Diseños de Investigación Avanzados
Tema 7. Diseños de caso
único
Esquema
Ideas clave
7.1. Introducción y objetivos
7.2. Diseños experimentales de caso único (N=1) 7.3. Tipos de diseño N=1: AB, ABAB y de línea base múltiple
7.4. Estudio de patrones de cambio 7.5. Aplicaciones, validez y limitaciones 7.6. Referencias bibliográficas
A fondo
Artículo publicado con un diseño ABAB de caso único cuantitativo (I)
Artículo publicado con un diseño ABAB de caso único
7.1. Introducción y objetivos
En este tema se exploran los diseños cuantitativos de caso único. Para ello, se realiza una definición y una descripción aproximada de sus características, ventajas y tipologías. Además, se indican los objetivos de estos diseños ligados al análisis de datos, sus principales aplicaciones, el estudio de su validez y de sus limitaciones.
Los objetivos que se pretenden conseguir son los siguientes:
Familiarizarse con el concepto de diseño de caso único cuantitativo.
Explorar sus ventajas e importancias en la investigación cuantitativa, así como su valor añadido.
Introducir los tipos de diseños de caso único y sus principales diferencias.
Estudiar sus aplicaciones, validez y limitaciones.
▸
▸
▸
▸
7.2. Diseños experimentales de caso único (N=1)
Los seres humanos somos criaturas impredecibles. Los estudios de ciencias humanas han conseguido descubrir regularidades en nuestro comportamiento, pero no sin grandes esfuerzos. Esto se debe a la amplia heterogeneidad de nuestras acciones, lo que hace difícil y difuso encontrar patrones que podamos generalizar a la condición humana. Tanto es así que el debate filosófico sobre si podemos determinar y predecir la conducta humana continúa abierto, y las personas tendemos a situarnos intuitivamente en ciertas posiciones de dicho debate.
Por eso es tan importante refrescar y ampliar las creencias intuitivas del «cada uno es un mundo» y el «todo está escrito». Recordemos que el primer extremo cae en la indefinición total y la imposibilidad de hablar de factores comunes (lo cual está demostrado que es falso), y el segundo cae en la falacia ecológica (asignar la tendencia general a todos los casos que la componen).
A su vez, la investigación cuantitativa, basada principalmente en encontrar esos patrones que describan la Verdad sobre la condición humana, cuenta con muchos requisitos metodológicos. Esto se debe a que, para poder encontrar esos patrones, necesita «atar» lo suficiente las diferencias individuales para garantizar hasta cierto punto que las diferencias observadas en los datos se deben a lo que pretendemos medir de forma fiable y válida.
Esta eterna lucha lleva a un paradigma «estadístico», en el sentido de aproximarnos a la verdad a partir de la inferencia de muchos casos individuales. Esto ha generado problemas, como que el «individuo» que busca describir la tradición cuantitativa es un individuo promedio, inexistente. Sin embargo, sabemos que ese individuo es el que permite predecir con menos errores, lo cual resulta útil para la ciencia moderna.
No obstante, también sabemos que este paradigma es reciente y que otras tradiciones pasadas en psicología no han comulgado con esta idea de acumular observaciones. Por ejemplo, Wundt, Ebbinghaus o Skinner utilizaron observaciones en un único sujeto para establecer sus conclusiones, basadas en la idea de que si el individuo estudiado era lo suficientemente «normal» podría generalizarse a la población que les interesaba.
Por lo tanto, el paradigma «estadístico» no es una base fija ni eterna, sino que simplemente es una elección conveniente para producir resultados funcionales y útiles en los objetivos de las ciencias humanas. Esto ha sumado un problema más aparte del mencionado «individuo promedio»: el distanciamiento de los ámbitos aplicados a casos individuales, como la psicología clínica.
En esas disciplinas no es tan importante predecir grupos o poblaciones, sino individuos y, en principio, no es ningún problema aceptar una idiosincrasia contradictoria entre individuos con tal de generar ayudas significativas. Es decir, no importa si el concepto de «neuroticismo» o «trastorno bipolar» es consistente o no en la especie, o si un tratamiento u otro es más eficaz de media que el placebo. Lo prioritario es ayudar a esta paciente aquí y ahora, —llamémosla Ángela, de 42 años, ama de casa, proletaria, con insomnio, dolor crónico y quejas constantes—.
