras
causales, detona un amplio conjunto de métodos destinados a recuperar información sobre mecanismos
causales a partir de datos. Existen 4 familias principales de métodos de descubrimiento causal: Basados
en restricciones, basados puntuaciones, funcionales, basados en gradientes y otros que incluye métodos
que no encajan en las cuatro categorías principales.
A continuación, se ofrece una breve descripción de las técnicas utilizadas:
El algoritmo PC. Un ejemplo clásico de algoritmo basado en restricciones es el algoritmo PC (Sprites
& Glymour, 1991). Su nombre proviene de los nombres de sus creadores: Peter Sprites y Clark Glymour.
El algoritmo PC es una variante del algoritmo IC propuesto anteriormente por Verma & Pearl (1990).
Se utiliza el test gsq (G2 Likelihood Ratio Chi-squared) ya que no requiere que los datos sean normales
y se comprobó que los datos no siguen una distribución normal aplicando el test Shapiro-Wilk.
El algoritmo GES. Los métodos basados en puntuaciones funcionan generando iterativamente grafos
candidatos, evaluando lo bien que cada uno explica los datos y seleccionando el mejor. Un ejemplo bien
conocido de método basado en puntuaciones es la Búsqueda de Equivalencia Codiciosa (GES, por sus
siglas en inglés) introducida por David Maxwell Chickering.
El algoritmo es un procedimiento de dos etapas. Primero, genera los bordes y, a continuación, poda el
gráfico. La primera etapa del GES comienza con un gráfico desconectado. A continuación, el algoritmo
añade bordes de forma iterativa, calculando la puntuación en cada paso. Esto continúa hasta que la
puntuación ya no puede aumentarse. En la segunda etapa, el algoritmo comienza a podar los bordes
existentes para ver si la puntuación puede mejorarse aún más. Todos estos cálculos se realizan de forma
pág. 3058
codiciosa (de ahí su nombre). Al igual que el algoritmo PC, el GES es sensible a la confusión oculta.
También es posible que no pueda orientar todos los bordes, lo que le proporcionaría una clase de
equivalencia de Markov de posibles grafos (de ahí su nombre, una vez más) (Chickering, 2003).
El algoritmo LiNGAM. Fue introducido por primera vez por Shohei Shimizu y sus colegas en 2006.
El método original utiliza el análisis de componentes independientes (ICA) para recuperar información
sobre el proceso de generación de datos. Su variante posterior, DirectLiNGAM (Shimizu et al., 2011)
aprovecha un modelo lineal y una medida de independencia basada en el núcleo. Las dos hipótesis
principales en las que se basa LiNGAM son:
• No hay factores de confusión ocultos.
• Todos los términos de error (o todos menos uno) son no gaussianos.
Dicho esto, se han propuesto varias extensiones de LiNGAM que permiten aplicar el modelo a
escenarios con factores de confusión ocultos (Hoyer et al., 2008) o ciclos (Lacerda et al., 2008).
Evaluación de modelos. De acuerdo con Tsamardinos et al. (s. f.) la distancia estructural de Hamming
hace una comparación directamente entre la estructura de las redes aprendidas y las originales, y su uso
está más orientado al descubrimiento que a la inferencia. Se define entre dos PDAG como el número de
los siguientes operadores necesarios para hacer que los PDAG coincidan: añadir o eliminar una arista
no dirigida, y añadir, eliminar o invertir la orientación de una arista. Así pues, un algoritmo se puntúa
añadiendo un punto por aprender un PDAG con una arista no orientada adicional y un punto por no
orientar una arista que debería haber sido orientada.
RESULTADOS Y DISCUSIÓN
Resultado del algoritmo PC. Como resultado de aplicar el algoritmo PC en el conjunto de datos, se
obtuvo la estimación de variables mostrada en el siguiente grafo acíclico dirigido (Figura 4).
pág. 3059
Figura 2. Grafo causal generado por PC.
Fuente: Elaboración propia.
La estructura aprendida por el algoritmo, representada en la figura 4, revela múltiples relaciones de
dependencia condicional e independencia entre las variables del estudio.
Las variables Age (Edad) y EducationLevel (Nivel educativo) actúan como variables exógenas que
influyen sobre Gender (Género). A su vez, el género se muestra como un padre directo de LSAS, lo que
implica una influencia directa de las características demográficas sobre el puntaje de ansiedad social.
