En investigación clínica es fácil pasar de una afirmación correcta a una conclusión excesiva. Que una variable esté asociada con los ataques de pánico en una población no significa que permita identificar con precisión qué persona concreta tendrá un ataque. Un nuevo análisis de la encuesta estadounidense NHANES resulta especialmente interesante precisamente por esta diferencia. Además de estudiar la frecuencia y los correlatos de los ataques de pánico, los autores sometieron sus variables a modelos predictivos y comprobaron qué ocurría cuando se aplicaban procedimientos estrictos para evitar data leakage. El resultado es una lección metodológica con consecuencias directas para la evaluación psicológica.
¿Qué estudia este nuevo trabajo sobre los ataques de pánico?
Martins y colaboradores analizaron datos procedentes de la National Health and Nutrition Examination Survey (NHANES) de Estados Unidos. Se utilizaron los ciclos de 1999–2000, 2001–2002 y 2003–2004, que son los que incluían la evaluación estructurada del pánico mediante la Composite International Diagnostic Interview (CIDI).
La muestra final estuvo formada por 2.222 adultos de entre 20 y 39 años. El criterio principal no fue el diagnóstico completo de trastorno de pánico, sino haber experimentado un ataque de miedo o pánico durante los 12 meses anteriores. Los investigadores realizaron además un análisis de sensibilidad utilizando el diagnóstico más restrictivo de trastorno de pánico según DSM-IV. Este matiz es clínicamente importante.
Tener un ataque de pánico no equivale necesariamente a presentar un trastorno de pánico. Los ataques aislados o recurrentes son más frecuentes que el trastorno definido por ataques inesperados recurrentes acompañados de preocupación persistente o cambios conductuales desadaptativos.
Una variable puede ser un marcador estadísticamente asociado a un fenómeno y, al mismo tiempo, aportar muy poca información para predecirlo en una persona concreta.
Esta distinción debería estar mucho más presente cuando se interpretan estudios predictivos en psicología clínica.
¿Con qué frecuencia aparecieron los ataques de pánico?
En la muestra, 289 de los 2.222 participantes informaron de un ataque de pánico durante el año anterior, lo que representaba el 13,0% sin ponderar. Al incorporar el diseño complejo de NHANES, la estimación poblacional fue del 14,1%.
La frecuencia fue diferente según algunas características sociodemográficas:
| Grupo | Prevalencia de ataques de pánico |
|---|---|
| Hombres | 10,5% |
| Mujeres | 17,8% |
| Ingresos bajos | 18,6% |
| Ingresos medios | 13,0% |
| Ingresos altos | 12,8% |
Una comparación sencilla muestra que la prevalencia observada en mujeres fue aproximadamente 1,7 veces la observada en hombres.
Pero hay que interpretar correctamente esta diferencia: no significa que el sexo permita identificar individualmente quién sufrirá un ataque de pánico. De hecho, el análisis predictivo global mostró una capacidad discriminativa limitada.
Esta es precisamente una de las aportaciones conceptuales del estudio: una diferencia entre grupos puede ser epidemiológicamente relevante sin convertirse en una herramienta clínica de predicción individual.
¿Qué variables aparecieron asociadas?
En el modelo multivariable ponderado por el diseño de la encuesta aparecieron asociaciones con:
| Variable | OR ajustada | IC 95% |
|---|---|---|
| Consumo de cannabis alguna vez | 1,57 | 1,04–2,37 |
| Dolor lumbar | 1,42 | 1,05–1,91 |
| Peor salud autopercibida | 1,31 por DE | 1,08–1,60 |
| Haber fumado ≥100 cigarrillos | 1,28 | 1,00–1,64 |
La cefalea/migraña mostró una asociación de magnitud similar, pero con un intervalo de confianza que incluía el valor nulo (OR 1,35; IC 95% 0,97–1,88).
Existe además una asociación estadísticamente significativa con el tiempo transcurrido desde la última medición de presión arterial (OR 0,81 por desviación estándar). Su interpretación clínica es mucho menos directa y, por ello, no debería convertirse en un supuesto “factor protector”. El propio conjunto de variables muestra por qué la significación estadística no equivale automáticamente a relevancia clínica.
