En un mundo donde la salud mental ocupa un lugar cada vez más prioritario, surge una pregunta intrigante: ¿Es posible anticiparse a los trastornos mentales antes de que aparezcan? Si bien los diagnósticos clínicos han dependido históricamente de la observación de síntomas ya manifestados, hoy en día, herramientas como el aprendizaje automático y el análisis de grandes volúmenes de datos comienzan a ofrecer nuevas alternativas. Pero, ¿hasta qué punto es posible que estas predicciones se consideren fiables y útiles en la práctica clínica? Veámoslo.
El desafío de predecir trastornos mentales
La respuesta de cada individuo a un tratamiento en salud mental puede ser radicalmente diferente. Precisamente, muchos pacientes no mejoran tras el primer intento terapéutico, y el proceso para encontrar una intervención efectiva suele implicar un camino de prueba y error. En este contexto, surge la necesidad urgente de herramientas que permitan predecir, de forma más precisa, qué tipo de intervención será más adecuada desde el inicio del tratamiento en un trastorno mental.
A pesar de que se han propuesto diversos predictores —desde medidas neuroquímicas hasta cuestionarios clínicos—, aún se carece de biomarcadores consistentes que permitan anticipar de manera fiable la evolución de un trastorno o la respuesta a una terapia. En efecto, la falta de replicabilidad entre estudios, el uso de muestras pequeñas y la ausencia de validación externa han contribuido a dicha dificultad.
Limitaciones de los enfoques tradicionales
Gran parte de la investigación psiquiátrica tradicional se ha centrado en comparar grupos diagnósticos mediante pruebas de hipótesis que, si bien útiles para la teoría, no siempre son aplicables a casos individuales. Además, el uso excesivo de valores p ha sido ampliamente criticado, así como la dificultad para generalizar resultados más allá del entorno de estudio. En respuesta a las mencionadas limitaciones, el uso de enfoques predictivos, como el aprendizaje automático, ha comenzado a ganar terreno.
Big data y salud mental: ¿Una alianza prometedora?
El aprendizaje automático permite analizar grandes volúmenes de datos para identificar patrones complejos, a menudo invisibles para el ojo humano. En el ámbito de la salud mental, implica la posibilidad de combinar información clínica, sociodemográfica, neurocognitiva o incluso genética para poder anticipar la aparición de un trastorno o la respuesta a un tratamiento.
A diferencia de los métodos tradicionales centrados en la explicación de por qué ocurren los fenómenos, el enfoque de machine learning se basa en la predicción. Lo anterior significa que, no se trata tanto de entender por qué sucede algo, sino de predecir qué podría pasar.
Aunque estos modelos no siempre explican en detalle sus razonamientos, su valor está en que suelen acertar. Además, es posible programarlos para priorizar ciertos errores según el contexto. En contextos clínicos, un falso negativo (no detectar a alguien en riesgo) puede tener consecuencias más graves que un falso positivo. Debido a ello, los modelos más sofisticados incluyen medidas como el regret, que ajusta la penalización de los errores según su impacto clínico. Por ejemplo, si el objetivo es detectar casos graves de depresión, el sistema se diseñará para ser especialmente cuidadoso con no dejar pasar ningún caso importante, incluso si eso implica algunas falsas alarmas.
¿Qué tipo de datos se utilizan?
Los algoritmos de predicción se alimentan de una amplia variedad de fuentes: desde cuestionarios autorreportados hasta imágenes cerebrales, registros de actividad física, historial médico, características laborales, entre otros. Así, es posible que se desarrollen modelos más completos y personalizados, capaces de adaptarse a diferentes poblaciones y contextos.
Un ejemplo ilustrativo proviene del uso de datos laborales. En tales casos, variables como la edad, el tipo de empresa, la historia familiar de trastornos mentales o el acceso a servicios de salud psicológica pueden ser incorporadas en las predicciones. Lo dicho permite no solo anticipar un posible diagnóstico, también orientar políticas de prevención dentro de las organizaciones.
Estudio en foco: ¿Qué predicen los algoritmos?