La variable SMF muestra una relación causal directa hacia HasFamilyHistory (Historial Familiar), la
cual a su vez incide directamente en LSAS. Esto sugiere una ruta hereditaria o de antecedentes familiares
clara.
Se observa una cadena causal donde SPIN influye sobre TR, y esta última actúa como mediadora directa
hacia LSAS.
Se encontró una estructura causal compleja. La cadena sigue la ruta DR → BR → CK. A partir de la
variable CK, se observa una bifurcación que converge finalmente en la variable DZ.
Una influencia directa: CK → DZ.
Una influencia mediada: CK → CP → NS → DZ.
Esta estructura sugiere un mecanismo complejo de regulación entre estas variables, donde CK juega un
rol central como distribuidor de efectos.
El algoritmo detectó relaciones simples de causa-efecto aisladas del resto del sistema, tales como EAF
→ SW, ERF → UR y UB → TG.
pág. 3060
Por otro lado, variables como Occupation (Ocupación), ATF, TKF, CMT, DEF, DAF y MD aparecen
como nodos desconectados. Esto indica que, bajo los criterios de independencia condicional del
algoritmo aplicado, estas variables no mostraron una influencia causal significativa sobre el resto de las
variables en este conjunto de datos específico.
Resultado del algoritmo GES. Respecto a los resultados del algoritmo GES (Greedy Equivalence
Search). En este caso, los datos se transformaron para que sean adecuados para aplicar este método
causal.
Figura 3. Grafo causal generado por GES.
Fuente: Elaboración propia.
En este modelo, la variable LSAS deja de ser únicamente un resultado final y se convierte en un nodo
transmisor. Recibe influencia directa de SMF. El nodo LSAS influye activamente sobre otras variables
como CMT, DEF y DAF. Esto implica que la ansiedad social no es solo un síntoma pasivo, sino un
factor que desencadena o modifica otras características psicológicas o de comportamiento en el
individuo.
Se observa una ruta causal extensa y secuencial que conecta la ansiedad con otros factores: LSAS →
DEF →EAF →ATF →SPIN. Esta secuencia es un hallazgo crítico: sugiere que el nivel de ansiedad
pág. 3061
social (LSAS) es el precursor que altera una serie de factores intermedios (DEF, EAF, ATF) que
finalmente determinan el puntaje en el inventario de fobia social (SPIN). A su vez, el SPIN impacta en
TR y HR.
Las variables TKF y SMF aparecen en la parte superior del grafo como causas raíz.
• TKF tiene un impacto múltiple, influyendo en ramas separadas hacia SW, ERF y CMT.
• SMF actúa como detonante directo del LSAS y también afecta a la rama fisiológica (BR).
A diferencia del grafo anterior, aquí la variable Occupation (Ocupación) sí está conectada. Se muestra
como una causa de Age (Edad), junto con EducationLevel. Aunque la dirección causal Ocupación →
Edad puede parecer contraintuitiva (y podría indicar una correlación inversa o un artefacto de los datos
donde ciertos rangos de edad se agrupan en ciertas ocupaciones), es relevante notar que el algoritmo ya
no considera la ocupación como irrelevante.
En la parte inferior derecha, persiste un clúster fisiológico, pero con diferente estructura. La variable DZ
influye sobre MD y CK. A su vez, CK desencadena una cadena hacia CP, NS y TG.
Resultados del algoritmo LiNGAM. El algoritmo LiNGAM requiere de un tratamiento de datos
previos debido a la naturaleza del conjunto de datos que se utiliza. Por lo tanto, se ajustaron variables
del conjunto de datos para poder aplicar este algoritmo.
pág. 3062
Figura 4. Grafo causal generado por LiNGAM.
Fuente: Elaboración propia.
A diferencia de los modelos PC y GES, LiNGAM identifica direcciones causales explícitas basadas en
la no-Gaussianidad de los datos, lo que permite observar rutas más definidas entre grupos de variables.
Variables como Gender, Age, EducationalLevel y Occupation aparecen en posiciones periféricas, pero
actúan como nodos de entrada, influyendo en distintos componentes del sistema emocional y clínico.
