Resumen Técnico: Evaluación de la IA de Vídeo Generativo para la Simulación Estandarizada de Pacientes Psiquiátricos con Deterioro Gradual de la Higiene

Planteamiento del Problema

El examen del estado mental (MSE, por sus siglas en inglés) depende en gran medida de la apariencia general, el aseo y la higiene del paciente como indicadores clínicos inmediatos para el diagnóstico y el seguimiento, particularmente en condiciones que involucran negligencia personal, como la esquizofrenia, la depresión grave y los trastornos neurocognitivos. Sin embargo, el desarrollo de herramientas de IA clínica y currículos de formación se ve obstaculizado por la imposibilidad logística de crear bibliotecas de vídeo de pacientes estandarizados (SP) que manipulen sistemáticamente estas características de apariencia.

Los métodos de simulación tradicionales enfrentan estrictas limitaciones físicas y éticas: los actores no pueden someterse éticamente a cambios de peso rápidos y clínicamente significativos, ni la filmación convencional puede reproducir fácilmente cambios somáticos o dermatológicos visibles asociados con el consumo de sustancias o enfermedades neurodegenerativas. En consecuencia, el campo carece de estímulos controlados y graduados necesarios para la calibración diagnóstica, el entrenamiento de la fiabilidad inter-evaluador y la validación de sistemas de fenotipado automatizados. Si bien la IA generativa ofrece una solución potencial, la fidelidad de la reanimación de un vídeo de un paciente con la apariencia deliberadamente alterada sigue sin estar probada, particularmente respecto al riesgo de "alucinaciones" de artefactos de motricidad fina que podrían malinterpretarse como patología clínica (por ejemplo, temblores o discinesia).

Metodología

Este estudio piloto investigó la viabilidad técnica de utilizar el modelo de difusión de vídeo latente Wan2.2-Animate-14B para reanimar pacientes psiquiátricos estandarizados con apariencias sistemáticamente modificadas.

Diseño Experimental:
El estudio empleó un diseño factorial completo ($2 \times 3 \times 2$) cruzando tres variables generativas:

1. Arquitectura de Composición: Modo de animación (generación del sujeto y el fondo desde cero) frente a Modo de reemplazo (segmentación del sujeto y composición de nuevo en el fondo original preservado).
2. Escala de Guía Libre de Clasificador (CFG): Probada en niveles 1, 4 y 6 para controlar la adherencia al prompt frente a la diversidad.
3. Retargeting de Pose: Habilitado frente a deshabilitado para ajustar los puntos clave del esqueleto a la anatomía de referencia.

Generación de Datos:

• Material de Origen: Tres identidades de SP ("Ben" con TOC, "Karthik" con Esquizofrenia, "Robbin" con Trastorno Bipolar) fueron extraídas de un repositorio público validado (Martin et al., 2020).
• Perturbación de la Apariencia: Se extrajeron retratos estáticos de referencia y se modificaron utilizando el modelo de texto a imagen Google Gemini para crear cinco condiciones: línea base sin modificar y cuatro niveles crecientes de deterioro de la higiene (leve, moderado, marcado, severo). Los prompts se dirigieron específicamente al cabello, vello facial y vestimenta, prohibiendo cambios en la identidad o la geometría somática.
• Preprocesamiento: Las imágenes generadas se escalaron mediante ESRGAN para prevenir el colapso temporal durante la difusión.
• Salida: El modelo sintetizó 180 vídeos únicos de 10 segundos donde el sujeto de referencia realizaba la cinemática del metraje conductor original.

Métricas de Evaluación:

1. Fidelidad Distribucional: Medida mediante la Distancia de Vídeo de Fréchet (FVD) utilizando un extractor de características ResNet3D-18 para cuantificar la divergencia entre los vídeos generados y los de verdad fundamental (ground-truth).
2. Plausibilidad Física: Evaluada mediante un modelo de lenguaje de gran escala multimodal (Qwen3-Omni-30B) actuando como un evaluador automatizado consciente de la física. El modelo calificó los vídeos en una escala ordinal de 5 puntos a través de cinco dimensiones:
   • Consistencia del conteo de dedos (S1)
   • Física del movimiento articular (S2)
   • Estabilidad del conteo de brazos (S4)
   • Conservación del impulso cinético (S5)
   • Consistencia de sombras (S6)

Análisis Estadístico:
Se utilizaron Ecuaciones de Estimación Generalizadas (GEE) para el análisis de FVD, mientras que las pruebas no paramétricas (Kruskal-Wallis, Mann-Whitney U) analizaron las puntuaciones ordinales de física. Las relaciones de dosis-respuesta entre la severidad de la higiene y la calidad se evaluaron mediante la correlación de rango de Spearman y GEE ajustada por covariables.