En este sentido, es irrelevante que el terapeuta tenga que deshacerse o aferrarse a los conceptos de «emoción», «consentimiento», «ayuda» o «pensamiento irracional»
con tal de producir algo que ayude a Ángela a mejorar y a vivir de manera funcional y en paz. Esto significa que la investigación cuantitativa en ciencias humanas necesita un proceso de «traducción» para estos campos. Concretamente, tomarlos como mapas o guías generales, pero con apertura a romperlos o desviarse de ellos sin mayor problema si es necesario. Contraintuitivamente, no podemos traducir de manera directa los mensajes que digan las investigaciones a nuestro ámbito aplicado, lo que genera a menudo sensaciones de rechazo hacia la ciencia. Sin
embargo, las reacciones en contra están infundadas, ya que la investigación cuantitativa de calidad siempre indica la naturaleza probabilística de sus evidencias.
Existe un camino aparte de esta polémica: estudiar casos individuales directamente, para no tener que lidiar con la heterogeneidad inalienable de las multitudes y
«colapsar» los datos en un único sujeto. Este es el caso de los estudios de caso único cuantitativos, concretamente, desde un punto de vista experimental.
¿Cómo podemos desarrollar un experimento con solo una persona? Si recordamos los criterios de Mill, necesitamos poder garantizar: que la variable independiente cambia antes que la dependiente (antecesión), que los cambios en la independiente tienden a suceder a la vez que los cambios en la dependiente (covariación) y que las explicaciones alternativas (variables extrañas) pueden descartarse hasta cierto punto. Estos tres criterios no implican necesariamente la presencia de varios sujetos, por lo que pueden aplicarse a un único sujeto.
Observemos el siguiente ejemplo:
Ejemplo 1: pensamientos obsesivos en trastorno obsesivo-compulsivo
Acabamos de abrir una clínica psicológica y contamos con el primer cliente (un ejecutivo de alto nivel) que acude por quejas sobre ansiedad. Tras una entrevista inicial, el cliente nos informa de temas muy recurrentes que le vienen a la cabeza y le causan mucha ansiedad. Concretamente, pensamientos sobre llegar tarde, estar impresentable para las reuniones que tiene a diario y estar perdiendo el control de la empresa.
Cuando le aparecen estos pensamientos siente mucha inquietud, irritabilidad y angustia (se le acelera el pulso, le tiembla la mano y comienza a sudar). Con el tiempo descubrió que, si ordenaba los cajones de su despacho, contaba hasta diez antes de entrar a la oficina y no pisaba ninguna de las rayas de la acera de la calle, su ansiedad bajaba. El paciente es consciente de lo irracional de esos pensamientos
y de que esas conductas no sirven realmente para gran cosa, por lo que quiere eliminarlas de su vida.
Tras un diagnóstico de trastorno obsesivo-compulsivo (TOC), consultamos la literatura científica y recibimos la recomendación de aplicar técnicas de mindfulness para el TOC. Entonces, instruimos al cliente en anotar en un formulario de papel cuántas veces tiene un pensamiento obsesivo durante el día. Luego de una semana, iniciamos técnicas de mindfulness por siete días. Entonces, interrumpimos el tratamiento y pedimos al sujeto que siga registrando sus obsesiones con fuerza de voluntad para no tenerlas. Tras otra semana, volvemos a aplicar el tratamiento. Los resultados obtenidos se encuentran en la Figura 1.
Figura 1. Resultados de las dos intervenciones para el cliente. Fuente: León y Montero (2015).
En el ejemplo 1 encontramos unos datos cuantitativos que nos permiten contrastar lo siguiente: podemos garantizar la antecesión, ya que aplicamos el tratamiento e inmediatamente después el cliente mide cuántas obsesiones tiene cada día, y manipulamos a la vez la variable independiente (presencia o ausencia de tratamiento). Además, podemos garantizar que hay covariación, ya que las
obsesiones disminuyen cuando aparece el tratamiento en las dos ocasiones. Por último, podemos garantizar un rechazo mínimo de explicaciones alternativas, ya que el efecto placebo (mejoras solo por el hecho de ser tratado) es controlado al repetir el mismo tratamiento dos veces. Es decir, el cliente es su propio control. Por lo tanto, podemos considerar a este ejemplo sencillo como un experimento en toda regla, pero con un único sujeto.
Esta clase de experimentos varían en su estructura y tipos en relación con los experimentos basados en grupos de personas. Sin embargo, las ideas que fundamentan estas estructuras son bastante parecidas. En concreto, para los diseños de caso único (también llamados diseños de N=1) las fases básicas son (1) establecer la línea base, (2) aplicar la intervención y (3) interpretar los resultados.
