Acceptability and implementation feasibility of a mobile application powered by generative artificial intelligence for mental health screening and referral in Uganda

Resumen Técnico: Aceptabilidad y Factibilidad de Implementación de una Aplicación Móvil de IA Generativa para la Salud Mental en Uganda

Planteamiento del Problema

Uganda enfrenta una crisis crítica de salud mental, con un estimado de 14 millones de personas afectadas por depresión y trastornos de ansiedad. Esta carga se ve exacerbada por una severa escasez de especialistas (aproximadamente un psiquiatra por cada millón de personas), financiamiento limitado (1% del presupuesto nacional de salud) y un estigma generalizado. Si bien las herramientas de salud digital y las intervenciones impulsadas por IA muestran potencial a nivel mundial, existe una falta de evidencia sobre su aceptabilidad y factibilidad de implementación en entornos africanos de bajos ingresos. Las herramientas de salud mental de IA existentes están desarrolladas predominantemente para poblaciones de países de ingresos altos y de habla inglesa, lo que plantea preocupaciones sobre la adecuación cultural, el sesgo algorítmico y el rendimiento en lenguas locales. Además, las limitaciones de infraestructura, como un internet poco fiable, los altos costos de datos y la limitada propiedad de teléfonos inteligentes, amenazan el acceso equitativo.

Metodología

Este estudio empleó un diseño de prueba de concepto de métodos mixtos realizado entre enero y mayo de 2026 en Kampala, Uganda.

• Participantes: Se reclutó una muestra intencional de 50 participantes, compuesta por 25 miembros del público en general y 25 trabajadores de la salud (incluyendo psiquiatras, oficiales clínicos psiquiátricos, enfermeros y médicos generales).
• Intervención: El estudio evaluó una aplicación móvil impulsada por IA generativa diseñada para el tamizaje de salud mental, el autocuidado y la derivación.
  • Arquitectura Técnica: La aplicación utiliza un Modelo de Lenguaje Extenso (LLM) integrado con herramientas de tamizaje validadas: el Cuestionario de Salud del Paciente (PHQ-4, PHQ-9) y la escala de Trastorno de Ansiedad Generalizada (GAD-7).
  • Mecanismo de IA: A diferencia de los chatbots tradicionales basados en reglas, el sistema utiliza un sistema de conocimiento basado en documentos. Este recupera e interpreta información de protocolos preestablecidos (guías PHQ/GAD) para generar respuestas dinámicas, sensibles al contexto y en lenguaje natural. Si bien el sistema está diseñado para construir respuestas basándose en un conjunto curado de archivos en lugar de depender de internet para generar el texto en sí, la aplicación aún requiere conectividad a internet para la transmisión de datos e interacción, una dependencia identificada explícitamente como una principal barrera de implementación.
  • Funciones de Seguridad: La aplicación incluye una lógica de derivación automática para síntomas graves, incluyendo una función de marcado automático hacia centros de salud cercanos en casos de suicidalidad. Explícitamente, no es una herramienta de diagnóstico o prescripción.
  • Seguridad: Los datos están protegidos mediante TLS 1.2+ y cifrado AES-256 en reposo. La identificación del usuario se minimiza, utilizando números móviles como identificadores únicos con registro de nombre opcional.
• Recolección de Datos: El estudio utilizó una evaluación de pre-post implementación.
  • Cuantitativa: Encuestas de línea base y de finalización midieron percepciones, aceptabilidad y patrones de uso.
  • Cualitativa: Se realizaron Entrevistas a Informantes Clave (KII) y retroalimentación abierta para explorar las experiencias de los usuarios y las barreras.
• Marcos Analíticos:
  • Aceptabilidad: Evaluada mediante el Modelo de Aceptación de la Tecnología (TAM), centrándose en la Utilidad Percibida (PU) y la Facilidad de Uso Percibida (PEOU).
  • Factibilidad: Evaluada mediante el marco de factibilidad de Bowen, que cubre cinco dominios: demanda, implementación, practicidad, integración y expansión.

Resultados Clave

El estudio demostró una alta aceptabilidad y factibilidad, aunque persisten barreras de infraestructura significativas.

