library(tidyverse)
library(lme4)
library(lmerTest)
library(broom.mixed)
library(psych)
library(patchwork)
library(mice)
library(kableExtra)

Nota: Los grupos de tratamiento se identifican como Grupo 0 y Grupo 1 a lo largo del reporte.

1. Introducción

Este reporte presenta los resultados del análisis piloto de un ensayo clínico aleatorizado que compara dos tratamientos basados en exposición para trastornos de ansiedad. Los tratamientos son referidos en este reporte como Grupo 0 y Grupo 1, asegurando el análisis ciego de los datos.

El piloto reclutó 17 participantes con diagnósticos primarios de trastornos de ansiedad, quienes recibieron hasta 10 sesiones de tratamiento semanal. Los datos provienen de una exportación con medidas repetidas en cada sesión.

El propósito de este análisis piloto es:

  • Evaluar si ambos tratamientos producen mejorías sintomáticas significativas a lo largo del tiempo.
  • Explorar si existe evidencia preliminar de eficacia diferencial entre los dos tratamientos.
  • Identificar patrones de deserción que sean relevantes e informativos para el estudio completo.
  • Evaluar la robustez de los hallazgos mediante análisis de sensibilidad.

2. Método

2.1 Diseño

Ensayo clínico aleatorizado con dos condiciones de tratamiento activo (Grupo 0 y Grupo 1). Se realizaron dos tipos de análisis:

  • Intención de Tratar (ITT): incluye todos los participantes con al menos una medición, usando todos los datos disponibles independientemente de cuántas sesiones completaron.
  • Por Protocolo (PP): incluye solo los 9 participantes que completaron las 10 sesiones de tratamiento más la evaluación de línea base (11 mediciones totales).

2.2 Instrumentos y administración

En todas las sesiones (baseline + sesiones 1–9 + cierre, hasta 11 mediciones):

Instrumentos administrados en todas las sesiones
Instrumento Constructo Ítems Rango
CORE-OM Malestar psicológico global 34 0–4 (media)
BAI Síntomas de ansiedad 21 0–63
LSAS Ansiedad social (solo dg=1) 48 0–144
GAD-7 TAG (solo dg=3) 7 0–21
DSM-5 Phobia Fobia específica (solo dg=4) 10 0–40
PAS Pánico/agorafobia (solo dg=2) 13 0–52

Solo en baseline y cierre:

Instrumentos administrados en baseline y cierre
Instrumento Constructo Ítems Rango
STAI-E Ansiedad estado 20 0–60
STAI-R Ansiedad rasgo 20 0–60
BDI Depresión 19 0–57
OASIS Severidad e impacto de ansiedad 5 0–20
QOLS Calidad de vida 16 16–112

Medición única:

Instrumento Momento Propósito
ACE-IQ Baseline Experiencias adversas en la infancia
CSQ-8 Cierre Satisfacción con el tratamiento

2.3 Outcomes primarios y estandarización

Los tres outcomes longitudinales son CORE-OM, BAI y la escala diagnóstico-específica. Para hacer comparables los distintos instrumentos diagnósticos, se estandarizaron en puntajes Z usando la media y desviación estándar del baseline:

  • CORE-OM (z) y BAI (z): estandarizados usando el baseline de toda la muestra.
  • Escala diagnóstica (z): estandarizada dentro de cada grupo diagnóstico usando su propio baseline. Un z-score de 0 representa la media basal de cada diagnóstico; valores negativos representan mejoría.

2.4 Modelo estadístico

Se utilizaron modelos lineales mixtos (MLM) con la siguiente especificación:

\[\text{outcome} \sim \text{sesion} + \text{grupo} + \text{sesion} \times \text{grupo} + (1 \mid \text{participante})\]

Donde: - sesion (0–10): efecto lineal del tiempo - grupo (0/1): diferencia de nivel entre grupos - sesion:grupo: interacción tiempo × grupo — test principal de eficacia diferencial - (1 | participante): intercepto aleatorio por participante

Los modelos se ajustaron con máxima verosimilitud. Los p-valores se calcularon con grados de libertad de Satterthwaite (lmerTest). Software: R 4.5.1 con lme4, lmerTest, mice, psych, tidyverse.

3. Carga y preparación de datos

df_raw <- read.csv2(
  "MatiasConsent-InformeDeDatosSinSeg_DATA_2026-05-25_1503.csv",
  na.strings = c("", "NA")
)

# Mapeo eventos → sesión numérica
event_map <- c(
  consent_arm_1 = 0, semana_1_arm_1 = 1, semana_2_arm_1 = 2,
  semana_3_arm_1 = 3, semana_4_arm_1 = 4, semana_5_arm_1 = 5,
  semana_6_arm_1 = 6, semana_7_arm_1 = 7, semana_8_arm_1 = 8,
  semana_9_arm_1 = 9, fin_del_estudio_arm_1 = 10
)
df_raw$sesion <- event_map[df_raw$redcap_event_name]

# Participante sin datos de escalas — solo para descriptivos de deserción
sin_datos <- "b5ee134463d76454cb6b938bd5d61a68"

# Propagar variables de participante a todas sus filas
df_raw <- df_raw |>
  group_by(study_id) |>
  mutate(
    genero              = first(na.omit(genero)),
    dg                  = first(na.omit(dg)),
    randomization_group = first(na.omit(randomization_group))
  ) |>
  ungroup()

# Etiquetas
df_raw$dg_label <- factor(df_raw$dg, levels = 1:4,
  labels = c("Ansiedad Social","Pánico/Agorafobia","TAG","Fobia Específica"))
df_raw$grupo <- factor(df_raw$randomization_group,
  levels = c(0,1), labels = c("Grupo 0","Grupo 1"))

Puntuación de instrumentos

# ── STAI-E ────────────────────────────────────────────────────────────────────
stai_e_items <- paste0("stai_e_", 1:20)
stai_e_inv   <- c(1, 2, 5, 8, 10, 11, 15, 16, 19, 20)
stai_e_dir   <- c(3, 4, 6, 7, 9, 12, 13, 14, 17, 18)
df_raw$stai_e_positivo <- rowSums(df_raw[, paste0("stai_e_", stai_e_inv)], na.rm = TRUE)
df_raw$stai_e_negativo <- rowSums(df_raw[, paste0("stai_e_", stai_e_dir)], na.rm = TRUE)
df_staie <- df_raw[, stai_e_items]
for (i in stai_e_inv) df_staie[[paste0("stai_e_", i)]] <- 3 - df_staie[[paste0("stai_e_", i)]]
df_raw$stai_e_total <- rowSums(df_staie, na.rm = TRUE)

# ── STAI-R ────────────────────────────────────────────────────────────────────
stai_r_items <- paste0("stai_r_", 1:20)
stai_r_inv   <- c(1, 6, 7, 10, 13, 16, 19)
stai_r_dir   <- c(2, 3, 4, 5, 8, 9, 11, 12, 14, 15, 17, 18, 20)
df_raw$stai_r_positivo <- rowSums(df_raw[, paste0("stai_r_", stai_r_inv)], na.rm = TRUE)
df_raw$stai_r_negativo <- rowSums(df_raw[, paste0("stai_r_", stai_r_dir)], na.rm = TRUE)
df_stair <- df_raw[, stai_r_items]
for (i in stai_r_inv) df_stair[[paste0("stai_r_", i)]] <- 3 - df_stair[[paste0("stai_r_", i)]]
df_raw$stai_r_total <- rowSums(df_stair, na.rm = TRUE)

# ── CORE-OM ───────────────────────────────────────────────────────────────────
core_items <- paste0("core_om_", 1:34)
core_inv   <- c(3, 4, 7, 12, 19, 21, 31, 32)
df_core    <- df_raw[, core_items]
for (i in core_inv) df_core[[paste0("core_om_", i)]] <- 4 - df_core[[paste0("core_om_", i)]]
df_raw$core_total    <- rowSums(df_core,  na.rm = TRUE)
df_raw$core_media    <- rowMeans(df_core, na.rm = TRUE)
core_wellbeing <- c(4, 14, 17, 31)
core_problems  <- c(2, 5, 8, 11, 13, 15, 18, 20, 23, 27, 28, 30)
core_function  <- c(1, 3, 7, 10, 12, 19, 21, 25, 26, 29, 32, 33)
core_risk      <- c(6, 9, 16, 22, 24, 34)
df_raw$core_wellbeing <- rowMeans(df_core[, paste0("core_om_", core_wellbeing)], na.rm = TRUE)
df_raw$core_problems  <- rowMeans(df_core[, paste0("core_om_", core_problems)],  na.rm = TRUE)
df_raw$core_function  <- rowMeans(df_core[, paste0("core_om_", core_function)],  na.rm = TRUE)
df_raw$core_risk      <- rowMeans(df_core[, paste0("core_om_", core_risk)],      na.rm = TRUE)