Un dato importante: la situación socioeconómica cambia cuando ajustamos el modelo
Aquí aparece otro matiz que merece ser destacado. Descriptivamente, la prevalencia fue mayor en el grupo de ingresos bajos: 18,6% frente a 13,0% y 12,8% en los grupos de ingresos medios y altos. Sin embargo, en el modelo multivariable el poverty-income ratio no mantuvo una asociación independiente estadísticamente significativa: OR 0,93 (IC 95% 0,78–1,11). Esto no invalida el gradiente socioeconómico observado. Significa algo más preciso: la diferencia poblacional y la asociación independiente después de ajustar por otras variables son preguntas estadísticas diferentes. Es una distinción especialmente importante en investigación clínica porque evita transformar una variable sociodemográfica en una etiqueta individual de “riesgo”.
El resultado que cambia la interpretación clínica: el modelo predice poco
Los autores utilizaron una evaluación predictiva bastante más exigente que una simple división entre conjunto de entrenamiento y prueba.
El procesamiento, imputación, estandarización, selección de variables, ajuste de hiperparámetros y selección del umbral se realizaron dentro de los conjuntos de entrenamiento, utilizando validación cruzada anidada y evitando la fuga de información.
Los resultados fueron:
| Modelo | ROC-AUC aproximada |
|---|---|
| Regresión logística | 0,60 |
| Gradient boosting | 0,59 |
| Random forest | 0,58 |
| SVM | 0,50 |
Con el conjunto ampliado de variables, la regresión logística llegó aproximadamente a 0,64, pero la capacidad predictiva continuó siendo limitada. El PR-AUC fue aproximadamente 0,20. Por tanto, la inclusión de algoritmos más complejos no solucionó el problema. Y este resultado tiene interés clínico porque cuestiona una expectativa frecuente: que una relación compleja entre muchas variables necesariamente pueda capturarse mejor mediante un algoritmo más sofisticado. En este caso, la complejidad algorítmica no generó información predictiva suficiente.
De una asociación estadística a una decisión clínica
Aquí podemos hacer una traducción que no aparece habitualmente en los contenidos generalistas sobre ataques de pánico. Supongamos que encontramos en un paciente varios de los marcadores estudiados: dolor lumbar, antecedentes de consumo de cannabis, tabaquismo y una valoración negativa de su estado general de salud. El estudio no permite concluir:
“Este paciente tiene una probabilidad elevada de sufrir un ataque de pánico”.
Lo que permite decir es algo mucho más limitado:
En esta población, esas características presentaron asociaciones estadísticas con haber experimentado un ataque de pánico durante el año anterior.
La diferencia parece semántica, pero es metodológicamente fundamental. Una asociación poblacional responde aproximadamente a:
¿Qué características aparecen con mayor frecuencia entre quienes presentan el fenómeno?
Una predicción individual plantea otra pregunta:
¿Cuánto mejora nuestra capacidad para clasificar correctamente a una persona concreta si conocemos esas características?
El estudio muestra que las dos respuestas pueden ser muy diferentes.
¿Qué significa realmente un ROC-AUC de 0,60–0,64?
El ROC-AUC es útil para comparar discriminación, pero puede resultar abstracto para un clínico.
Por eso conviene mirar también las métricas dependientes del punto de corte.
En uno de los puntos de operación orientados a aumentar la sensibilidad, el modelo obtuvo aproximadamente:
- Sensibilidad: 0,71
- Especificidad: 0,41
- VPP: 0,15
- VPN: 0,90
- Exactitud equilibrada: 0,56.
La consecuencia práctica es más fácil de entender que el AUC.
Al aplicar el modelo a 10.000 personas con la prevalencia observada, los autores estimaron aproximadamente 923 casos correctamente identificados frente a 5.117 falsos positivos. Es decir, alrededor de 5,5 resultados positivos falsos por cada caso correctamente detectado.
Este es uno de los datos que merece más protagonismo en el artículo porque convierte una métrica estadística en una consecuencia clínica comprensible.
Y aquí aparece una segunda lección: la calibración también importa
El estudio no se limitó al AUC. El modelo sin calibrar presentó un Brier de 0,24 y sobreestimaba sistemáticamente el riesgo. Después de aplicar recalibración mediante Platt scaling o isotonic regression, el Brier descendió a 0,11.
Esto permite introducir una distinción que suele faltar en artículos divulgativos sobre inteligencia artificial aplicada a la salud: discriminar no es lo mismo que estimar correctamente una probabilidad.
Un modelo puede ordenar relativamente bien a las personas según su riesgo y, sin embargo, proporcionar probabilidades mal calibradas.
Por eso, un supuesto modelo clínico no debería evaluarse únicamente preguntando:
“¿Qué AUC tiene?”