Establecer la línea base
Este paso es el más básico y esencial para un diseño de caso único cuantitativo.
En nuestro ejemplo, consistió en registrar nuestra variable dependiente (número de pensamientos obsesivos) en el sujeto sin inducir los cambios de la variable independiente. Esta línea base nos permitirá establecer ese «mínimo» o «referencia»
con el que comparar los datos obtenidos con los cambios en la variable independiente, para así valorar si la variable dependiente cambia de manera acorde.
Es decir, para explorar la covariación. Este paso también es esencial porque, al asumir que los comportamientos de los sujetos son complejos e impredecibles, el sujeto puede mostrar un nivel basal muy diferente a lo que podría pensarse en ausencia de esa información.
También es importante contar con las suficientes medidas temporales para poder estimar la línea base. En este sentido, suele manejarse un mínimo de tres puntos en los estudios de caso único, pero siempre será mejor contar con más puntos temporales. Solo gracias a una estimación precisa de esa línea podremos interpretar argumentadamente si ha habido alguna modificación al cambiar la variable
independiente.
Si en nuestro ejemplo solo contásemos con un punto temporal antes del tratamiento y otro después del tratamiento, estaríamos ignorando si las diferencias entre esas dos mediciones forman parte de un patrón general —por ejemplo, ciclos o un aumento general por cambio de estación— o si es una genuina interrupción. Para orientar esta interpretación de manera eficaz hay tres conceptos importantes:
tendencia previa, variabilidad de la conducta y mejoras insuficientes.
Tendencia previa
Este será el «ritmo» o evolución general de las mediciones a lo largo del tiempo en la línea base. El concepto matemático análogo es el de función derivada y gráficamente es muy intuitivo: consiste simplemente en ver si los datos tienen cierta dirección, como en un diagrama de dispersión. Quizá la línea base tiende a estar plana, a aumentar, a disminuir, a mostrar ciclos o una forma no lineal (por ejemplo, en forma parabólica o en U invertida).
Variabilidad de la conducta
Esto es el grado de heterogeneidad de la conducta en la línea base y la cantidad de «ruido» con la que cuenta la serie de mediciones además de su tendencia. El concepto matemático análogo es la dispersión o error, y gráficamente también es intuitivo: la variabilidad de la conducta es la distancia entre cada punto y la tendencia general de la serie de mediciones, igual que en los análisis de correlación o regresión lineal. Evidentemente, a menor heterogeneidad, mayor precisión, y viceversa.
Sin embargo, contar con una línea base muy heterogénea no es necesariamente un problema, pero dificulta el diagnóstico de la covariación entre las variables independientes y dependientes. Además, requiere más «resolución» o «pixelado»
(es decir, más mediciones). Esto se vuelve especialmente importante cuando los cambios provocados por la variable independiente son pequeños o sutiles.
Mejorías insuficientes
Son los cambios producidos por la variable independiente en la dependiente que acaban insertos en los patrones generales de tendencias previas. Para ejemplificar, supongamos que el cliente de nuestro ejemplo presenta ciclos semanales y encuentra muchas más obsesiones los días impares de la semana y menos los días pares. La terapia podría producir un genuino descenso en las obsesiones, pero si no es lo suficientemente intenso puede acabar inserto en uno de esos ciclos semanales de la línea base, lo que dificulta la interpretación de si ha habido impacto o no.
Figura 2. Ejemplo del mismo cambio entre niveles de la variable independiente, pero con tendencias previas, variabilidad y mejorías insuficientes distintas. Fuente: León y Montero (2015).
Aplicar la intervención
Una vez la línea base ha sido establecida con suficiente precisión y estabilidad, es el momento de realizar dos acciones: aplicar literalmente la intervención o cambio en la variable independiente y registrar la serie de mediciones correspondiente a la propia fase de la intervención. Es fundamental que la variable dependiente sea la misma que en la línea base para no introducir sesgos y, por supuesto, debe estar
medida con el mismo instrumento y siguiendo el mismo procedimiento. Las intervenciones o cambios en la variable independiente suelen clasificarse en tres grupos: puntuales, uniformes y graduales. En función de qué tipo de cambio sepamos que vamos a generar, la hipótesis de cambio será ligeramente diferente y las expectativas estarán más ajustadas.
Puntuales
Estos cambios se producen entre dos o, como mucho, tres mediciones. Por tanto, son cambios generados en muy poco tiempo y con una duración corta.