# ── BAI ───────────────────────────────────────────────────────────────────────
bai_items <- paste0("bai_", 1:21)
df_raw$bai_total <- rowSums(df_raw[, bai_items], na.rm = TRUE)

# ── BDI (sin bdi_s_2) ─────────────────────────────────────────────────────────
bdi_items <- c("bdi_a","bdi_b","bdi_c","bdi_d","bdi_e","bdi_f","bdi_g","bdi_h",
               "bdi_i","bdi_j","bdi_l","bdi_n","bdi_o","bdi_p","bdi_q","bdi_r",
               "bdi_s","bdi_t","bdi_u")
df_raw$bdi_total <- rowSums(df_raw[, bdi_items], na.rm = TRUE)

# ── OASIS ─────────────────────────────────────────────────────────────────────
df_raw$oasis_total <- rowSums(df_raw[, paste0("oasis_", 1:5)], na.rm = TRUE)

# ── QOLS ──────────────────────────────────────────────────────────────────────
qols_f1 <- c(7,8,9,10,12,13,14); qols_f2 <- c(2,11,15,16); qols_f3 <- c(1,3,4,5,6)
df_raw$qols_total <- rowSums(df_raw[, paste0("qols_", 1:16)], na.rm = TRUE)
df_raw$qols_f1    <- rowSums(df_raw[, paste0("qols_", qols_f1)], na.rm = TRUE)
df_raw$qols_f2    <- rowSums(df_raw[, paste0("qols_", qols_f2)], na.rm = TRUE)
df_raw$qols_f3    <- rowSums(df_raw[, paste0("qols_", qols_f3)], na.rm = TRUE)

# ── LSAS ──────────────────────────────────────────────────────────────────────
df_raw$lsas_miedo     <- rowSums(df_raw[, paste0("lsas_m_", 1:24)], na.rm = TRUE)
df_raw$lsas_evitacion <- rowSums(df_raw[, paste0("lsas_e_", 1:24)], na.rm = TRUE)
df_raw$lsas_total     <- df_raw$lsas_miedo + df_raw$lsas_evitacion

# ── GAD-7 (sin gad_8) ─────────────────────────────────────────────────────────
df_raw$gad_total <- rowSums(df_raw[, paste0("gad_", 1:7)], na.rm = TRUE)

# ── DSM-5 Phobia (sin dsm5_phobia_0) ─────────────────────────────────────────
df_raw$phobia_total <- rowSums(df_raw[, paste0("dsm5_phobia_", 1:10)], na.rm = TRUE)

# ── PAS (sin pas_u) ───────────────────────────────────────────────────────────
pas_items <- c("pas_a1","pas_a2","pas_a3","pas_b1","pas_b2","pas_b3",
               "pas_c1","pas_c2","pas_d1","pas_d2","pas_d3","pas_e1","pas_e2")
df_raw$pas_total <- rowSums(df_raw[, pas_items], na.rm = TRUE)

# ── ACE-IQ y CSQ-8 ───────────────────────────────────────────────────────────
df_raw$aceiq_total <- rowSums(df_raw[, paste0("aceiq_", 1:10)], na.rm = TRUE)
df_raw$csq_total   <- rowSums(df_raw[, paste0("csq_",   1:8)],  na.rm = TRUE)

# ── Escala diagnóstica unificada ─────────────────────────────────────────────
df_raw <- df_raw |>
  mutate(diag_raw = case_when(
    dg == 1 ~ lsas_total, dg == 2 ~ pas_total,
    dg == 3 ~ gad_total,  dg == 4 ~ phobia_total,
    TRUE    ~ NA_real_
  ))

Estandarización (z-scores)

# df_anal: excluye al participante sin datos para todos los análisis estadísticos
df_anal <- df_raw |> filter(study_id != sin_datos)

# Filtrar también los dataframes auxiliares de ítems para que coincidan con df_anal
df_core  <- df_core[df_raw$study_id  != sin_datos, ]
df_staie <- df_staie[df_raw$study_id != sin_datos, ]
df_stair <- df_stair[df_raw$study_id != sin_datos, ]

# bl: baseline sin el participante sin datos (para medias, DEs, modelos)
bl <- df_anal |> filter(sesion == 0)

m_core <- mean(bl$core_media, na.rm = TRUE)
s_core <- sd(bl$core_media,   na.rm = TRUE)
m_bai  <- mean(bl$bai_total,  na.rm = TRUE)
s_bai  <- sd(bl$bai_total,    na.rm = TRUE)

df_anal <- df_anal |>
  mutate(core_z = (core_media - m_core) / s_core,
         bai_z  = (bai_total  - m_bai)  / s_bai)

# Z diagnóstico: dentro de cada diagnóstico
df_anal <- df_anal |>
  group_by(dg) |>
  mutate(diag_z = {
    m_d <- mean(diag_raw[sesion == 0], na.rm = TRUE)
    s_d <- sd(diag_raw[sesion == 0],   na.rm = TRUE)
    if (is.na(s_d) | s_d == 0) diag_raw - m_d else (diag_raw - m_d) / s_d
  }) |>
  ungroup()

# Z LSAS separados (miedo y evitación)
df_anal <- df_anal |>
  group_by(dg) |>
  mutate(
    lsas_miedo_z = {
      m <- mean(lsas_miedo[sesion == 0], na.rm = TRUE)
      s <- sd(lsas_miedo[sesion == 0],   na.rm = TRUE)
      if (is.na(s) | s == 0) lsas_miedo - m else (lsas_miedo - m) / s
    },
    lsas_evitacion_z = {
      m <- mean(lsas_evitacion[sesion == 0], na.rm = TRUE)
      s <- sd(lsas_evitacion[sesion == 0],   na.rm = TRUE)
      if (is.na(s) | s == 0) lsas_evitacion - m else (lsas_evitacion - m) / s
    }
  ) |>
  ungroup()

# bl_full: todos los participantes (para distribución de diagnóstico, grupo, género)
bl_full <- df_raw |> filter(sesion == 0)

4. Muestra y características basales

4.1 Composición de la muestra

# Tablas de frecuencia usan bl_full (incluye al participante sin datos de escalas)
table(bl_full$dg_label) |>
  as.data.frame() |>
  rename(Diagnóstico = Var1, N = Freq) |>
  mutate(`%` = sprintf("%.1f%%", 100 * N / sum(N))) |>
  kable(caption = "Distribución por diagnóstico (N = 17)") |>
  kable_styling(bootstrap_options = c("striped","hover","condensed"), full_width = FALSE)
Distribución por diagnóstico (N = 17)
Diagnóstico N %
Ansiedad Social 9 52.9%
Pánico/Agorafobia 3 17.6%
TAG 3 17.6%
Fobia Específica 2 11.8% 
table(bl_full$grupo) |>
  as.data.frame() |>
  rename(Grupo = Var1, N = Freq) |>
  mutate(`%` = sprintf("%.1f%%", 100 * N / sum(N))) |>
  kable(caption = "Distribución por grupo de tratamiento (N = 17)") |>
  kable_styling(bootstrap_options = c("striped","hover","condensed"), full_width = FALSE)
Distribución por grupo de tratamiento (N = 17)
Grupo N %
Grupo 0 9 52.9%
Grupo 1 8 47.1%

El género fue predominantemente categoría 1 (n=15, 88.2%), con un participante en cada una de las categorías 2 y 3.

4.2 Consistencia interna

alpha_core  <- psych::alpha(df_core[df_anal$sesion == 0, ], check.keys = FALSE)$total$raw_alpha
## Some items ( core_om_6 core_om_7 core_om_11 core_om_21 core_om_26 core_om_32 ) were negatively correlated with the first principal component and 
## probably should be reversed.  
## To do this, run the function again with the 'check.keys=TRUE' option
alpha_bai   <- psych::alpha(bl[, bai_items],               check.keys = FALSE)$total$raw_alpha
alpha_staie <- psych::alpha(df_staie[df_anal$sesion == 0,], check.keys = FALSE)$total$raw_alpha
alpha_stair <- psych::alpha(df_stair[df_anal$sesion == 0,], check.keys = FALSE)$total$raw_alpha
## Some items ( stai_r_9 stai_r_11 stai_r_14 stai_r_20 ) were negatively correlated with the first principal component and 
## probably should be reversed.  
## To do this, run the function again with the 'check.keys=TRUE' option
tibble::tribble(
  ~Escala,   ~Alpha,
  "CORE-OM", round(alpha_core,  3),
  "BAI",     round(alpha_bai,   3),
  "STAI-E",  round(alpha_staie, 3),
  "STAI-R",  round(alpha_stair, 3)
) |>
  kable(caption = "Alpha de Cronbach (baseline)") |>
  kable_styling(bootstrap_options = c("striped","hover","condensed"), full_width = FALSE) |>
  row_spec(4, background = "#fff3cd")  # STAI-R destacado por alpha < .80
Alpha de Cronbach (baseline)
Escala Alpha
CORE-OM 0.867
BAI 0.912
STAI-E 0.898
STAI-R 0.742

El CORE-OM, BAI y STAI-E muestran consistencia interna buena a excelente. El STAI-R (.742) es el único instrumento por debajo de .80.

