Retrieval-Augmented Generation in Mental Health: A Systematic Review

Resumen Técnico: Generación Aumentada por Recuperación en Salud Mental: Una Revisión Sistemática

Planteamiento del Problema
Los Modelos de Lenguaje Extensos (LLMs) se están aplicando cada vez más en contextos de salud mental, incluyendo el asesoramiento, el cribado y la psicoeducación. Sin embargo, la generación sin restricciones plantea riesgos significativos en cuanto a alucinaciones y seguridad. Si bien se ha demostrado que la Generación Aumentada por Recuperación (RAG) fundamenta los resultados de los LLM en conocimiento externo y mejora la consistencia fáctica en entornos biomédicos generales, su aplicación específica, las variaciones arquitectónicas y los estándares de evaluación dentro de la salud mental permanecen sub-sintetizados. Las revisiones sistemáticas existentes se han centrado en el RAG biomédico general, en la IA generativa en salud mental de forma amplia, o en flujos multimodales específicos (p. ej., RV, dispositivos vestibles) sin vincularlos a la arquitectura RAG. Existe una falta de una revisión sistemática que aplique explícitamente criterios de inclusión específicos de RAG para sintetizar estudios primarios de salud mental bajo las directrices PRISMA 2020.

Metodología
Esta revisión se adhiere a las directrices de notificación PRISMA 2020. La búsqueda se realizó el 4 de julio de 2026, consultando PubMed (obteniendo 56 registros) y términos equivalentes en IEEE Xplore, ACM Digital Library, Scopus y Web of Science (4–15 de junio de 2026). El seguimiento de citas hacia adelante y hacia atrás de los estudios incluidos y de las revisiones de referencia identificó 38 registros adicionales.

• Elegibilidad: Los criterios de inclusión requirieron artículos revisados por pares, actas de conferencias o preprints que informaran sobre sistemas empíricos de RAG o de LLM aumentados por recuperación aplicados específicamente a la salud mental, el estrés, la ansiedad, la depresión, la evaluación psicológica o las terapias digitales. Se excluyeron las revisiones, el uso de LLM puro/ajuste fino sin recuperación, el RAG biomédico general sin aplicación en salud mental y los informes no empíricos.
• Proceso de Selección: Tras la deduplicación (se eliminaron 23), 71 registros únicos se sometieron al cribado de título/resumen, seguido de la evaluación de texto completo de 22 informes. Quince estudios cumplieron con los criterios de inclusión finales (publicados entre 2022 y 2026).
• Extracción de Datos y Control de Calidad: Un único revisor (E.F.) realizó el cribado y la extracción de datos. El control de calidad se basó en la verificación reproducible de las consultas, la comprobación cruzada con las publicaciones primarias/DOIs y las comprobaciones de consistencia interna. No se realizó un cribado de duplicados independiente, lo cual se señala como una limitación.
• Taxonomía: Los sistemas se clasificaron en tres categorías arquitectónicas basadas en las descripciones de las publicaciones primarias:
  • RAG Naive: Recuperación y generación de una sola pasada.
  • RAG Avanzado: Recuperación híbrida, reordenamiento (reranking), expansión de consultas o recuperación adaptativa.
  • RAG Modular: Pipelines de múltiples componentes con módulos distintos de recuperación, enrutamiento o seguridad.
• Síntesis: Debido a la heterogeneidad de las métricas de resultado (p. ej., precisión, F1, Hit@k, ICC, puntuaciones de empatía) y a la falta de reporte de tamaños de efecto comparables, no se realizó un metanálisis cuantitativo. La síntesis fue cualitativa y narrativa.

Resultos Clave

• Características de los Estudios: Se incluyeron quince estudios. La distribución arquitectónica fue: 5 Naive, 7 Avanzados y 3 Modulares. Las condiciones más comunes abordadas fueron la depresión y el malestar psicológico general.
• Desempeño: Seis estudios reportaron comparaciones directas de RAG frente a baselines. En todos los casos, la configuración RAG o aumentada por conocimiento superó al comparador establecido en el resultado primario reportado del estudio. Ejemplos específicos incluyen:
  • Tural et al. (2025): El RAG vectorial logró un Hit@5 del 78.9% en comparación con el 50.4% de la búsqueda léxica.
  • Kafi et al. (2026): Un modelo con ajuste fino y RAG logró una puntuación de empatía de 3.72 frente a 3.26 de un modelo generalista.
  • Xie et al. (2026): Una configuración Qwen3+RAG logró una puntuación F1 de depresión de 0.9107, lo que representa una ganancia aproximada de 0.15 sobre los baselines sin RAG.
• Seguridad y Validación: Los protocolos de gestión de crisis se documentaron en solo dos estudios (Vakayil et al.; Campellone et al.). La atribución de fuentes y la supervisión humana (human-in-the-loop) se reportaron de manera inconsistente. Solo dos estudios (Guo et al.; Campellone et al.) reportaron diseños clínicos experimentales aleatorizados (RCT) o intra-sujeto con instrumentos validados; la mayoría fueron evaluaciones técnicas.
• Contexto de Recuperación: Los 15 estudios incluidos utilizaron únicamente recuperación basada en texto. Ningún estudio indexó señales conductuales multimodales, de RV o fisiológicas de dispositivos vestibles como contexto recuperable, a pesar de que la literatura adyacente sugiere la viabilidad de tal integración.

Significancia y Reivindicaciones
El artículo afirma ser la primera revisión sistemática que aplica explícitamente criterios de inclusión específicos de RAG para sintetizar estudios primarios de salud mental bajo PRISMA 2020. Su contribución principal es la identificación y el mapeo arquitectónico de 15 estudios empíricos, demostrando una tendencia creciente en la adopción de RAG en aplicaciones de salud mental.

La revisión destaca que, si bien las configuraciones RAG superan consistentemente a los baselines en los estudios reportados, el campo sufre de:

1. Métodos de evaluación heterogéneos que impiden la agrupación cuantitativa.
2. Reporte de seguridad escaso respecto a la gestión de crisis y la supervisión humana.
3. Una brecha en la integración multimodal, ya que ningún estudio incluido aprovechó señales fisiológicas o conductuales para la recuperación, a pesar de su relevancia en la literatura adyacente sobre monitoreo de estrés.

Los autores concluyen que, aunque el RAG se reporta cada vez más, la evaluación clínica estandarizada y la documentación robusta de seguridad siguen siendo limitadas. La revisión no pretende demostrar la eficacia clínica, sino más bien mapear el panorama técnico actual e identificar brechas específicas en las fuentes de recuperación y la gobernanza de la seguridad.