Salvo cambios muy profundos o estructurales (por ejemplo, cirugías, concesión de una pensión por invalidez, divorcio, etc.) es habitual que los cambios generados también sean de duración corta y que el retorno a la línea base sea inminente.
Uniformes
Estos cambios se producen de manera continuada a lo largo de un período mínimamente largo de tiempo (por ejemplo, una o dos semanas, pero pueden prolongarse meses). Aquí es habitual encontrar que la línea base experimente un cambio de posición (por ejemplo, aumentar o disminuir), pero no de forma (por ejemplo, seguir siendo plana, pero en una posición diferente del eje vertical). Las terapias estandarizadas suelen generar cambios uniformes (por ejemplo, una terapia basada en mindfulness de ocho semanas). Sin embargo, pueden aparecer funcionamientos no lineales ante un cambio uniforme y generar cambios de forma (por ejemplo, parabólicos o cúbicos). En el contexto de la terapia es habitual que en el comienzo los clientes empeoren sus síntomas al empezar a observar sus contenidos internos con mayor detenimiento, para entonces mejorar.
Graduales
Estos cambios se producen cuando los cambios de la variable independiente se utilizan por objetivos concretos de manera iterativa. Por ejemplo, puede aplicarse
para obtener una mejoría en un aspecto de la vida interior del paciente, para luego volver a aplicarse a otro contexto y después a otro, sucesivamente. En cuanto se acumulen varios éxitos terapéuticos, la variable dependiente debería experimentar cambios.
Sin embargo, pese a que es habitual encontrar también cambios graduales de forma (o incluso exponenciales), pueden aparecer simplemente cambios de posición y que el patrón de la línea base sea muy semejante, pero a un nivel distinto de la variable dependiente. En este momento es cuando algunos tipos de diseños N=1 deciden implementar más «ciclos» de volver a la línea base para entonces volver a cambiar la variable independiente (por ejemplo, los diseños ABAB).
Figura 3. Ejemplo de cambios graduales y patrones no lineales. Fuente: León y Montero (2015).
Interpretar los resultados
Este es el punto más discutido y complicado de un diseño N=1. Aquí es importante diferenciar dos objetivos: el científico y el aplicado o clínico. Estos dos objetivos a veces coinciden y otras veces no. Es importante conocer las situaciones y motivos por el que pueden coincidir o no para tomar decisiones informadas.
Objetivo científico: este objetivo está centrado en conocer el objeto de estudio y
▸
descubrir sus relaciones causales. En este objetivo la fiabilidad y validez del método es clave y prioritaria, por lo que se deja la intensidad o satisfacción del cambio en un punto más secundario. En nuestro ejemplo, si descubriésemos que nuestro cliente ha descendido sus obsesiones por iniciar un proceso de
enamoramiento con una pareja que ha conocido por estar practicando mindfulness, estaríamos ante un problema de validez. Por lo tanto, deberá ser la calidad del proceso la que debe llevar a concluir si el objetivo ha sido conseguido o no y en qué grado.
Objetivo aplicado o clínico: este objetivo está centrado en cambiar el
comportamiento del cliente o sujeto hasta un nivel satisfactorio. En este objetivo la generación de cambios eficaces en el sujeto es prioritaria, por lo que se deja la
fiabilidad y validez en un plano más secundario. En el ejemplo citado en el objetivo científico, pese al problema de validez, ha sido un cambio efectivo, por lo que puede considerarse como cumplido. Por lo tanto, deberá ser el terapeuta o experto
aplicado, en función de su experiencia, el que determine si el cambio ha sido significativo a nivel clínico.
▸
7.3. Tipos de diseño N=1: AB, ABAB y de línea base múltiple
Existen formas muy diversas de estudiar fenómenos humanos con un único sujeto, de entre los cuales destacaremos tres: los diseños AB, los diseños ABAB y los diseños de línea base múltiple. La elección de qué tipo de diseño es más adecuado debe hacerse de manera informada y contextual, tras una apropiada documentación del campo de estudio y de las posibilidades con que se cuenta.
Al mismo tiempo, siempre ha de aspirarse al diseño que ofrezca mayores garantías según los recursos que se dispongan. Por ejemplo, puede que no se disponga de tiempo o medios para aplicar varias veces una terapia o que la propia naturaleza del sujeto lo impida (por ejemplo, pacientes en situación de indigencia, enfermos terminales, etc.).
Diseños AB
Estos son los ejemplos más sencillos de diseños de caso único cuantitativos. En este diseño se siguen de manera programática las tres fases generales, por lo que primero se genera una línea base y más tarde se cambia la variable independiente mientras se continúa registrando. La línea base será la parte «A» del diseño y la intervención la parte «B». La Figura 3 muestra un ejemplo gráfico de un diseño AB.