4.3 Descriptivos basales por grupo

vars_bl <- c("stai_e_total","stai_r_total","core_media","bai_total",
             "bdi_total","oasis_total","qols_total","aceiq_total")
etiq_bl <- c("STAI-E","STAI-R","CORE-OM media","BAI","BDI","OASIS","QOLS","ACE-IQ")

tabla_bl <- map_dfr(seq_along(vars_bl), function(i) {
  v  <- vars_bl[i]
  g0 <- bl[[v]][bl$randomization_group == 0]
  g1 <- bl[[v]][bl$randomization_group == 1]
  tt <- t.test(g0, g1)
  tibble(
    Variable   = etiq_bl[i],
    `Total M (DE)` = sprintf("%.2f (%.2f)",
      mean(bl[[v]], na.rm=TRUE), sd(bl[[v]], na.rm=TRUE)),
    `Grupo 0 M (DE)` = sprintf("%.2f (%.2f)",
      mean(g0, na.rm=TRUE), sd(g0, na.rm=TRUE)),
    `Grupo 1 M (DE)` = sprintf("%.2f (%.2f)",
      mean(g1, na.rm=TRUE), sd(g1, na.rm=TRUE)),
    p = round(tt$p.value, 3)
  )
})

tabla_bl |>
  kable(caption = "Comparación de grupos al baseline — medias y DEs (N = 16, excluye participante sin datos de escalas)") |>
  kable_styling(bootstrap_options = c("striped","hover","condensed")) |>
  footnote(general = "ACE-IQ: Mann-Whitney U = 45.5, p = .166")
Comparación de grupos al baseline — medias y DEs (N = 16, excluye participante sin datos de escalas)
Variable Total M (DE) Grupo 0 M (DE) Grupo 1 M (DE) p
STAI-E 34.06 (8.89) 37.50 (9.24) 30.62 (7.54) 0.126
STAI-R 38.94 (5.70) 40.75 (6.16) 37.12 (4.91) 0.215
CORE-OM media 1.90 (0.40) 2.03 (0.42) 1.78 (0.38) 0.243
BAI 29.69 (12.06) 37.00 (7.67) 22.38 (11.43) 0.011
BDI 21.25 (7.49) 23.25 (7.89) 19.25 (6.98) 0.301
OASIS 10.62 (1.93) 11.50 (1.60) 9.75 (1.91) 0.068
QOLS 70.69 (13.81) 73.12 (16.53) 68.25 (11.03) 0.501
ACE-IQ 4.19 (2.66) 5.12 (2.64) 3.25 (2.49) 0.166
Note:
ACE-IQ: Mann-Whitney U = 45.5, p = .166

Se observó una diferencia estadísticamente significativa entre grupos en el BAI al baseline (Grupo 0: M = 37.00, Grupo 1: M = 22.38; t = 3.01, p = .011), con el Grupo 0 presentando mayor severidad de ansiedad al inicio. El resto de los outcomes no mostró diferencias significativas entre grupos. Esta desigualdad basal en el BAI es consistente con el efecto de nivel de grupo observado en los modelos longitudinales (β = −1.270 en el modelo ITT), y sugiere que el Grupo 0 partió con mayor ansiedad — no necesariamente que el tratamiento tuvo un efecto diferencial entre grupos.

4.4 Subescalas CORE-OM al baseline

bl |>
  summarise(
    `WB M`  = round(mean(core_wellbeing, na.rm=TRUE), 2),
    `WB DE` = round(sd(core_wellbeing,   na.rm=TRUE), 2),
    `PS M`  = round(mean(core_problems,  na.rm=TRUE), 2),
    `PS DE` = round(sd(core_problems,    na.rm=TRUE), 2),
    `FN M`  = round(mean(core_function,  na.rm=TRUE), 2),
    `FN DE` = round(sd(core_function,    na.rm=TRUE), 2),
    `RK M`  = round(mean(core_risk,      na.rm=TRUE), 2),
    `RK DE` = round(sd(core_risk,        na.rm=TRUE), 2)
  ) |>
  pivot_longer(everything(), names_to = "Estadístico", values_to = "Valor") |>
  mutate(Subescala = rep(c("Wellbeing","Problems","Functioning","Risk"), each=2),
         Medida    = rep(c("M","DE"), 4)) |>
  select(Subescala, Medida, Valor) |>
  pivot_wider(names_from = Medida, values_from = Valor) |>
  kable(caption = "Subescalas CORE-OM en baseline") |>
  kable_styling(bootstrap_options = c("striped","hover","condensed"), full_width = FALSE)
Subescalas CORE-OM en baseline
Subescala M DE
Wellbeing 2.30 0.64
Problems 2.39 0.54
Functioning 1.90 0.35
Risk 0.70 0.60

5. Deserción

sesiones_pp <- df_anal |>
  group_by(study_id) |>
  summarise(n_sesiones = n(), ultima_sesion = max(sesion), .groups = "drop")

# Agregar manualmente al participante sin datos:
# solo tiene sesion=0, nunca completó, ultima_sesion=0
sesiones_pp <- bind_rows(
  sesiones_pp,
  tibble(study_id = sin_datos, n_sesiones = 1L, ultima_sesion = 0)
)

# bl_attricion incluye al participante sin datos — solo para tablas de attrición
bl_attricion <- df_raw |>
  filter(sesion == 0) |>
  left_join(sesiones_pp, by = "study_id") |>
  mutate(completo = n_sesiones == 11)

# bl (para todo lo demás) también necesita completo
bl <- bl |>
  left_join(sesiones_pp, by = "study_id") |>
  mutate(completo = n_sesiones == 11)

ids_completos <- bl$study_id[bl$completo]
df_pp <- df_anal |> filter(study_id %in% ids_completos)

De los 17 participantes, 9 completaron todas las sesiones (52.9%) y 8 abandonaron.

table(bl_attricion$grupo, bl_attricion$completo) |>
  as.data.frame() |>
  rename(Grupo = Var1, Completó = Var2, N = Freq) |>
  mutate(Completó = ifelse(as.logical(as.character(Completó)), "Completó", "Abandonó")) |>
  pivot_wider(names_from = Completó, values_from = N) |>
  mutate(`% Abandono` = sprintf("%.1f%%", 100 * Abandonó / (Abandonó + Completó))) |>
  kable(caption = "Deserción por grupo") |>
  kable_styling(bootstrap_options = c("striped","hover","condensed"), full_width = FALSE)
Deserción por grupo
Grupo Abandonó Completó % Abandono
Grupo 0 3 6 33.3%
Grupo 1 5 3 62.5% 
table(bl_attricion$dg_label, bl_attricion$completo) |>
  as.data.frame() |>
  rename(Diagnóstico = Var1, Completó = Var2, N = Freq) |>
  mutate(Completó = ifelse(as.logical(as.character(Completó)), "Completó", "Abandonó")) |>
  pivot_wider(names_from = Completó, values_from = N) |>
  kable(caption = "Deserción por diagnóstico") |>
  kable_styling(bootstrap_options = c("striped","hover","condensed"), full_width = FALSE)
Deserción por diagnóstico
Diagnóstico Abandonó Completó
Ansiedad Social 5 4
Pánico/Agorafobia 0 3
TAG 2 1
Fobia Específica 1 1

5.1 Predictores de deserción

predictores <- c("randomization_group","dg","bai_total","core_media","aceiq_total")
etiq_pred   <- c("Grupo tratamiento","Diagnóstico","BAI basal","CORE-OM basal","ACE-IQ")

map_dfr(seq_along(predictores), function(i) {
  v <- predictores[i]
  if (v %in% c("randomization_group","dg")) {
    ft <- fisher.test(table(bl_attricion[[v]], bl_attricion$completo))
    tibble(Predictor = etiq_pred[i], Test = "Fisher exacto",
           Estadístico = NA, p = round(ft$p.value, 3))
  } else {
    tt <- t.test(bl[[v]] ~ bl$completo)
    tibble(Predictor = etiq_pred[i], Test = "t-test",
           Estadístico = round(tt$statistic, 2), p = round(tt$p.value, 3))
  }
}) |>
  kable(caption = "Predictores de deserción") |>
  kable_styling(bootstrap_options = c("striped","hover","condensed"), full_width = FALSE)
Predictores de deserción
Predictor Test Estadístico p
Grupo tratamiento Fisher exacto NA 0.347
Diagnóstico Fisher exacto NA 0.471
BAI basal t-test -1.86 0.084
CORE-OM basal t-test -0.49 0.634
ACE-IQ t-test -1.01 0.332

Ningún predictor alcanzó significancia estadística. El BAI basal es el más cercano (p = .084), en dirección paradójica: los que completaron tenían más ansiedad al inicio (M = 34.22) que los que abandonaron (M = 23.86). Mayor severidad inicial parece asociarse con mayor adherencia, posiblemente por mayor motivación para el cambio, aunque esta diferencia no es estadísticamente significativa con el N actual.