Una investigación desarrollada por Katarya y Maan (2020) exploró precisamente la mencionada posibilidad. A partir de una encuesta aplicada a profesionales de empresas tecnológicas y no tecnológicas, los autores utilizaron diversas técnicas de aprendizaje automático supervisado para identificar qué variables podían predecir la presencia de trastornos mentales.
Hallazgos clave del estudio
Entre los algoritmos aplicados, los que mostraron mayor precisión fueron la regresión logística y el árbol de decisión, ambos con un 84 % de exactitud. Sin embargo, el árbol de decisión destacó por su mejor equilibrio entre precisión y recuperación de casos.
Al evaluar la importancia de cada variable, los autores encontraron que los antecedentes personales y familiares eran los predictores más sólidos de la presencia de trastornos. En contraste, factores como el tipo de empresa o la edad mostraron un peso relativamente bajo. Algo que refuerza la idea de que, si bien el contexto laboral influye, la historia individual sigue siendo el eje central del riesgo.
Además, el modelo utilizado también sirve como ejemplo de cómo las empresas podrían implementar estrategias preventivas basadas en la evidencia. Por ejemplo, identificar perfiles de riesgo para ofrecer intervenciones tempranas o adaptar políticas internas que fomenten el bienestar psicológico en el lugar de trabajo.
Desafíos y oportunidades de la predicción clínica
A pesar del entusiasmo, no todo lo que brilla es oro. Como advierten Gillan y Whelan (2017), gran parte de lo desarrollado hasta ahora en psiquiatría no cumple con los estándares mínimos de validación externa. De hecho, muchos se construyen sobre muestras pequeñas y no se prueban en poblaciones diferentes a las que fueron entrenados.
Lo mencionado representa un riesgo importante: grandes oportunidades de que un modelo que parece prometedor en un entorno controlado falle estrepitosamente en la práctica clínica real.
De allí la importancia de dividir los datos en conjuntos de entrenamiento, validación y prueba. O incluso mejor, utilizar datos externos recolectados independientemente para evaluar su generalización.
Integrar modelos con sentido clínico
El avance hacia una medicina personalizada en salud mental no depende únicamente de tener más datos. También requiere una integración cuidadosa entre el aprendizaje automático y el conocimiento clínico. En este sentido, los enfoques teóricos, como la psiquiatría computacional, ayudarán a interpretar los resultados y orientar el desarrollo de intervenciones más precisas.
Por otra parte, la colaboración entre centros de investigación, el uso de herramientas de código abierto y la estandarización de los instrumentos utilizados facilitarán la comparación de resultados y la construcción de modelos más robustos. En efecto, la integración de datos multivariados podría mejorar sustancialmente la capacidad predictiva de los modelos actuales.
Entre la promesa y la cautela
Sin lugar a dudas, la posibilidad de predecir un trastorno antes de que se manifieste por completo representa un cambio de paradigma en salud mental. Distintos estudios muestran que, incluso con variables simples y accesibles, los algoritmos alcanzan niveles de precisión considerables. Pero, a su vez, se advierte sobre la importancia de no sacrificar la validez científica en busca de resultados rápidos.
Queda un largo camino por recorrer antes de que estas herramientas puedan incorporarse plenamente a la práctica clínica. Sin embargo, el potencial es innegable. ¿Será posible algún día anticipar, con suficiente certeza, quién desarrollará un trastorno mental? Y si lo fuera, ¿estamos preparados para actuar sobre esa predicción de manera ética, efectiva y humana?
Referencias bibliográficas
- Gillan, C. M. y Whelan, R. (2017). What big data can do for treatment in psychiatry. Current Opinion in Behavioral Sciences, 18, 34-42. https://doi.org/10.1016/j.cobeha.2017.07.003
- Katarya, R. y Maan, S. (2020). Predicting mental health disorders using machine learning for employees in technical and non-technical companies. 2020 IEEE International Conference on Advances and Developments in Electrical and Electronics Engineering (ICADEE). https://doi.org/10.1109/ICADEE51157.2020.9368923
+598 99 777 242