Este tipo de diseño, pese a ser sencillo, es el que tiene más amenazas a la validez interna y externa, por lo que no es recomendado salvo que no haya otra alternativa mejor (por ejemplo, por dolencias especialmente graves, tratamientos caros o lentos o reacciones adversas del cliente, como desmoralización). Esto sucede por no poder descartar efectos placebo y similares, ya que solo se interviene una única vez a una única persona en una única variable.
Otro ejemplo muy común es el de las terapias de psicoeducación, con niños o
adolescentes. Dado que en muchas ocasiones implican componentes educativos, quitar el tratamiento para que «desaprendan» y vuelvan a aprender resulta inverosímil.
Las principales maneras de aumentar la validez interna de diseños AB son:
recoger varios casos con variables enmascaradas potenciales adoptando valores distintos o medir más variables en el mismo sujeto. También se aconseja introducir la terapia en un momento aleatorio, inmediatamente
después de que la línea base se estabiliza.
Diseños ABAB
Este diseño es el que le corresponde al Ejemplo 1. Se realiza una primera línea base («A»), después un cambio en la variable independiente («B»), luego se vuelve a cambiar la variable independiente al inicio («A» otra vez) y, por último, se vuelve a cambiar la variable independiente («B» otra vez). De esta manera se añade un control de variables extrañas (como el placebo) que los diseños AB no tienen y, por consiguiente, aumenta la validez interna. Estos diseños son bastante comunes, aunque pueden darse diseños intermedios entre el AB y el ABAB.
Estos son el BAB y el ABA, también llamados «de vuelta atrás» o «de inversión». El diseño BAB es común en situaciones donde se necesita una intervención inmediata sin contar con tiempo para que la línea base se estabilice. Tras esa primera intervención (la primera «B») se retira la misma («A») para estabilizar una línea base y, entonces, volver a aplicar la intervención (la segunda «B»). Los diseños ABA son menos comunes debido a que finalizan en una fase sin intervención, lo que los hace éticamente cuestionable en contextos como la psicoterapia.
Estos diseños «de inversión» son útiles para detectar efectos debido al experimentador (por ejemplo, si tiene muy buenas habilidades terapéuticas, es técnicamente muy hábil o cuenta con una relación muy positiva con el sujeto). Si al
forzar una línea base, donde el experimentador sigue midiendo y asistiendo al sujeto, aparecen cambios significativos «sin hacer nada», puede interpretarse que el efecto del experimentador es bajo. Si, por el contrario, no cambia significativamente, podremos detectar un efecto del experimentador.
Otros efectos que pueden detectarse con estos diseños (y, por supuesto, también diseños ABAB) son los debidos a la maduración del paciente (procesos de crecimiento personal, remisión espontánea y similares) y al tiempo (procesos ambientales o sociales en la vida del individuo, como, por ejemplo, un cambio de curso escolar).
En el vídeo Creación de diseño de caso único se ilustra la creación de un diseño de caso único cuantitativo aplicado al ámbito clínico, concretamente, al estudio del efecto de una terapia innovadora en una única paciente. Se ilustra el tipo de diseño de caso único, sus principales características y los requisitos. Finalmente, se ilustra qué principales garantías de fiabilidad y validez se pueden asegurar y de qué forma pueden garantizarse.
Accede al vídeo:
https://unir.cloud.panopto.eu/Panopto/Pages/Embed.aspx?id=d3ac1b68-4803- 4cea-8ed6-ad7500c99bf7
Diseños de línea base múltiple
Este tipo de diseños complejizan los diseños AB y ABAB hacia más variables dependientes, lo que genera varias líneas base sobre las que observar efectos provocados por la variable independiente. Sin embargo, se consideran normalmente una extensión de los diseños AB, ya que no requieren una vuelta atrás para controlar las variables extrañas. La Figura 4 ilustra un ejemplo gráfico de este tipo de diseños.
Recuperando el ejemplo 1, consideremos que las obsesiones pueden ser comportarse de manera diferente, según el contenido de estas, y que, además, las compulsiones pueden acabar reforzándose por sí solas y seguir manteniéndose, aunque no aparezcan obsesiones. Esto lleva a necesitar medir más variables dependientes y a que el cliente registre el número de obsesiones de:
Llegar tarde.
Tener una apariencia impresentable.
Estar perdiendo el control de la empresa.