6. Modelos longitudinales

colores          <- c("Grupo 0" = "#2166AC", "Grupo 1" = "#D6604D")
etiquetas_sesion <- c("BL","S1","S2","S3","S4","S5","S6","S7","S8","S9","Fin")

correr_mlm <- function(datos, outcome_col, etiqueta) {
  sub <- datos |>
    select(study_id, sesion, grupo = randomization_group, y = all_of(outcome_col)) |>
    drop_na(y)
  modelo <- lmer(y ~ sesion + grupo + sesion:grupo + (1 | study_id),
                 data = sub, REML = FALSE)
  coefs <- as.data.frame(summary(modelo)$coefficients)
  coefs$CI_low  <- coefs$Estimate - 1.96 * coefs$`Std. Error`
  coefs$CI_high <- coefs$Estimate + 1.96 * coefs$`Std. Error`
  list(modelo = modelo, coefs = coefs,
       n_obs = nrow(sub), n_part = n_distinct(sub$study_id),
       aic = round(AIC(modelo), 1), etiqueta = etiqueta)
}

tabla_mlm <- function(res) {
  res$coefs |>
    select(Estimate, `Std. Error`, CI_low, CI_high, df, `Pr(>|t|)`) |>
    round(3) |>
    rownames_to_column("Término") |>
    mutate(Término = c("Intercepto","Sesión","Grupo","Sesión × Grupo")) |>
    kable(caption = paste0(res$etiqueta,
      " — N obs = ", res$n_obs, ", N participantes = ", res$n_part,
      ", AIC = ", res$aic),
      col.names = c("Término","β","SE","IC 2.5%","IC 97.5%","df","p")) |>
    kable_styling(bootstrap_options = c("striped","hover","condensed")) |>
    row_spec(2, bold = TRUE, background = "#d4edda")
}

6.1 Intención de Tratar (ITT, N=17)

r_core_itt <- correr_mlm(df_anal, "core_z",  "CORE-OM (z) – ITT")
r_bai_itt  <- correr_mlm(df_anal, "bai_z",   "BAI (z) – ITT")
r_diag_itt <- correr_mlm(df_anal, "diag_z",  "Escala diagnóstica (z) – ITT")

m_core_itt <- r_core_itt$modelo
m_bai_itt  <- r_bai_itt$modelo
m_diag_itt <- r_diag_itt$modelo

tabla_mlm(r_core_itt)
CORE-OM (z) – ITT — N obs = 141, N participantes = 16, AIC = 362.9
Término β SE IC 2.5% IC 97.5% df p
Intercepto 0.173 0.302 -0.419 0.766 23.220 0.571
Sesión -0.164 0.027 -0.217 -0.111 127.610 0.000
Grupo -0.527 0.426 -1.363 0.308 23.247 0.228
Sesión × Grupo -0.048 0.044 -0.135 0.039 129.890 0.284 
tabla_mlm(r_bai_itt)
BAI (z) – ITT — N obs = 146, N participantes = 16, AIC = 319.2
Término β SE IC 2.5% IC 97.5% df p
Intercepto 0.469 0.214 0.049 0.889 22.405 0.039
Sesión -0.132 0.023 -0.177 -0.088 131.163 0.000
Grupo -1.270 0.304 -1.867 -0.674 22.768 0.000
Sesión × Grupo -0.013 0.036 -0.084 0.058 132.793 0.727 
tabla_mlm(r_diag_itt)
Escala diagnóstica (z) – ITT — N obs = 146, N participantes = 16, AIC = 531.7
Término β SE IC 2.5% IC 97.5% df p
Intercepto 0.200 0.608 -0.991 1.391 20.674 0.746
Sesión -0.254 0.045 -0.343 -0.165 132.740 0.000
Grupo -0.575 0.861 -2.262 1.112 20.820 0.512
Sesión × Grupo -0.101 0.072 -0.242 0.041 132.907 0.166

6.2 Por Protocolo (PP, N=9 completadores)

r_core_pp <- correr_mlm(df_pp, "core_z",  "CORE-OM (z) – PP")
r_bai_pp  <- correr_mlm(df_pp, "bai_z",   "BAI (z) – PP")
r_diag_pp <- correr_mlm(df_pp, "diag_z",  "Escala diagnóstica (z) – PP")

m_core_pp <- r_core_pp$modelo
m_bai_pp  <- r_bai_pp$modelo
m_diag_pp <- r_diag_pp$modelo

tabla_mlm(r_core_pp)
CORE-OM (z) – PP — N obs = 99, N participantes = 9, AIC = 258.1
Término β SE IC 2.5% IC 97.5% df p
Intercepto -0.013 0.332 -0.664 0.638 13.819 0.970
Sesión -0.178 0.029 -0.236 -0.121 90.000 0.000
Grupo -0.278 0.575 -1.406 0.850 13.819 0.637
Sesión × Grupo -0.034 0.051 -0.134 0.066 90.000 0.506 
tabla_mlm(r_bai_pp)
BAI (z) – PP — N obs = 99, N participantes = 9, AIC = 219.7
Término β SE IC 2.5% IC 97.5% df p
Intercepto 0.633 0.229 0.185 1.081 17.76 0.013
Sesión -0.146 0.025 -0.195 -0.098 90.00 0.000
Grupo -1.620 0.396 -2.395 -0.844 17.76 0.001
Sesión × Grupo 0.023 0.043 -0.061 0.108 90.00 0.588 
tabla_mlm(r_diag_pp)
Escala diagnóstica (z) – PP — N obs = 99, N participantes = 9, AIC = 360.2
Término β SE IC 2.5% IC 97.5% df p
Intercepto 0.119 0.741 -1.333 1.572 11.167 0.875
Sesión -0.275 0.048 -0.368 -0.182 90.000 0.000
Grupo -0.893 1.284 -3.409 1.623 11.167 0.501
Sesión × Grupo -0.027 0.082 -0.189 0.134 90.000 0.739

6.3 Interpretación

Los tres outcomes muestran mejorías significativas y consistentes en ambos análisis. El efecto del tiempo en escala original es:

  • CORE-OM: ~0.066 puntos por sesión → reducción de ~0.66 puntos en 10 sesiones
  • BAI: ~1.59 puntos por sesión → reducción de ~15.9 puntos en 10 sesiones
  • Escala diagnóstica: mayor efecto por sesión en z-scores (β = −0.254)

El Grupo 0 muestra niveles consistentemente más altos en BAI (efecto de nivel, no de trayectoria; β = −1.270, p < .001). Ninguna interacción tiempo × grupo alcanzó significancia estadística — no hay evidencia de eficacia diferencial con el N actual.

7. Trayectorias sesión a sesión

df_anal |>
  group_by(sesion) |>
  summarise(
    `n CORE` = sum(!is.na(core_media)),
    `CORE M`  = round(mean(core_media, na.rm=TRUE), 2),
    `CORE DE` = round(sd(core_media,   na.rm=TRUE), 2),
    `n BAI`  = sum(!is.na(bai_total)),
    `BAI M`  = round(mean(bai_total,   na.rm=TRUE), 2),
    `BAI DE` = round(sd(bai_total,     na.rm=TRUE), 2),
    `n Diag` = sum(!is.na(diag_z)),
    `Diag z M` = round(mean(diag_z,   na.rm=TRUE), 2),
    .groups = "drop"
  ) |>
  mutate(Sesión = etiquetas_sesion) |>
  select(Sesión, everything(), -sesion) |>
  kable(caption = "Medias observadas por sesión (ITT)") |>
  kable_styling(bootstrap_options = c("striped","hover","condensed"))
Medias observadas por sesión (ITT)
Sesión n CORE CORE M CORE DE n BAI BAI M BAI DE n Diag Diag z M
BL 16 1.90 0.40 16 29.69 12.06 16 0.00
S1 15 1.70 0.31 16 22.19 11.23 16 -0.57
S2 15 1.66 0.40 15 25.20 13.30 15 -0.74
S3 15 1.68 0.51 15 24.33 13.59 15 -0.41
S4 14 1.48 0.46 15 19.53 12.34 15 -1.65
S5 14 1.39 0.40 14 18.00 11.86 14 -1.54
S6 13 1.54 0.62 14 21.07 16.63 14 -1.94
S7 10 1.49 0.53 12 19.58 17.18 12 -2.25
S8 10 1.33 0.51 10 21.20 12.12 10 -1.99
S9 10 1.11 0.32 10 14.30 9.15 10 -2.99
Fin 9 1.12 0.46 9 11.89 8.46 9 -2.51