Esto sugiere que el contexto social y económico predispone indirectamente al desarrollo de síntomas de
ansiedad social a través de factores intermedios.
Variables como ERF, TKF, CK y HR se localizan en posiciones altamente conectadas, recibiendo y
enviando múltiples influencias. Esto indica que los síntomas fisiológicos funcionan como mediadores
entre las características personales y los síntomas clínicos de ansiedad.
Las escalas de ansiedad social (SPIN, LSAS) aparecen como nodos receptores, lo cual es consistente
con su función: sintetizan el estado emocional general después de que interactúan los factores
fisiológicos, sociodemográficos y conductuales.
pág. 3063
Variables como HasFamilyHistory y DZ muestran conexiones dirigidas hacia nodos emocionales y
fisiológicos. La gran cantidad de rutas cruzadas e interacciones indica que la ansiedad emerge de
múltiples vías causales simultáneas.
Distancia Estructural de Hamming. Una vez teniendo resultados de los diferentes algoritmos, se
realizó una evaluación de los grafos obtenidos. Esto con la finalidad de observar las similitudes entre
los resultados de los algoritmos. El método de evaluación de grafos es la Distancia Estructural de
Hamming (DEH).
Los resultados obtenidos en esta evaluación son los siguientes:
Figura 5. Gráfica DEH entre los algoritmos.
Fuente: Elaboración propia.
Para este método, el indicador de similitud de grafos es un número que entre más bajo sea, más similares
son los grafos entre ellos; por el contrario, entre más alto sea el número, menos similitudes hay. Como
se puede observar, entre el grafo obtenido por el algoritmo PC y el grafo obtenido por GES hay más
similitud. Mientras que, por ejemplo, el grafo obtenido por PC y el resultado obtenido por LiNGAM
son muy diferentes.
Finalmente, se pudo determinar a través de los algoritmos que existen variables exógenas como edad,
educación, ocupación y género. Son variables que afectan a síntomas de manera directa o indirecta.
Respecto a GES y LiNGAM, el nodo LSAS es fuertemente influido por los nodos SPIN, CMT y DEF.
Mientras que PC al ser más conservador detecta menos relaciones, pero refuerza algunas claves como
SPIN→ TR y varias conexiones básicas.
pág. 3064
El análisis de coincidencias nos permitió trazar una cadena clínica específica. A diferencia de las
conexiones dispersas, este camino muestra una progresión lógica de síntomas físicos que se siguen unos
a otros (tabla 1).
Tabla 1. Comparativa de una cadena específica en cada algoritmo.
Algoritmo PC
Algoritmo GES
Algoritmo LiNGAM
Regulador
Regulado
Regulador
Regulado
Regulador
Regulado
DR
BR
DZ
MD
BR
CK
BR
CK
DZ
CK
CK
DZ
CK
CP
CK
BR
DZ
TR
CK
DZ
CK
CP
CP
CK
CP
NS
CP
NS
CP
NS
NS
DZ
CP
TG
CK
TKF
Sensación de asfixia (CK) → Dolor en el pecho (CP) → Malestar gastrointestinal y náuseas (NS)
Resulta notable que el algoritmo haya captado la lógica física de un ataque de pánico. La secuencia
descubierta muestra cómo la sensación de asfixia (CK) escala a un dolor en el pecho (CP), para
desembocar finalmente en malestar gastrointestinal y náuseas (NS). Podemos observar, también, que la
dificultad respiratoria (BR) y los mareos (DZ) están relacionados como causas o efectos en todos los
casos resultantes y con sentido lógico clínico.
Las relaciones causales varían según el algoritmo, sin embargo, la convergencia entre grafos permite
afirmar que el modelo causal es estable, coherente y teóricamente justificable, proporcionando un marco
sólido para comprender los factores que configuran la ansiedad.
Una limitación importante de este estudio es que el modelo causal se construyó a partir de un solo
subtipo de trastorno de ansiedad, el trastorno de ansiedad social. En consecuencia, los patrones causales
encontrados no pueden generalizarse de manera automática a otros trastornos de ansiedad, como el
trastorno de pánico o el trastorno de ansiedad generalizada. No obstante, dado que comparten síntomas
y factores de riesgo comunes, los resultados ofrecen hipótesis útiles sobre mecanismos que podrían estar
pág. 3065
presentes en el espectro de los trastornos de ansiedad y que deberían ser contrastadas en muestras
clínicas más diversas.