Las compulsiones que desarrolla (incluso podríamos expandir las compulsiones a su respectiva obsesión).
Es importante recalcar que cada variable dependiente puede tener su propio desarrollo y diseño, por lo que podemos encontrar diseños de línea base múltiple con estructura AB para una variable, AAB para otra, ABAB para otra y BAB para otra, o bien todas con la misma estructura. Todo dependerá del procedimiento ideado por los investigadores y los argumentos que planteen para implementarlo. Por ello, es necesario contar con los siguientes principios en diseños de línea base múltiple.
▸
▸
▸
▸
Independencia de conductas seleccionadas
Este principio es una condición sine qua non porque, si las conductas son dependientes, los cambios generados en una causarán cambios en otra, lo que sesgará las interpretaciones sobre si el cambio se debe a la variable independiente y, por tanto, se perderá validez interna. Sin embargo, no tienen por qué ser conductas absolutamente independientes, ya que eso sería muy difícil de encontrar.
Con independencia se hace referencia a variables con una correlación baja, nula o sin una asociación sistemática muy potente. En nuestro ejemplo, imaginemos que hay unas obsesiones sobre llegar tarde que desencadenan, aparte de la compulsión de ordenar los cajones, la obsesión de perder el control de la empresa sistemáticamente. En ese caso, influir sobre las obsesiones de llegar tarde ocasionaría cambios en las compulsiones de ordenar los cajones y en la obsesión de perder el control de la empresa. En cambio, si esa asociación no fuese muy potente o no fuese más allá del mero hecho de ser compulsiones y obsesiones, puede implementarse el diseño de línea base múltiple sin problema.
Sensibilidad similar de las conductas seleccionadas
Este principio también es una condición necesaria para realizar el diseño. La sensibilidad se refiere aquí al grado en que las variables independientes pueden influir sobre las dependientes. Si la sensibilidad es similar, si una variable extraña estuviera influyendo, podría detectarse midiendo variables no tratadas.
Si estas dos condiciones se cumplen, pueden originarse tres subtipos de diseños:
Varios registros, mismo individuo, diferentes condiciones: en estos casos se
mide la misma conducta con el mismo instrumento y en la misma persona, pero en contextos distintos. En nuestro ejemplo podría ser que el cliente registrase las obsesiones ocurridas en el trabajo, en su casa y en el exterior, o los tres tipos de contenido obsesivo.
▸
Varias variables, mismo individuo, una condición: en estos casos se miden
distintas conductas en la misma persona y contexto. En nuestro ejemplo sería que el cliente registrase el número de obsesiones y el número de compulsiones al día.
Misma variable, distintos individuos, misma condición: en estos casos se
mantiene todo constante, con la excepción de que se aplican en distintas personas.
Este tipo de diseño de línea base múltiple es muy usado en instituciones.
Esencialmente es un diseño de grupo, pero con intervenciones individuales y multitud de medidas.
Figura 4. Ejemplo de línea base múltiple. Fuente: León y Montero (2015).
▸
▸
7.4. Estudio de patrones de cambio
Para poder estudiar si aparecen patrones de cambio en los datos de diseños N=1 aparecen dos perspectivas: la que favorece criterios clínicos y la que favorece criterios científicos. La primera enfatiza el análisis visual y la contextualización de la información; la segunda, el análisis matemático y el aseguramiento de fiabilidad y validez.
Favorecer criterios clínicos
Si elegimos priorizar la eficacia terapéutica, la técnica que suele recomendarse es la inspección visual, ya que se asume que cuando los cambios son terapéuticamente efectivos se vuelven gráficamente evidentes. Además, es habitual que se priorice la significación clínica, por lo que no se considera útil que se alcance una significación estadística si el paciente no está clínicamente curado.
Para analizar más profundamente lo que sucede, se suelen manejar dos componentes de la significación clínica: la significación subjetiva y la significación social:
La significación subjetiva se valora en base a lo que el cliente explicita sobre expectativas de su entorno cercano como aceptable (pareja, familia, compañeros de trabajo, amigos, etc.). Por otro lado, la significación social es más amplia, y se valora en base a si el comportamiento del sujeto encaja en lo
culturalmente considerado como «normal» o si aparecen disrupciones claras.
Favorecer criterios científicos
Si elegimos priorizar la fiabilidad y validez del diseño es habitual que se privilegien los análisis estadísticos para establecer significación estadística. El principal argumento es que la inspección visual es una buena herramienta con datos ideales o
muy claros, pero engañosa y falible cuando los datos se vuelven ambiguos, complejos o múltiples. Además, suele argumentarse que existen casos donde, pese a no darse la significación clínica, merece la pena contrastar si los resultados se deben al azar o hay algún cambio sistemático en el que seguir profundizando.