Figuras de trayectorias

medias_por_sesion <- function(datos, col) {
  datos |>
    filter(!is.na(.data[[col]])) |>
    group_by(sesion, grupo) |>
    summarise(M  = mean(.data[[col]], na.rm=TRUE),
              SE = sd(.data[[col]],   na.rm=TRUE) / sqrt(n()),
              .groups = "drop")
}

spaghetti <- function(datos, col, y_label, titulo) {
  med <- medias_por_sesion(datos, col)
  ggplot() +
    geom_line(data = datos |> filter(!is.na(.data[[col]])),
              aes(x=sesion, y=.data[[col]], group=study_id, color=grupo),
              alpha=0.2, linewidth=0.5) +
    geom_ribbon(data = med,
                aes(x=sesion, ymin=M-SE, ymax=M+SE, fill=grupo), alpha=0.2) +
    geom_line(data=med,  aes(x=sesion, y=M, color=grupo), linewidth=1.4) +
    geom_point(data=med, aes(x=sesion, y=M, color=grupo), size=2.5) +
    scale_x_continuous(breaks=0:10, labels=etiquetas_sesion) +
    scale_color_manual(values=colores) +
    scale_fill_manual(values=colores) +
    labs(title=titulo,
         subtitle="Líneas translúcidas = individuos; línea gruesa = media grupal (±1 SE)",
         x="Sesión", y=y_label, color=NULL, fill=NULL) +
    theme_minimal(base_size=12) +
    theme(legend.position="bottom")
}

g_core <- spaghetti(df_anal, "core_media", "CORE-OM media (0–4)", "CORE-OM por sesión")
g_bai  <- spaghetti(df_anal, "bai_total",  "BAI total (0–63)",    "BAI por sesión")
g_core / g_bai

df_anal |>
  select(sesion, grupo,
         "Well-being"  = core_wellbeing,
         "Problems"    = core_problems,
         "Functioning" = core_function,
         "Risk"        = core_risk) |>
  pivot_longer(cols = c("Well-being","Problems","Functioning","Risk"),
               names_to = "Subescala", values_to = "valor") |>
  filter(!is.na(valor)) |>
  group_by(sesion, Subescala) |>
  summarise(M = mean(valor, na.rm=TRUE), .groups="drop") |>
  ggplot(aes(x=sesion, y=M, color=Subescala)) +
  geom_line(linewidth=1.1) +
  geom_point(size=2) +
  scale_x_continuous(breaks=0:10, labels=etiquetas_sesion) +
  labs(title="CORE-OM: subescalas por sesión",
       x="Sesión", y="Media (0–4)", color="Subescala") +
  theme_minimal(base_size=12)

df_anal |>
  filter(!is.na(diag_z)) |>
  group_by(sesion, grupo, dg_label) |>
  summarise(M  = mean(diag_z, na.rm = TRUE),
            SE = sd(diag_z,   na.rm = TRUE) / sqrt(n()),
            .groups = "drop") |>
  ggplot(aes(x = sesion, y = M, color = grupo, fill = grupo)) +
  geom_hline(yintercept = 0, linetype = "dashed", color = "gray50") +
  geom_ribbon(aes(ymin = M - SE, ymax = M + SE), alpha = 0.15) +
  geom_line(linewidth = 1.1) +
  geom_point(size = 2.5) +
  facet_wrap(~ dg_label, ncol = 2, scales = "free_y") +
  scale_x_continuous(breaks = 0:10, labels = etiquetas_sesion) +
  scale_color_manual(values = colores) +
  scale_fill_manual(values  = colores) +
  labs(title    = "Escala diagnóstica por sesión y diagnóstico (z-score)",
       subtitle = "0 = media basal; valores negativos = mejoría; banda = ±1 SE",
       x = "Sesión", y = "Z-score", color = NULL, fill = NULL) +
  theme_minimal(base_size = 11) +
  theme(legend.position = "bottom",
        axis.text.x = element_text(angle = 45, hjust = 1))

8. Comparaciones pre-post (completadores)

tabla_prepost <- function(datos, col, etiqueta) {
  pre  <- datos |> filter(sesion==0)  |> select(study_id, pre  = all_of(col))
  post <- datos |> filter(sesion==10) |> select(study_id, post = all_of(col))
  pares <- inner_join(pre, post, by="study_id") |> drop_na()
  dif <- pares$post - pares$pre
  tt  <- t.test(pares$pre, pares$post, paired=TRUE)
  tibble(Outcome = etiqueta, N = nrow(pares),
    `M pre (DE)` = sprintf("%.2f (%.2f)", mean(pares$pre), sd(pares$pre)),
    `M post (DE)`= sprintf("%.2f (%.2f)", mean(pares$post), sd(pares$post)),
    `Δ`          = round(mean(dif), 2),
    d            = round(mean(dif)/sd(dif), 2),
    t            = round(tt$statistic, 2),
    p            = round(tt$p.value, 3))
}

bind_rows(
  tabla_prepost(df_pp, "core_media",    "CORE-OM media"),
  tabla_prepost(df_pp, "core_wellbeing","CORE-OM Wellbeing"),
  tabla_prepost(df_pp, "core_problems", "CORE-OM Problems"),
  tabla_prepost(df_pp, "core_function", "CORE-OM Functioning"),
  tabla_prepost(df_pp, "core_risk",     "CORE-OM Risk"),
  tabla_prepost(df_pp, "bai_total",     "BAI"),
  tabla_prepost(df_pp, "stai_e_total",  "STAI-E"),
  tabla_prepost(df_pp, "stai_r_total",  "STAI-R"),
  tabla_prepost(df_pp, "bdi_total",     "BDI"),
  tabla_prepost(df_pp, "oasis_total",   "OASIS"),
  tabla_prepost(df_pp, "qols_total",    "QOLS total"),
  tabla_prepost(df_pp, "qols_f1",       "QOLS Factor 1"),
  tabla_prepost(df_pp, "qols_f2",       "QOLS Factor 2"),
  tabla_prepost(df_pp, "qols_f3",       "QOLS Factor 3")
) |>
  kable(caption = "Comparaciones pre–post (completadores, n = 9)") |>
  kable_styling(bootstrap_options = c("striped","hover","condensed")) |>
  footnote(general = "d = d de Cohen para medidas repetidas (Δ/DE_dif). QOLS: mayor = mejor calidad de vida.")
Comparaciones pre–post (completadores, n = 9)
Outcome N M pre (DE) M post (DE) Δ d t p
CORE-OM media 9 1.95 (0.45) 1.12 (0.46) -0.82 -1.66 4.97 0.001
CORE-OM Wellbeing 9 2.25 (0.71) 1.36 (0.52) -0.89 -1.39 4.17 0.003
CORE-OM Problems 9 2.46 (0.54) 1.44 (0.68) -1.03 -1.70 5.11 0.001
CORE-OM Functioning 9 1.85 (0.35) 1.22 (0.53) -0.63 -1.27 3.82 0.005
CORE-OM Risk 9 0.91 (0.65) 0.15 (0.23) -0.76 -1.18 3.53 0.008
BAI 9 34.22 (11.69) 11.89 (8.46) -22.33 -2.25 6.75 0.000
STAI-E 9 33.22 (9.31) 22.67 (10.56) -10.56 -1.19 3.57 0.007
STAI-R 9 39.56 (6.37) 27.67 (12.31) -11.89 -1.10 3.30 0.011
BDI 9 22.67 (7.98) 16.33 (9.50) -6.33 -0.84 2.51 0.036
OASIS 9 10.22 (1.99) 5.67 (2.96) -4.56 -1.90 5.69 0.000
QOLS total 9 75.44 (13.82) 82.56 (13.91) 7.11 0.77 -2.32 0.049
QOLS Factor 1 9 34.67 (6.52) 38.89 (6.17) 4.22 0.70 -2.11 0.068
QOLS Factor 2 9 17.78 (3.80) 19.22 (4.21) 1.44 0.64 -1.93 0.089
QOLS Factor 3 9 23.00 (6.04) 24.44 (5.00) 1.44 0.52 -1.55 0.159
Note:
d = d de Cohen para medidas repetidas (Δ/DE_dif). QOLS: mayor = mejor calidad de vida.

Todos los outcomes de síntomas mejoraron significativamente. Los tamaños de efecto son grandes a muy grandes (|d| entre 0.77 y 2.25). La calidad de vida (QOLS) mejoró significativamente en el total (p = .049), aunque ningún factor individual alcanzó significancia.

Nota: Estos tamaños de efecto corresponden a comparaciones pre-post sin grupo control y solo en completadores — ambos factores inflan las estimaciones.