Resultados Clave

1. El Modo de Generación Domina la Fidelidad

• El modo de reemplazo superó significativamente al modo de animación en fidelidad de distribución (Media FVD: 8.6 vs. 19.4; Cohen's $d = 1.84$).
• La descomposición de la varianza mostró que el modo de generación explicaba el 46.1% de la varianza de FVD, mientras que el nivel de higiene explicó el 25.6%.
• El modo de animación requería sintetizar toda la escena, lo que conducía a una mayor deriva de la distribución, mientras que el modo de reemplazo restringía el espacio generativo a la región del sujeto, preservando las estadísticas ambientales.

2. La Severidad de la Higiene Degrada la Fidelidad Monotónicamente

• Hubo una asociación positiva y monotónica significativa entre la severidad de la perturbación de la higiene y la FVD ($\rho = 0.479, p < 0.001$).
• A medida que las modificaciones de la apariencia se volvían más severas (de leve a severa), los vídeos generados se alejaban más de la distribución de la verdad fundamental. Todos los niveles perturbados difirieron significativamente de la línea base.

3. La Disociación FVD-Física

• Hallazgo Crítico: Mientras que la fidelidad de distribución (FVD) se degradó con el aumento de la perturbación de la higiene, las puntuaciones de plausibilidad física no siguieron una tendencia similar.
• Los artefactos de motricidad fina (por ejemplo, alucinaciones de dedos, trayectorias articulares implausibles) aparecieron a tasas comparables independientemente de si la imagen de referencia estaba sin modificar o severamente perturbada.
• Solo una dimensión de la física (Estabilidad del conteo de brazos, S4) mostró una diferencia significativa entre los modos de generación, con el modo de reemplazo obteniendo una puntuación más alta.
• La correlación entre la FVD y las dimensiones de la física fue débil (la más fuerte fue el conteo de brazos, $\rho = -0.33$), indicando que un vídeo puede ser distribucionalmente realista pero aun así contener artefactos anatómicamente imposibles.

4. Configuración Óptima

• El ranking combinatorio identificó el modo de reemplazo con CFG=1 y retargeting deshabilitado como la configuración globalmente óptima para minimizar la FVD manteniendo las puntuaciones de física.

Significancia y Reivindicaciones

El artículo afirma proporcionar la primera evidencia empírica sistemática de que los modelos de difusión de vídeo latente pueden reanimar pacientes psiquiátricos estandarizados con apariencias alteradas deliberadamente a través de niveles graduados de deterioro de la higiene.

El estudio establece tres conclusiones primarias:

1. Viabilidad Técnica: Es técnicamente posible generar bibliotecas de vídeo con apariencia modulada sin necesidad de grabaciones repetidas, convirtiendo la producción de estímulos de un proceso de grabación laborioso en una tarea de generación de vídeo escalable.
2. Necesidad Arquitectónica: Para aplicaciones de entrenamiento clínico, el modo de reemplazo es superior al modo de animación, ya que preserva el entorno espacial y minimiza la deriva de la distribución.
3. Limitación de los Modelos Actuales: La persistencia de los artefactos de motricidad fina, que son invariantes a la severidad de la modificación de la apariencia, subraya que estos son limitaciones intrínsecas de la arquitectura generativa más que subproductos de la tarea de perturbación.

Implicaciones para el Despliegue Clínico:
Los autores sostienen que, debido a que la fidelidad de distribución (FVD) y la plausibilidad física están disociadas, la FVD por sí sola es insuficiente como puerta de control de calidad para la IA clínica. Un vídeo puede ser globalmente realista pero contener temblores alucinados o distorsiones de extremidades que imitan la patología psicomotora. Por lo tanto, antes de que estos materiales puedan ser desplegados de forma segura en entornos educativos o traslacionales, es necesaria la supervisión humana experta y la evaluación consciente de la física para filtrar artefactos anatómicos.

El estudio no pretende afirmar que estos vídeos estén actualmente listos para su uso clínico, sino que proporcionan un marco de referencia y parámetros de configuración óptimos para el desarrollo y validación de modelos futuros. Destaca la necesidad de una evaluación separada de la realización global y la corrección anatómica en aplicaciones clínicas de alto riesgo.