Buscando la Causalidad en el Trastorno de Ansiedad
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.
Descargas
Citas
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
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
Derechos de autor 2026 Silday Natividad Veleces Soriano , José Antonio Montero Valverde, Miriam Martínez Arroyo, Juan Miguel Hernández Bravo, Eduardo de la Cruz Gamez
Esta obra está bajo licencia internacional Creative Commons Reconocimiento 4.0.
.png)
.png)
1.png)
