Generative AI Purpose-built for Social and Mental Health: A Real-World Pilot

Resumen Técnico: IA Generativa Diseñada para el Bienestar Social y la Salud Mental: Un Piloto en el Mundo Real

Planteamiento del Problema
Los desafíos de salud mental siguen siendo una de las principales causas de discapacidad a nivel mundial, con barreras significativas para la atención que incluyen la lejanía geográfica, las limitaciones financieras, la escasez de profesionales y el estigma. Aunque las intervenciones digitales han mejorado la accesibilidad, la mayoría de las investigaciones se han centrado en la terapia por video en vivo o en chatbots basados en reglas con personalización limitada. Si bien estudios preliminares sugieren que los chatbots basados en Modelos de Lenguaje Extensos (LLM) ofrecen potencial para conversaciones naturales y personalizadas, existe una falta de evidencia sobre su viabilidad, seguridad y eficacia en entornos naturales, longitudinales y fuera de los Ensayos Controlados Aleatorios (ECA) controlados. Específicamente, es necesario evaluar si los modelos fundacionales entrenados con datos clínicos pueden mantener las salvaguardas de seguridad, sostener el compromiso del usuario y producir trayectorias de síntomas heterogéneas en un entorno naturalista.

Metodología
Este estudio fue un piloto naturalista longitudinal de un solo brazo que evaluó a "Ash", un modelo fundacional diseñado específicamente para el apoyo en salud mental.

• Participantes: El estudio reclutó a 1,808 usuarios mediante anuncios de Meta, resultando en una muestra analítica final de $N=305$ adultos (edades entre 18 y 73 años, edad media de 41.7) ubicados en los Estados Unidos. Los criterios de inclusión requirieron competencia en inglés, acceso a un smartphone y puntuaciones basales $\ge$10 en el Cuestionario de Salud del Paciente (PHQ-9) o en la Escala de Trastorno de Ansiedad Generalizada (GAD-7). Los criterios de exclusión incluyeron suicidalidad activa (ítems 3–6 de la C-SSRS), trastornos psicóticos, uso severo de sustancias o condiciones médicas que explicaran mejor los síntomas.
• Intervención: Los usuarios interactuaron con Ash mediante texto o voz en dispositivos móviles. El modelo fue preentrenado con más de 100,000 horas de transcripciones de salud mental desidentificadas (entrevistas clínicas, casos de estudio) y alineado mediante ajuste fino supervisado con anotaciones de clínicos. Los datos de entrenamiento abarcaron diversas modalidades terapéuticas (p. ej., TCC, DBT, ACT, Entrevista Motivacional). El sistema empleó una arquitectura de seguridad de dos pasos: un clasificador basado en embeddings para la detección de alto recuerdo de contenido dañino, seguido de una capa de verificación de seguridad de LLM para bloquear o reemplazar los mensajes señalados.
• Procedimiento: Los participantes otorgaron su consentimiento tras la opción de participar y completaron evaluaciones basales. Las mediciones se repitieron cada dos semanas durante seis semanas, con un seguimiento final a las 10 semanas. Las evaluaciones incluyeron el PHQ-9, GAD-7, la Escala de Activación Conductual para la Depresión (BADS), la Escala de Soledad de la UCLA, la Escala Multidimensional de Apoyo Social Percibido (MSPSS) y el Inventario de Alianza de Trabajo–Informe Corto (WAI-SR).
• Estrategia Analítica:
  • Seguridad: Los clínicos revisaron todas las sesiones señaladas (1.02% del total) para verificar los protocolos de escalada. La idoneidad del modelo se probó contra 10 escenarios clínicos (p. ej., delirios, manía) con 100 generaciones cada uno.
  • Modelado de Trayectorias: Se utilizó el Modelado de Mezcla de Crecimiento Latente (LGMM) para identificar patrones de cambio heterogéneos en depresión, ansiedad, apoyo social y activación conductual simultáneamente.
  • Análisis de Compromiso: Los modelos de efectos mixtos examinaron la relación entre las métricas de compromiso (días activos, minutos, palabras intercambiadas) y la reducción de síntomas ($\Delta$PHQ-9), estratificada por clase de trayectoria.
  • Predictores: La regresión logística multinomial identificó la demografía basal y la alianza terapéutica de la Semana 2 como predictores de la pertenencia a la trayectoria.