CONCLUSIONES
Este estudio tuvo como propósito construir un modelo computacional que ayudara a entender cómo se
relacionan, de manera causal, las variables implicadas en el trastorno de ansiedad social. Al combinar
los algoritmos PC, GES y LiNGAM pudimos generar y contrastar diferentes grafos causales, lo que
permitió organizar de forma más clara la interacción entre factores sociodemográficos, antecedentes
familiares, miedos situacionales y manifestaciones físicas de la ansiedad.
Desde el punto de vista clínico y de la salud pública, los resultados apuntan a que intervenir sobre la
fobia social medida por SPIN y sobre ciertos miedos situacionales específicos podría producir cambios
indirectos en el conjunto de síntomas físicos, permitiendo un tratamiento mucho más completo. El perfil
demográfico juega un papel fundamental. Por ello, es importante crear planes de prevención y
tratamiento personalizados, que respeten las diferencias de edad, género y formación académica.
La experiencia confirma que estos algoritmos son una vía eficaz para descifrar la complejidad de la
ansiedad social. Gracias a ellos, podemos diseñar intervenciones mucho más específicas y con un
respaldo científico sólido.
Anexo 1 diccionario de variables y conjunto de datos
A continuación, se describen las variables utilizadas en el análisis causal, correspondientes al conjunto
de datos base.
Variables Sociodemográficas y de perfil:
• Edad: Variable numérica que indica la edad del paciente en años.
• Nivel educativo: Variable ordinal (1-6) que clasifica el grado de estudios: 1) Secundaria, 2)
Diploma, 3) Pregrado, 4) Licenciatura, 5) Maestría, 6) Posgrado.
• Género: Variable dicotómica (1 = Masculino, 0 = Femenino).
• Ocupación: Variable categórica: 1) Estudiante, 2) Miembro de facultad, 3) Empleado, 4)
Independiente, 5) Desempleado.
• Antecedentes familiares (hasfamilyhistory): Variable binaria que identifica la presencia de
historial familiar de ansiedad o depresión (1 = Sí; 0 = No).
pág. 3066
Variables de miedo mituacional (Escala 0-10): Valores más altos indican mayor nivel de temor.
• ATF: Miedo a estar en el centro de atención.
• EAF: Miedo a comer frente a otras personas.
• TKF: Miedo a hablar en público.
• CMT: Miedo a asistir a fiestas.
• DEF: Miedo a comer o beber en lugares públicos.
• SMF: Miedo a interactuar o tener contacto con extraños.
• ERF: Miedo a entrar en una habitación donde hay otras personas sentadas.
• DAF: Miedo a tener desacuerdos con extraños.
Variables de sintomatología fisiológica (Binarias): (1 = Presencia del síntoma; 0 = Ausencia)
• HR: Palpitaciones.
• SW: Sudoración.
• TR: Temblor.
• DR: Boca seca.
• BR: Dificultad para respirar.
• CK: Sensación de asfixia.
• CP: Dolor en el pecho.
• NS: Malestar gastrointestinal o náuseas.
• DZ: Mareo o debilidad.
• UR: Sensación de irrealidad.
• UB: Miedo a perder el equilibrio.
• MD: Miedo a volverse loco.
• TG: Entumecimiento o sensación de hormigueo.
Escalas globales:
• SPIN (Social Phobia Inventory): Cuestionario (0-68); a mayor puntaje, mayor fobia social.
• LSAS (Liebowitz Social Anxiety Scale): Escala (0-144) que mide ansiedad y evitación social.
pág. 3067
REFERENCIAS BIBlIOGRÁFICAS
Causal-learn. (s.f.). PC — causal-learn 0.1.3.6 documentation. Read the Docs. https://causal-
learn.readthedocs.io/en/latest/search_methods_index/Constraint-
based%20causal%20discovery%20methods/PC.html
Delgar, B. G., López, E. F., García, L. L., Rivas, M. À. F., & Miguel, S. L. (s.f.). Ansiedad: causas,
síntomas, tratamiento. PortalCLÍNIC. Clínic Barcelona.