9. Significancia clínica (RCI)

calcular_rci <- function(datos, col, alpha_c, etiqueta) {
  pre  <- datos |> filter(sesion==0)  |> select(study_id, pre  = all_of(col))
  post <- datos |> filter(sesion==10) |> select(study_id, post = all_of(col))
  pares <- inner_join(pre, post, by="study_id") |> drop_na()
  sd_pre  <- sd(pares$pre)
  se_diff <- sd_pre * sqrt(2 * (1 - alpha_c))
  pares |>
    mutate(diferencia = post - pre,
           SID = round(diferencia / sd_pre,  2),
           RCI = round(diferencia / se_diff, 2),
           Estado = case_when(
             RCI < -1.96 ~ "Mejora confiable",
             RCI >  1.96 ~ "Deterioro confiable",
             TRUE        ~ "Sin cambio confiable"
           ))
}

rci_core <- calcular_rci(df_pp, "core_media", alpha_core, "CORE-OM")
rci_bai  <- calcular_rci(df_pp, "bai_total",  alpha_bai,  "BAI")

El Índice de Cambio Confiable (Jacobson & Truax, 1991) determina si el cambio individual supera el error de medición:

\[RCI = \frac{post - pre}{SE_{diff}}, \quad SE_{diff} = SD_{pre} \cdot \sqrt{2(1-\alpha)}\]

CORE-OM (SD_pre = 0.448, α = 0.867, SE_diff = 0.231):

rci_core |>
  select(study_id, pre, post, SID, RCI, Estado) |>
  mutate(study_id = paste0("P0", row_number())) |>
  rename(Participante = study_id, Pre = pre, Post = post) |>
  kable(caption = "RCI individual – CORE-OM") |>
  kable_styling(bootstrap_options = c("striped","hover","condensed"), full_width = FALSE) |>
  row_spec(which(rci_core$Estado == "Mejora confiable"), background = "#d4edda") |>
  row_spec(which(rci_core$Estado == "Sin cambio confiable"), background = "#fff3cd")
RCI individual – CORE-OM
Participante Pre Post SID RCI Estado
P01 2.117647 1.1470588 -2.17 -4.19 Mejora confiable
P02 2.117647 1.2941176 -1.84 -3.56 Mejora confiable
P03 2.382353 0.3529412 -4.53 -8.77 Mejora confiable
P04 2.147059 1.6176471 -1.18 -2.29 Mejora confiable
P05 1.352941 0.9705882 -0.85 -1.65 Sin cambio confiable
P06 1.029412 0.4705882 -1.25 -2.42 Mejora confiable
P07 2.205882 1.2352941 -2.17 -4.19 Mejora confiable
P08 2.000000 1.4117647 -1.31 -2.54 Mejora confiable
P09 2.176471 1.6176471 -1.25 -2.42 Mejora confiable

BAI (SD_pre = 11.692, α = 0.912): 9/9 completadores (100%) mostraron mejora confiable. RCI van de -9.16 a -2.04.

Figura RCI individual

rci_plot    <- rci_core |> left_join(bl |> select(study_id, grupo), by="study_id")
sd_pre_core <- sd(rci_plot$pre)
se_diff_rci <- sd_pre_core * sqrt(2 * (1 - alpha_core))

ggplot(rci_plot, aes(x=pre, y=post, color=Estado, shape=grupo)) +
  geom_abline(intercept=0,                   slope=1, linetype="dashed",  color="gray60") +
  geom_abline(intercept= 1.96*se_diff_rci,   slope=1, linetype="dotted", color="#1B7837", alpha=0.7) +
  geom_abline(intercept=-1.96*se_diff_rci,   slope=1, linetype="dotted", color="#1B7837", alpha=0.7) +
  geom_point(size=3.5) +
  scale_color_manual(values = c(
    "Mejora confiable"     = "#1B7837",
    "Sin cambio confiable" = "#E08214",
    "Deterioro confiable"  = "#D6604D")) +
  scale_shape_manual(values = c("Grupo 0"=16, "Grupo 1"=17)) +
  labs(title="Cambio individual pre–post: CORE-OM",
       subtitle="Línea punteada = no cambio. Líneas verdes = umbral RCI (±1.96)",
       x="CORE-OM pre", y="CORE-OM post", color="Estado", shape="Grupo") +
  theme_minimal(base_size=12)

df_anal |>
  filter(sesion %in% c(0,10), !is.na(core_media)) |>
  mutate(Momento = factor(ifelse(sesion==0,"Pre","Post"), levels=c("Pre","Post"))) |>
  ggplot(aes(x=Momento, y=core_media, fill=grupo)) +
  geom_boxplot(alpha=0.5, outlier.shape=NA, width=0.4, position=position_dodge(0.6)) +
  geom_point(aes(color=grupo), position=position_dodge(0.6), size=2, alpha=0.8) +
  scale_fill_manual(values=colores) +
  scale_color_manual(values=colores) +
  labs(title="CORE-OM: distribución pre y post por grupo",
       x="Momento", y="CORE-OM media", fill=NULL, color=NULL) +
  theme_minimal(base_size=12) +
  theme(legend.position="bottom")

10. Análisis de subescalas

10.1 Subescalas del CORE-OM

r_wb <- correr_mlm(df_anal, "core_wellbeing", "CORE-OM Wellbeing – ITT")
r_ps <- correr_mlm(df_anal, "core_problems",  "CORE-OM Problems – ITT")
r_fn <- correr_mlm(df_anal, "core_function",  "CORE-OM Functioning – ITT")
r_rk <- correr_mlm(df_anal, "core_risk",      "CORE-OM Risk – ITT")

tabla_mlm(r_wb)
CORE-OM Wellbeing – ITT — N obs = 141, N participantes = 16, AIC = 225.6
Término β SE IC 2.5% IC 97.5% df p
Intercepto 2.466 0.183 2.108 2.825 23.406 0.000
Sesión -0.064 0.017 -0.096 -0.031 127.538 0.000
Grupo -0.111 0.258 -0.616 0.394 23.449 0.670
Sesión × Grupo -0.029 0.027 -0.082 0.025 129.974 0.297 
tabla_mlm(r_ps)
CORE-OM Problems – ITT — N obs = 141, N participantes = 16, AIC = 176.3
Término β SE IC 2.5% IC 97.5% df p
Intercepto 2.522 0.159 2.211 2.834 22.854 0.000
Sesión -0.080 0.014 -0.107 -0.053 127.580 0.000
Grupo -0.401 0.224 -0.840 0.038 22.864 0.087
Sesión × Grupo -0.042 0.023 -0.087 0.003 129.709 0.067 
tabla_mlm(r_fn)
CORE-OM Functioning – ITT — N obs = 141, N participantes = 16, AIC = 155.3
Término β SE IC 2.5% IC 97.5% df p
Intercepto 1.830 0.127 1.581 2.079 25.926 0.000
Sesión -0.057 0.013 -0.083 -0.031 127.295 0.000
Grupo 0.122 0.179 -0.229 0.473 26.135 0.502
Sesión × Grupo -0.017 0.022 -0.059 0.025 131.081 0.433 
tabla_mlm(r_rk)
CORE-OM Risk – ITT — N obs = 141, N participantes = 16, AIC = 74.3
Término β SE IC 2.5% IC 97.5% df p
Intercepto 0.836 0.113 0.616 1.057 23.431 0.000
Sesión -0.061 0.010 -0.080 -0.042 128.112 0.000
Grupo -0.571 0.159 -0.883 -0.260 23.426 0.001
Sesión × Grupo 0.026 0.016 -0.005 0.057 130.028 0.102

El hallazgo más notable es el efecto de grupo en Risk (β = -0.571, p = .001): el Grupo 0 tenía niveles significativamente más altos de riesgo a lo largo de todo el tratamiento.

10.2 LSAS: miedo vs. evitación (Ansiedad Social, n=9)

dg1 <- df_anal |> filter(dg == 1)
r_lsas_m <- correr_mlm(dg1, "lsas_miedo_z",     "LSAS Miedo (z)")
r_lsas_e <- correr_mlm(dg1, "lsas_evitacion_z", "LSAS Evitación (z)")

tabla_mlm(r_lsas_m)
LSAS Miedo (z) — N obs = 72, N participantes = 8, AIC = 220.8
Término β SE IC 2.5% IC 97.5% df p
Intercepto 0.389 0.613 -0.813 1.590 11.022 0.539
Sesión -0.104 0.050 -0.202 -0.006 64.078 0.041
Grupo -0.295 0.783 -1.828 1.239 11.406 0.714
Sesión × Grupo -0.127 0.077 -0.278 0.025 65.267 0.107 
tabla_mlm(r_lsas_e)
LSAS Evitación (z) — N obs = 72, N participantes = 8, AIC = 206
Término β SE IC 2.5% IC 97.5% df p
Intercepto -0.119 0.662 -1.416 1.179 9.883 0.861
Sesión -0.194 0.044 -0.280 -0.108 64.084 0.000
Grupo 0.327 0.842 -1.324 1.979 10.117 0.706
Sesión × Grupo -0.062 0.068 -0.196 0.071 64.851 0.364

La evitación mejora casi al doble de velocidad que el miedo (β = −0.194 vs. −0.104 por sesión), y ambas alcanzan significancia estadística (evitación p < .001, miedo p = .041). Este patrón es consistente con que la evitación disminuye antes que la ansiedad o el miedo.