Las técnicas matemáticas para analizar estas series de datos son muy complejas, como los análisis de series temporales, test de aleatorización, modelos autorregresivos, la técnica de partición de mitades o el test de rangos de Revusky.
Aparte, han aparecido otras innovaciones como el análisis factorial dinámico, o aplicaciones en modelos de ecuaciones estructurales. Por ello, nos centraremos aquí en el análisis visual de los diseños de caso único.
Encontrarás más información al respecto en el apartado A fondo.
Análisis visuales de los diseños de caso único
Para realizarlos buscaremos esencialmente dos propiedades: cambios de tendencia en la línea base y cambios de nivel de la línea base. Sabiendo el momento en que la variable independiente cambia, los cambios de tendencia implican un cambio de forma de la evolución de la variable dependiente. Por ejemplo, puede cambiar de pendiente (ejemplos en la Figura 5), pero también mostrar aparición o desaparición de comportamientos no lineales (por ejemplo, la Figura 3).
Estos cambios suelen ser los más potentes e interesantes, ya que implican que cambiar la variable independiente modifica la manera en que la variable dependiente evoluciona. No obstante, los cambios de nivel de línea base son cambios en la posición del eje vertical, como una especie de «escalón». Estos cambios suelen indicar un cambio relevante de intensidad o frecuencia de síntomas, pero no un cambio en la manera en que evoluciona la variable dependiente.
Tanto los cambios de forma como los de nivel pueden darse por separado o de forma combinada y pueden ocurrir en cualquier momento. Es ideal que sucedan cuando la variable independiente cambie, pero no tiene por qué suceder de esa
forma. Es más, es habitual hallar latencias y encontrar que los cambios aparecen con cierto retraso en las mediciones.
Figura 5. Esquemas gráficos para distinguir cambios de tendencia o forma. Fuente: León y Montero (2015).
Figura 6. Esquemas gráficos para distinguir cambios de nivel o posición. Fuente: León y Montero (2015).
En el vídeo Análisis de artículo de caso único se analiza un artículo científico publicado en una revista revisada por pares que emplea un diseño de caso único cuantitativo, concretamente, un estudio de caso único de línea base múltiple aplicado
a la supervisión clínica realizada en persona u online. Se analiza la calidad metodológica y desarrollo del diseño, así como sus principales hallazgos.
Accede al vídeo:
https://unir.cloud.panopto.eu/Panopto/Pages/Embed.aspx?id=d73f5520-073a- 4941-8b3c-ad2d00cdb527
7.5. Aplicaciones, validez y limitaciones
La validez interna de los diseños de caso único es virtualmente la misma que la de los diseños experimentales, por lo que recibirá las mismas garantías y controles necesarios. Es decir, cuanto mayor control pueda hacerse de las variables y mayor garantía de la antecesión y covariación, mayor validez interna. Sin embargo, es importante señalar que los diseños AB a veces son clasificados como cuasiexperimentales debido a las pobres garantías de validez interna. Es más, como consecuencia del único sujeto (o, como mucho, pocos sujetos) que se estudia, pueden examinarse más en detalle los mecanismos e interacciones necesarias para comprender el objeto de estudio. Sin embargo, hay que tener una última consideración en cuenta: si la variabilidad de la línea base es muy alta, los diseños de caso único están contraindicados.
No obstante, la validez externa es la principal debilidad de los diseños de caso único. La generalizabilidad es muy baja debido a las pocas o nulas garantías de representatividad del sujeto. No obstante, sí que se puede estudiar la representatividad del caso respecto a los grupos demográficos a los que pertenezca.
Por ejemplo, se puede estudiar si en función de los síntomas que presenta y la población a la que pertenece es un «perfil típico» o no. Por otro lado, la magnitud del efecto encontrado, si es lo suficientemente grande, puede usarse como evidencia de la generalizabilidad del tratamiento.
Sin embargo, estos dos argumentos son simplemente superados por diseños basados en grupos, más aún si hay evidencias de representatividad. Por tanto, si es factible usar grupos, los diseños de caso único cuentan con un valor añadido muy bajo por su baja validez externa. Por consiguiente, estos estudios son adecuados si se cuenta con poblaciones o contextos difíciles de acceder, si se desea un control clínico muy alto o si se desea compatibilizar con otras metodologías de caso único
(por ejemplo, cualitativas).