1. Aceptabilidad (Hallazgos de TAM):

• Utilidad Percibida: Tras la implementación, el 95.6% de los participantes del público en general consideraron que la información era relevante para sus necesidades, y el 90.9% afirmó que recomendaría la aplicación. Los trabajadores de la salud (HCW) vieron la herramienta como un valioso mecanismo de apoyo a la decisión que reduce la carga de trabajo y mejora la precisión diagnóstica para no especialistas.
• Facilidad de Uso Percibida: El 90.9% estuvo de acuerdo en que las funciones eran fáciles de usar, y el 77.3% pudo usar la aplicación sin asistencia de terceros. Sin embargo, se señalaron fallos técnicos (preguntas repetitivas) y barreras lingüísticas (interfaz exclusivamente en inglés) como puntos de fricción.

2. Factibilidad (Hallazgos del Marco de Bowen):

• Demanda: Hubo una demanda latente sustancial; el 100% de los participantes de la línea base expresaron disposición para usar la aplicación. Tras la implementación, el 56.7% del público en general utilizó la aplicación para tamizaje o autocuidado en un mes.
• Implementación: Las principales barreras identificadas fueron la dependencia de internet, los altos costos de datos móviles y la falta de funcionalidad multilingüe. El 40% de los participantes de la evaluación final citó los costos de datos como un obstáculo importante.
• Practicidad: La aplicación fue considerada práctica para entornos clínicos y comunitarios, con un 45.45% de los usuarios completando una sesión de tamizaje en 5 a 10 minutos.
• Integración: El 96% de los participantes en la línea base prefirieron que la aplicación estuviera vinculada a los centros de salud. Al final, el 36.4% de los usuarios hubo un seguimiento de una derivación recomendada por la aplicación.
• Expansión: El 100% de los participantes estaba dispuesto a recomendar la aplicación a otros. Sin embargo, el 76% de los participantes de la línea base indicaron que la funcionalidad bilingüe (inglés + lenguas locales) es esencial para un mayor alcance.

Contribuciones Clave

• Validación Contextual: Este es el primer estudio que evalúa una herramienta de salud mental impulsada por IA generativa específicamente dentro del contexto de Uganda, proporcionando evidencia de que tales tecnologías pueden ser aceptables y factibles en entornos de bajos recursos.
• Aplicación de IA Generativa: El estudio demuestra la utilidad de los LLM para entregar tamizajes de salud mental estructurados y basados en protocolos (PHQ/GAD) con la flexibilidad de una conversación en lenguaje natural, yendo más allá de los chatbots rígidos de árboles de decisión.
• Apoyo a la Distribución de Tareas (Task-Sharing): Los hallazgos sugieren que la herramienta puede apoyar eficazmente la distribución de tareas al empoderar a proveedores no especialistas y al público en general para realizar tamizajes iniciales y autocuidado, aliviando potencialmente la carga sobre los escasos recursos especializados.
• Perspectivas de Implementación: La investigación identifica barreras específicas y accionables para la escala en África subsahariana, a saber: la necesidad de capacidades offline, acceso a datos con tarifa cero y localización a lenguas locales.

Significado y Reivindicaciones

El artículo sostiene que una aplicación móvil impulsada por IA generativa es una solución factible y altamente aceptable para el tamizaje, el autocuidado y la derivación en salud mental en Uganda. Los autores afirman que la aplicación muestra potencial para:

• Reducir el Estigma: Al ofrecer anonimato y privacidad, la herramienta fomenta la revelación entre individuos reacios a buscar atención presencial.
• Mejorar el Acceso: Aborda barreras estructurales como costos de viaje, tiempos de espera y escasez de especialistas.
• Fortalecer la Atención de No Especialistas: Sirve como un recurso de capacitación para trabajadores de la salud, proporcionando guía estructurada y reduciendo la carga cognitiva.

Sin embargo, los autores mantienen una postura modesta respecto a la escalabilidad. Concluyen que, si bien la prueba de concepto es exitosa, el escalamiento exitoso depende de abordar las barreras estructurales relacionadas con la conectividad a internet, los costos de datos, la accesibilidad lingüística y la propiedad de teléfonos inteligentes. El documento establece explícitamente que se requieren estudios más amplios para evaluar la efectividad a largo plazo, la rentabilidad y la integración de la herramienta en los sistemas de salud rutinarios antes de un despliegue nacional generalizado.