dg1 |>
  filter(!is.na(lsas_miedo_z), !is.na(lsas_evitacion_z)) |>
  select(study_id, sesion, grupo,
         Miedo = lsas_miedo_z, Evitación = lsas_evitacion_z) |>
  pivot_longer(c(Miedo, Evitación), names_to="Subescala", values_to="z") |>
  group_by(sesion, Subescala) |>
  summarise(M  = mean(z, na.rm=TRUE),
            SE = sd(z,   na.rm=TRUE) / sqrt(n()), .groups="drop") |>
  ggplot(aes(x=sesion, y=M, color=Subescala, fill=Subescala)) +
  geom_hline(yintercept=0, linetype="dashed", color="gray50") +
  geom_ribbon(aes(ymin=M-SE, ymax=M+SE), alpha=0.15) +
  geom_line(linewidth=1.2) +
  geom_point(size=2.5) +
  scale_x_continuous(breaks=0:10, labels=etiquetas_sesion) +
  scale_color_manual(values=c("Miedo"="#D6604D","Evitación"="#2166AC")) +
  scale_fill_manual(values =c("Miedo"="#D6604D","Evitación"="#2166AC")) +
  labs(title="LSAS: miedo vs. evitación (Ansiedad Social, n = 9)",
       subtitle="Z-scores; 0 = media basal",
       x="Sesión", y="Z-score", color=NULL, fill=NULL) +
  theme_minimal(base_size=12)

11. Satisfacción del cliente (CSQ-8)

df_anal |>
  filter(sesion==10, !is.na(csq_total)) |>
  group_by(grupo) |>
  summarise(n=n(), M=round(mean(csq_total),2), DE=round(sd(csq_total),2),
            Min=min(csq_total), Max=max(csq_total), .groups="drop") |>
  kable(caption="Satisfacción CSQ-8 (completadores; rango 8–32, mayor = más satisfecho)") |>
  kable_styling(bootstrap_options=c("striped","hover","condensed"), full_width=FALSE)
Satisfacción CSQ-8 (completadores; rango 8–32, mayor = más satisfecho)
grupo n M DE Min Max
Grupo 0 6 26.33 5.24 19 32
Grupo 1 3 30.67 1.15 30 32

La satisfacción promedio fue alta en ambos grupos (>85% del máximo posible). Con solo 3 completadores en Grupo 1, no es posible hacer comparaciones estadísticas.

12. Análisis de sensibilidad

12.1 Imputación múltiple (MAR)

df_completo <- df_anal |>
  select(study_id, sesion, randomization_group, dg, grupo,
         core_media, bai_total, diag_z) |>
  tidyr::complete(study_id, sesion = 0:10) |>
  group_by(study_id) |>
  mutate(
    randomization_group = first(na.omit(randomization_group)),
    dg    = first(na.omit(dg)),
    grupo = first(na.omit(grupo))
  ) |>
  ungroup()

imp2 <- mice(df_completo, m=20, method="pmm", maxit=10, seed=123, printFlag=FALSE)

pool_core2 <- pool(with(imp2,
  lmer(core_media ~ sesion + randomization_group +
         sesion:randomization_group + (1|study_id), REML=FALSE)))

pool_bai2  <- pool(with(imp2,
  lmer(bai_total ~ sesion + randomization_group +
         sesion:randomization_group + (1|study_id), REML=FALSE)))

pool_diag2 <- pool(with(imp2,
  lmer(diag_z ~ sesion + randomization_group +
         sesion:randomization_group + (1|study_id), REML=FALSE)))

beta_core_mice_z <- summary(pool_core2)$estimate[2] / s_core
beta_bai_mice_z  <- summary(pool_bai2)$estimate[2]  / s_bai
tibble(
  Outcome     = c("CORE-OM (convertido a z)","BAI (convertido a z)","Escala diagnóstica"),
  `lmer original (z/sesión)` = c(
    round(fixef(m_core_itt)["sesion"], 3),
    round(fixef(m_bai_itt)["sesion"],  3),
    round(fixef(m_diag_itt)["sesion"], 3)),
  `mice MAR (z/sesión)` = c(
    round(beta_core_mice_z, 3),
    round(beta_bai_mice_z,  3),
    round(summary(pool_diag2)$estimate[2], 3))
) |>
  kable(caption="Comparación β sesión: lmer original vs. imputación múltiple MAR") |>
  kable_styling(bootstrap_options=c("striped","hover","condensed"), full_width=FALSE) |>
  footnote(general="CORE-OM y BAI mice corren en escala original; se dividen por su DE basal (s_core = 0.40, s_bai = 12.06) para comparabilidad con los modelos en z.")
Comparación β sesión: lmer original vs. imputación múltiple MAR
Outcome lmer original (z/sesión) mice MAR (z/sesión)
CORE-OM (convertido a z) -0.164 -0.163
BAI (convertido a z) -0.132 -0.120
Escala diagnóstica -0.254 -0.252
Note:
CORE-OM y BAI mice corren en escala original; se dividen por su DE basal (s_core = 0.40, s_bai = 12.06) para comparabilidad con los modelos en z.

Los tres outcomes muestran alta robustez ante la deserción bajo el supuesto MAR. Los coeficientes son prácticamente idénticos entre el modelo original y la imputación múltiple: CORE-OM (−0.164 vs. −0.163), BAI (−0.132 vs. −0.120) y escala diagnóstica (−0.254 vs. −0.252). Todos mantienen significancia estadística (p < .001), lo que sugiere que los resultados no dependen críticamente del patrón de datos faltantes bajo MAR.

12.2 Tipping Point (MNAR)

delta_core <- c(0, 0.25, 0.5, 0.75, 1.0, 1.5, 2.0)
delta_bai  <- c(0, 2, 4, 6, 8, 10, 15)
delta_diag <- c(0, 0.25, 0.5, 0.75, 1.0, 1.5, 2.0)

tp_core <- map_dfr(delta_core, function(d) {
  df_p <- df_completo |>
    mutate(y = if_else(!is.na(core_media), core_media, m_core + d))
  m    <- lmer(y ~ sesion + randomization_group + sesion:randomization_group +
                 (1|study_id), data=df_p, REML=FALSE)
  c_   <- summary(m)$coefficients
  tibble(δ=d, β=round(c_["sesion","Estimate"],3), p=round(c_["sesion","Pr(>|t|)"],4))
})

tp_bai <- map_dfr(delta_bai, function(d) {
  df_p <- df_completo |>
    mutate(y = if_else(!is.na(bai_total), bai_total, m_bai + d))
  m    <- lmer(y ~ sesion + randomization_group + sesion:randomization_group +
                 (1|study_id), data=df_p, REML=FALSE)
  c_   <- summary(m)$coefficients
  tibble(δ=d, β=round(c_["sesion","Estimate"],3), p=round(c_["sesion","Pr(>|t|)"],4))
})

tp_diag <- map_dfr(delta_diag, function(d) {
  df_p <- df_completo |>
    mutate(y = if_else(!is.na(diag_z), diag_z, 0 + d))
  m    <- lmer(y ~ sesion + randomization_group + sesion:randomization_group +
                 (1|study_id), data=df_p, REML=FALSE)
  c_   <- summary(m)$coefficients
  tibble(δ=d, β=round(c_["sesion","Estimate"],3), p=round(c_["sesion","Pr(>|t|)"],4))
})
tp_core |>
  kable(caption="Tipping Point – CORE-OM (δ en puntos de CORE-OM sobre la media basal)") |>
  kable_styling(bootstrap_options=c("striped","hover","condensed"), full_width=FALSE) |>
  row_spec(nrow(tp_core), bold=TRUE, background="#f8d7da")
Tipping Point – CORE-OM (δ en puntos de CORE-OM sobre la media basal)
δ β p
0.00 -0.058 0.0000
0.25 -0.055 0.0000
0.50 -0.053 0.0001
0.75 -0.050 0.0010
1.00 -0.047 0.0048
1.50 -0.041 0.0381
2.00 -0.036 0.1278 
tp_bai |>
  kable(caption=paste0("Tipping Point – BAI (δ en puntos BAI sobre la media basal = ",
    round(m_bai,2), ")")) |>
  kable_styling(bootstrap_options=c("striped","hover","condensed"), full_width=FALSE)
Tipping Point – BAI (δ en puntos BAI sobre la media basal = 29.69)
δ β p
0 -1.305 0.0000
2 -1.273 0.0001
4 -1.241 0.0001
6 -1.210 0.0003
8 -1.178 0.0007
10 -1.146 0.0014
15 -1.066 0.0059 
tp_diag |>
  kable(caption="Tipping Point – Escala diagnóstica (δ en unidades DE sobre la media basal = 0)") |>
  kable_styling(bootstrap_options=c("striped","hover","condensed"), full_width=FALSE)
Tipping Point – Escala diagnóstica (δ en unidades DE sobre la media basal = 0)
δ β p
0.00 -0.212 0.0000
0.25 -0.208 0.0000
0.50 -0.204 0.0001
0.75 -0.200 0.0001
1.00 -0.196 0.0002
1.50 -0.188 0.0006
2.00 -0.180 0.0018 
bind_rows(
  tp_core |> mutate(Outcome="CORE-OM", delta_norm = δ / 4),
  tp_bai  |> mutate(Outcome="BAI",     delta_norm = δ / 63),
  tp_diag |> mutate(Outcome="Escala diagnóstica", delta_norm = δ / 3)
) |>
  ggplot(aes(x=δ, y=p, color=Outcome)) +
  geom_hline(yintercept=0.05, linetype="dashed", color="red", alpha=0.7) +
  geom_line(linewidth=1.1) +
  geom_point(size=2.5) +
  facet_wrap(~Outcome, scales="free_x") +
  labs(title="Análisis de Tipping Point por outcome",
       subtitle="Línea roja = umbral p = .05",
       x="δ (penalización sobre la media basal)", y="p-valor", color=NULL) +
  theme_minimal(base_size=12) +
  theme(legend.position="none")