https://www.clinicbarcelona.org/asistencia/enfermedades/trastornos-de-ansiedad
Fathi, S., & Ahmadi, M. (2020). Data for: Development and use of a clinical decision support system
for the diagnosis of social anxiety disorder [Conjunto de datos]. Mendeley Data.
https://doi.org/10.17632/4jycfwhb4g.2
Organización Mundial de la Salud. (8 de septiembre de 2025). Trastornos de ansiedad.
https://www.who.int/es/news-room/fact-sheets/detail/anxiety-disorders
Py-Why. (s.f.). Causal-learn: Causal Discovery in Python [Software]. GitHub. https://github.com/py-
why/causal-learn/
Qin, C., & Gai, W. (2025). A causal inference study of circulating metabolites mediating the effect of
Obesity‐Related indicators on the incidence of anxiety disorders. Brain and Behavior, 15(7).
https://doi.org/10.1002/brb3.70653
Renero, J., Ochoa, I., & Maestre, R. (22 de enero de 2025). REX: Causal Discovery based on Machine
Learning and Explainability techniques. arXiv. https://arxiv.org/abs/2501.12706
Salesforce. (s.f.). GES for Tabular Causal Discovery. Salesforce CausalAI Library 1.0 documentation.
https://opensource.salesforce.com/causalai/latest/tutorials/GES_Algorithm_Tabular.html
Saxe, G. N., Bickman, L., Ma, S., & Aliferis, C. (2022). Mental health progress requires causal
diagnostic nosology and scalable causal discovery. Frontiers in Psychiatry, 13.
https://doi.org/10.3389/fpsyt.2022.898789
Tsamardinos, I., Brown, L. E., & Aliferis, C. F. (2006). The Max-Min Hill-climbing Bayesian Network
Structure Learning Algorithm. Machine Learning, 65(1), 31–78.
https://doi.org/10.1007/s10994-006-6889-7
pág. 3068
Del Moral Chica, J., Sánchez Camín, M., Sora, V., Morales Sánchez, J. C., Alquezar Domene, D., &
Sánchez Fernández, F. (2024). Incremento de los problemas de salud mental tras la pandemia
del COVID-19. Ocronos, 7(9), 855. https://revistamedica.com/incremento-problemas-salud-
mental-pandemia-covid/
Liebowitz, M. R. (1987). Social phobia. In D. F. Klein & B. G. Rabkin (Eds.), Anxiety: Modern
Problems of Pharmacopsychiatry (Vol. 22, pp. 141–173). Basel: Karger.
Connor, K. M., Davidson, J. R. T., Churchill, L. E., Sherwood, A., Foa, E., & Weisler, R. H. (2000). A
psychometric assessment of the Social Phobia Inventory (SPIN). Primary Care Companion to
the Journal of Clinical Psychiatry, 2(6), 231–235. https://doi.org/10.4088/pcc.v02n0604
Chickering, D. M. (2003). Optimal structure identification with greedy search. J. Mach. Learn. Res. 3,
507–554.
Spirtes, P., & Glymour, C. (1991). An Algorithm for Fast Recovery of Sparse Causal Graphs. Social
Science Computer Review, 9(1), 62–72.
Verma, T. S., & Pearl, J. (1990). Equivalence and Synthesis of Causal Models. Proceedings of the 6th
Conference on Uncertainty in Artificial Intelligence, 220–227.
Shimizu, S., Inazumi, T., Sogawa, Y., Hyvärinen, A., Kawahara, Y., Washio, T., Hoyer, P.O., & Bollen,
K.A. (2011). DirectLiNGAM: A Direct Method for Learning a Linear Non-Gaussian Structural
Equation Model. J. Mach. Learn. Res., 12, 1225–1248.Lacerda, G., Spirtes, P.L., Ramsey, J., &
Hoyer, P.O. (2008). Discovering Cyclic Causal Models by Independent Components Analysis.
Conference on Uncertainty in Artificial Intelligence.
Hoyer, P.O., Shimizu, S., Kerminen, A.J., & Palviainen, M. (2008). Estimation of causal effects using
linear non-Gaussian causal models with hidden variables. Int. J. Approx. Reason., 49, 362–378.
Cotta, G. A., Runge, J., & Drouard, M. (2023). Selecting robust features for macdohine-learning
applications using multidata causal discovery. Environmental Data Science, 2. DOI:
10.1017/eds.2023.7