Resultos Clave

• Resultados Clínicos: Se observaron reducciones significativas en los síntomas depresivos y de ansiedad. En el seguimiento de las 10 semanas, los tamaños del efecto de la $d$ de Cohen fueron de 0.93 para el PHQ-9 (95% IC [0.76, 1.13]) y 0.79 para el GAD-7 (95% IC [0.65, 0.96]). Las tasas de deterioro fueron bajas (1.83% para GAD-7, 2.29% para PHQ-9).
• Heterogeneidad de las Trayectorias: El LGMM identificó tres trayectorias distintas a través de los cuatro resultados clínicos:
  1. Mejora Rápida: 9.5% ($n=29$)
  2. Mejoría: 42.3% ($n=129$)
  3. No respondedores: 48.2% ($n=147$)
     La severidad basal fue comparable entre los grupos; las diferencias fueron impulsadas por la tasa y la sincronía del cambio.
• Resultados Sociales y Funcionales: Las mejoras en la soledad, el apoyo social percibido y el recuento de interacciones sociales se mantuvieron en el seguimiento de las 10 semanas.
• Seguridad y Adecuación: De 7,493 sesiones, 76 (1.02%) fueron señaladas por riesgo; todas fueron correctamente escaladas a recursos humanos. Una muestra aleatoria de 1,200 sesiones reveló que no hubo mensajes de crisis omitidos (falsos negativos). En las pruebas de estrés contra 10 escenarios clínicos, el modelo alcanzó una tasa de aprobación del 87.7%, comparable a los parámetros de referencia de los terapeutas humanos.
• Compromiso y Alianza: El uso promedio fue de 9.02 horas ($SD=11.5$). Un mayor compromiso (días activos, minutos, palabras) se asoció significativamente con mayores reducciones en el PHQ-9, particularmente para las clases de "Mejoría" y "Mejora Rápida". La alianza terapéutica (WAI-SR) fue comparable al cuidado tradicional (puntuación media ~4.0) y predijo la pertenencia a las trayectorias de mejoría.

Significancia y Afirmaciones
Los autores afirman que este estudio proporciona la primera evidencia en el mundo real y naturalista de que un modelo fundacional de IA generativa con base clínica es factible, atractivo y aceptable para el apoyo en salud mental. El estudio demuestra que:

1. La seguridad es manejable: Las salvaguardas automatizadas pueden detectar y escalar el riesgo de manera efectiva en un entorno real sin la intervención de un humano en el bucle para cada mensaje.
2. La eficacia es observable: Se pueden lograr reducciones de síntomas comparables con los hallazgos de los ECA en usos no estructurados y en el mundo real, sin recordatorios diarios ni monitoreo estructurado.
3. Los mecanismos se alinean con la terapia: La relación entre la alianza terapéutica, el compromiso y la mejora de los síntomas refleja los hallazgos de la psicoterapia tradicional, lo que sugiere que los modelos de IA pueden funcionar como puentes relacionales en lugar de meros sustitutos.
4. Potencial de escalabilidad: El alto compromiso y las bajas tasas de deterioro sugieren que tales herramientas podrían ampliar el alcance de los servicios de salud mental, aunque los autores señalan que la exclusión de poblaciones de alto riesgo (suicidalidad aguda, psicosis) limita su generalizabilidad a dichos grupos.

El artículo concluye que estos hallazgos respaldan una mayor investigación de la IA generativa en salud mental en entornos del mundo real, posicionando la tecnología como un componente viable para ampliar el acceso a la atención manteniendo los estándares de seguridad.