El análisis de tipping point aborda una limitación del análisis MAR: ¿qué pasaría si los participantes que abandonaron no mejoraron, sino que empeoraron? Bajo el supuesto MNAR (Missing Not At Random), los datos faltantes no son aleatorios — los que abandonan podrían hacerlo precisamente porque no están mejorando. Para evaluar la robustez de los resultados ante este escenario, se imputa un valor pesimista para cada sesión faltante: la media basal de cada participante más un incremento δ (delta), que representa cuánto peor estarían los abandonos respecto a su nivel inicial. Se prueban distintos valores de δ, desde 0 (sin penalización, equivalente a MAR) hasta valores progresivamente más extremos, y se registra en qué punto el efecto del tiempo deja de ser estadísticamente significativo (p > .05). Un δ alto necesario para perder significancia indica un resultado robusto — significaría que los abandonos tendrían que haber empeorado de forma clínicamente implausible para que el efecto desaparezca.

Los tres outcomes muestran alta robustez ante el escenario MNAR. El CORE-OM pierde significancia en δ = 2.0 puntos sobre la media basal, lo que equivale a un puntaje medio de ~3.90 sobre 4 — prácticamente el máximo de la escala, un escenario clínicamente implausible. El BAI se mantiene significativo incluso cuando se asume que los abandonos empeoraron 15 puntos sobre su media basal (p = .006), lo que representa un deterioro severo y sostenido. La escala diagnóstica mantiene significancia hasta δ = 2.0 desviaciones estándar sobre la media basal (p = .002), también un escenario extremo. En conjunto, los resultados son robustos ante supuestos MNAR razonables.

13. Discusión e implicancias

13.1 Hallazgos principales

Los resultados son consistentemente positivos en cuanto a cambio sintomático general. Los tres outcomes principales muestran mejorías estadísticamente significativas y clínicamente relevantes. El 88.9% de los completadores mostró mejora confiable en CORE-OM y el 100% en BAI por criterio RCI.

No se encontró evidencia de eficacia diferencial entre los grupos en los outcomes primarios. La potencia estadística del piloto es insuficiente para descartar diferencias reales — se necesitan más participantes por grupo para detectar interacciones de tamaño moderado.

13.2 Hallazgos secundarios relevantes

El patrón de mejora diferencial en LSAS miedo vs. evitación es un hallazgo conceptualmente interesante. La evitación mejora casi al doble de velocidad que el miedo (β = −0.194 vs. −0.104 por sesión), y aunque ambas alcanzan significancia estadística (evitación p < .001, miedo p = .041), la magnitud del efecto es sustancialmente mayor para la evitación. Este patrón es consistente con la idea de que la evitación disminuye antes que la ansiedad o el miedo y justifica medir ambas subescalas por separado en el estudio completo.

13.3 Deserción

La tasa de 47.1% es alta y sistemática: mayor abandono en Grupo 1, concentrado en Ansiedad Social. El estudio completo podría incluir monitoreo activo de deserción diferencial. Ningún predictor basal alcanzó significancia estadística, aunque el BAI basal mostró una tendencia (p = .084) en dirección paradójica: los que completaron tenían más ansiedad al inicio (M = 34.22) que los que abandonaron (M = 23.86), lo que sugiere que la motivación para el cambio podría estar positivamente relacionada con la severidad inicial.

14. Limitaciones

Tamaño muestral reducido. Con el N actual (9 completadores), todos los resultados son preliminares. Los intervalos de confianza son amplios y la potencia para detectar interacciones es muy baja.

Deserción diferencial. El 47.1% de abandono, concentrado en un grupo y diagnóstico específico, compromete la validez interna de la comparación entre grupos.

STAI-R alpha moderado (.742). La consistencia interna más baja de todos los instrumentos podría afectar la precisión de las estimaciones.

15. Análisis sugeridos para el estudio completo

Pre-registrados pendientes:

  • Modelos de tres niveles (observaciones → participantes → terapeutas)
  • Efectos no lineales del tiempo (término cuadrático o curvas de crecimiento latente)
  • Análisis de mediación con bootstrapping
  • Análisis de moderación (género, diagnóstico, severidad basal, ACE-IQ)
  • Análisis de seguimiento a 6, 12 y 18 meses

Adicionales recomendados:

  • Supervivencia/tiempo al abandono (Kaplan-Meier + Cox)

En lugar de solo preguntar “¿completó el paciente o no?”, analiza cuándo abandonó cada participante. Kaplan-Meier produce una curva que muestra la probabilidad de seguir en tratamiento semana a semana. Cox permite modelar qué variables predicen el momento del abandono (severidad basal, diagnóstico, grupo). Con el N actual no tiene sentido, pero con una mayor cantidad de participantes podría ser muy informativo — por ejemplo, si el abandono se concentra en las primeras 3 sesiones, eso tiene implicancias distintas que si ocurre al final.

  • Identificación de respondedores tempranos (≥20% reducción en S1-S2)

Existe evidencia de que los pacientes que muestran mejoría rápida en las primeras 1-2 sesiones tienen mejores resultados al final. Se define un umbral — por ejemplo, 20-25% de reducción — y se compara el resultado final entre respondedores tempranos y tardíos. Es relevante para los tratamientos de exposición porque podría predecir quién se beneficiará en mayor medida.

  • Variabilidad intraindividual (DE within-person)

En lugar de solo mirar la trayectoria promedio de cada persona, es posible calcular cuánto fluctúan sus puntajes sesión a sesión. Alguien que baja de 40 a 10 de forma monotónica es distinto a alguien que oscila entre 40 y 15 a lo largo del tratamiento. Alta variabilidad intraindividual podría indicar inestabilidad terapéutica o mayor sensibilidad a eventos externos. Se calcula la SD de los puntajes de cada participante a lo largo de sus sesiones y se usa como variable de resultado o moderador.

  • Análisis de dosis-respuesta con GAM

Los modelos mixtos que usamos asumen que el cambio es lineal — cada sesión produce el mismo beneficio incremental. Un GAM (Generalized Additive Model) permite que la curva de cambio tenga cualquier forma, capturando por ejemplo un descenso rápido inicial que se aplana, o un período de plateau seguido de nueva mejoría. Con el N actual no hay datos suficientes para estimar curvas flexibles, pero con el estudio completo permitiría modelar la “dosis óptima” de tratamiento y si hay un punto de rendimientos decrecientes.

16. Notas técnicas y decisiones de scoring

Ítems invertidos por escala
Escala Ítems invertidos Fórmula
STAI-E 1, 2, 5, 8, 10, 11, 15, 16, 19, 20 3 − x
STAI-R 1, 6, 7, 10, 13, 16, 19 3 − x
CORE-OM 3, 4, 7, 12, 19, 21, 31, 32 4 − x
Ítems excluidos del puntaje total
Escala Ítem excluido Razón
BDI bdi_s_2 Pregunta binaria de dieta
GAD gad_8 No pertenece a la escala GAD-7 original
PAS pas_u Variable de caracterización, no de severidad
DSM-5 Phobia dsm5_phobia_0 Ítem categórico de tipo de fobia
Subescalas del CORE-OM
Subescala Ítems
Subjective Well-being 4, 14, 17, 31
Problems/Symptoms 2, 5, 8, 11, 13, 15, 18, 20, 23, 27, 28, 30
Functioning 1, 3, 7, 10, 12, 19, 21, 25, 26, 29, 32, 33
Risk 6, 9, 16, 22, 24, 34

Las subescalas se calculan como medias (no sumas) para comparabilidad entre subescalas con distinto número de ítems.

Software: R 4.5.1 con tidyverse, lme4, lmerTest, psych, mice, patchwork, kableExtra. Script completo disponible como analisis_piloto_final.R.

Fin del reporte.