7.6. Referencias bibliográficas
León, O., y Montero, I. (2015). Métodos de investigación en Psicología y Educación:
Las tradiciones cuantitativa y cualitativa (4ª ed. revisada). McGraw-Hill España. Disponible en la Biblioteca Virtual UNIR.
Artículo publicado con un diseño ABAB de caso único cuantitativo (I)
Heard, K. y Watson, T. S. (1999). Reducing wandering by persons with dementia using differential reinforcement. Journal of Applied Behavior Analysis, 32(3), 381-384.
https://doi.org/10.1901/jaba.1999.32-381
En este artículo se aplica un diseño de caso único cuantitativo tipo ABAB a un contexto clínico de demencia. Es especialmente interesante porque en él se manejan criterios de significación clínica y estadística para interpretar un problema complejo como lo es el rol de los reforzadores sociales en enfermos neurológicos.
Artículo publicado con un diseño ABAB de caso único cuantitativo (II)
Kinugasa, T., Cerin, E. y Hooper, S. (2004). Single-subject research designs and data analyses for assessing elite athletes’ conditioning. Sports medicine, 34(15), 1035- 1050.
https://doi.org/10.2165/00007256-200434150-00003
En este artículo se revisan y comparan distintas técnicas de análisis de datos y estudio de patrones de cambio para diseños de caso único.
1. ¿Puede afirmarse causalidad en un diseño de caso único?
A. Solo covariación.
B. No.
C. Solo antecesión y covariación.
D. Sí.
2. ¿Qué resulta esencial para construir un diseño N=1?
A. Obtener una línea base, aplicar la intervención, volver a estimar la línea base, volver a intervenir e interpretar los resultados.
B. Obtener una línea base, aplicar la intervención e interpretar los resultados.
C. Obtener una línea base, aplicar la intervención, volver a estimar la línea base e interpretar los resultados.
D. Contar únicamente con un sujeto.
3. ¿Por qué necesitamos construir una línea base con varias mediciones?
A. Para poder detectar tendencias en el sujeto, y si es más incierta o más homogénea.
B. Para poder detectar tendencias en el sujeto, su variabilidad y si las mejoras no han sido lo bastante intensas.
C. Para poder detectar variables extrañas de instrumentación.
D. Para poder detectar la heterogeneidad de la conducta previa del sujeto.
4. ¿Qué diferencia hay entre la significación clínica y la estadística?
A. La clínica busca un cambio de verdad, la estadística un cambio numérico.
B. La clínica busca cumplir criterios diagnósticos, la estadística busca contrastar hipótesis nulas.
C. La estadística busca validez interna, la clínica busca validez externa.
D. La estadística busca diferencias más allá del azar, la clínica busca que el sujeto quede satisfecho con el cambio.
5. ¿Qué diferencia a un diseño AB de uno de línea base múltiple?
A. El número de líneas base.
B. El número de sujetos.
C. El número de mediciones.
D. El número de variables independientes.
6. ¿Cuándo hay que aplicar un diseño AB?
A. Cuando no se cuente con más que un sujeto.
B. Cuando no quede más remedio.
C. Cuando solo se disponga del sujeto 2 meses.
D. Cuando se disponga de solo una variable dependiente.
7. ¿Qué requieren los diseños de línea base múltiple?
A. Varias variables dependientes, y han de tener un grado de correlación positivo entre ellas.
B. Ha de ser el mismo sujeto siempre y con el mismo instrumento.
C. Variable dependientes no asociadas entre sí, con un grado de influencia de la independiente parecido.
D. Se deben medir distintas condiciones de la variable dependiente para mapear correctamente el constructo.
8. De las siguientes, ¿cuáles son técnicas de análisis de datos estadísticos en diseños N=1?
A. Análisis factorial exploratorio.
B. Análisis de redes neuronales artificiales.
C. Análisis de covarianza.
D. Análisis de series temporales.
9. De las siguientes, ¿cuál sería un ejemplo de cambio de tendencia en un análisis visual?
A. Aumentar 0,5 puntos entre la línea base y la intervención.
B. Pasar de ascender a mantenerse constante.
C. Disminuir dos desviaciones típicas entre la fase A y B.
D. Pasar de ascender a seguir ascendiendo.
10. ¿Cuál es la principal debilidad de los estudios de N=1 respecto a su robustez metodológica?
A. La validez externa.
B. La fiabilidad.
C. La validez interna.
D. Su elevado coste.