También habría que preguntar:
- ¿Está calibrado?
- ¿Mantiene el rendimiento en otra muestra?
- ¿Qué ocurre con los falsos positivos?
- ¿Qué ocurre con los falsos negativos?
- ¿Ha sido validado externamente?
- ¿Produce beneficio clínico neto?
El resultado todavía empeora cuando cambiamos de periodo
Una prueba especialmente interesante fue entrenar el modelo con los ciclos 1999–2002 y probarlo con los datos de 2003–2004. El ROC-AUC descendió hasta 0,57. Es una observación importante porque los dos conjuntos proceden de la misma encuesta.
Por tanto, el problema no es únicamente que los datos sean antiguos o que procedan de otro país. Incluso dentro del mismo programa NHANES, el rendimiento se redujo al realizar una validación temporal.
Esto introduce una idea fundamental para la investigación clínica: un modelo que funciona razonablemente en los datos con los que se ha desarrollado no necesariamente conserva su rendimiento cuando cambia el contexto.
¿Por qué las variables asociadas no bastan para predecir?
Aquí es donde podemos conectar resultados que normalmente aparecen separados.
Los factores encontrados pertenecen a dominios diferentes:
dolor corporal → salud autopercibida → consumo de sustancias → tabaquismo → condiciones socioeconómicas
No constituyen un mecanismo psicológico único. El propio artículo plantea que la asociación entre dolor, peor percepción de salud y pánico podría ser compatible con procesos relacionados con la interocepción, la sensibilidad a las sensaciones corporales y la activación autonómica. Pero se trata de una interpretación teórica, no de una demostración causal del estudio. Esto ayuda a comprender por qué la predicción puede ser limitada.
Un ataque de pánico no parece depender de una única variable observable. En un modelo cognitivo-conductual pueden ser clínicamente relevantes, entre otros elementos, las sensaciones corporales, su interpretación, la sensibilidad a la ansiedad, las conductas de seguridad, la evitación y el aprendizaje previo. Muchos de estos procesos psicológicos no estaban disponibles como predictores en la base NHANES.
Conclusión
El interés de este trabajo no reside únicamente en que encuentre una prevalencia del 14,1% de ataques de pánico durante el último año en adultos estadounidenses de 20–39 años de los ciclos NHANES analizados. Su principal interés está en mostrar una diferencia que resulta fundamental en psicología clínica: los factores asociados a nivel poblacional no necesariamente permiten realizar una buena predicción individual.
Dolor lumbar, consumo de cannabis, tabaquismo y peor salud autopercibida mostraron asociaciones estadísticas con los ataques de pánico. Sin embargo, cuando esas mismas variables se utilizaron para identificar individualmente a quienes presentaban ataques, la capacidad discriminativa fue limitada y los modelos de machine learning no mejoraron sustancialmente la regresión logística.
La consecuencia clínica es clara: no deberíamos sustituir la evaluación psicológica específica por un perfil de riesgo construido a partir de variables generales. Y la consecuencia metodológica es todavía más amplia: antes de interpretar un modelo predictivo como una herramienta clínica, es necesario comprobar la independencia de las observaciones, evitar la fuga de información, validar temporal y externamente el modelo, estudiar su calibración y traducir sus métricas a consecuencias clínicas reales.
Para saber más
Artículo analizado
Martins, A. T., Gomes, A., Ros, A., Santos, J., Rodrigues, J., & Carvalho, F. R. (2026). Social determinants and disparities of past-year panic attacks in US young adults: a nationally representative NHANES analysis. Preprint, Research Square. DOI: 10.21203/rs.3.rs-10434634/v1.
Los autores indican además que han puesto a disposición el conjunto de datos analítico y el código utilizado para reproducir los análisis. Para contextualizar la distinción entre ataque de pánico y trastorno de pánico, puede consultarse también la información clínica del NIMH y el Manual MSD.
Formación relacionada
El curso está orientado a evaluación e intervención desde la TCC e incluye evaluación, diagnóstico diferencial, cuestionarios, psicoeducación, exposición interoceptiva, reestructuración cognitiva y exposición a situaciones temidas.
Curso de Evaluación y Tratamiento Cognitivo-Conductual del Trastorno de Pánico con y sin Agorafobia
Terapia psicológica en Granada y online
El Centro de Psicología AARON BECK tiene amplia experiencia en el tratamiento cognitivo-conductual del trastorno de pánico (terapia cognitivo-focal) y la agorafobia, principalmente en la modalidad presencial (en Granada):
