Knowledge Mapping and Frontier Analysis of Artificial Intelligence Applications in Mental Health Interventions: A CiteSpace‑Based Bibliometric Analysis

Durante décadas, el mundo ha enfrentado una crisis silenciosa en la atención de la salud mental. Hay muchas más personas luchando contra la ansiedad, la depresión y otras condiciones de las que hay terapeutas capacitados para ayudarlas. La escasez es global y las listas de espera son largas. En años recientes, un nuevo tipo de tecnología ha emergido para llenar este vacío: los modelos de lenguaje extensos. Estos son sistemas informáticos entrenados con vastas cantidades de texto que pueden comprender y generar lenguaje humano con una fluidez sorprendente. Pueden mantener conversaciones, ofrecer apoyo emocional e incluso simular las técnicas de un terapeuta. La promesa es que estas herramientas podrían actuar como un puente, proporcionando atención inmediata y accesible a millones de personas que actualmente no tienen ninguna. Pero a medida que estos ayudantes digitales se multiplican, una pregunta crítica permanece: ¿están realmente funcionando y cómo sabemos cuáles son seguros?

Para responder a esto, un equipo de investigadores de China y Estados Unidos decidió dar un paso atrás y observar todo el panorama de la literatura científica sobre este tema. En lugar de probar un solo chatbot o realizar un nuevo experimento, recopilaron y analizaron 1,685 estudios publicados en la base de datos Web of Science, una colección masiva de investigación académica. Utilizaron una herramienta de software especializada llamada CiteSpace para mapear cómo ha crecido este campo, quién está realizando el trabajo y qué preguntas se están planteando. El resultado es una imagen clara de un campo que está explotando en tamaño pero que aún busca su lugar en el mundo real.

La historia de este campo de investigación es una de aceleración repentina. Durante casi cuarenta años, desde 1982 hasta principios de la década de 2020, el número de estudios publicados cada año era minúsculo, a menudo oscilando entre uno y una docena. Los investigadores exploraban la idea, pero el progreso era lento y disperso. Luego, en 2023, todo cambió. Ese año, el número de publicaciones saltó de 22 a 65. El crecimiento no se detuvo ahí; aumentó a 183 artículos en 2024, casi 600 en 2025, y alcanzó los 644 a mediados de 2026. Este aumento dramático coincide perfectamente con el lanzamiento público de herramientas avanzadas de inteligencia artificial generativa, como los chatbots que ahora pueden escribir historias y responder preguntas complejas. Los datos sugieren que la llegada de estas nuevas y poderosas tecnologías ha encendido un frenesí de interés académico, impulsando el volumen total de investigación en los últimos cuatro años a representar el 93 por ciento de todo el trabajo realizado en esta área.

Cuando los investigadores observaron quién está impulsando esta explosión, encontraron un patrón distinto de esfuerzo global. China produjo la mayor cantidad de artículos, con 534, seguida de cerca por Estados Unidos con 438. Otras naciones como Inglaterra, Japón y Corea del Sur también contribuyeron significamente. Sin embargo, el mapa de colaboración cuenta una historia diferente al mapa de producción. Aunque China tiene el mayor número de artículos, sus investigadores no están tan profundamente conectados con la red global como sus contrapartes estadounidenses. Estados Unidos se sitúa en el centro mismo de la red de colaboración, actuando como un núcleo que vincula a investigadores de muchos países diferentes. En contraste, la investigación china, aunque prolífica, permanece algo aislada en esta red. Esto sugiere que, si bien muchos países están produciendo trabajo, Estados Unidos es actualmente el motor principal para conectar ideas y fomentar la cooperación internacional en este campo específico.

Las instituciones que lideran la carga son principalmente grandes universidades en los Estados Unidos y Europa. La Universidad de Harvard, el sistema de la Universidad de California y la Universidad de Londres se encuentran entre los principales productores de investigación. Estos grupos no solo están construyendo mejores chatbots; los están probando rigurosamente. Están investigando si estas herramientas de inteligencia artificial pueden diagnosticar con precisión condiciones como la depresión o el trastorno obsesivo-compulsivo. Están realizando ensayos clínicos para ver si hablar con un programa de computadora puede realmente mejorar los síntomas de un paciente en comparación con la atención tradicional. También están profundamente preocupados por la seguridad, estudiando cómo estos sistemas podrían fallar cuando un usuario expresa pensamientos suicidas o cómo podrían manejar diferencias culturales sensibles.

A pesar del rápido crecimiento en números, los investigadores encontraron que el campo se encuentra todavía en sus primeras etapas de madurez. Los temas más comunes en la literatura se centran en la tecnología misma: cómo hacer que los modelos sean mejores comprendiendo la emoción humana, cómo entrenarlos en terapias específicas como la terapia cognitivo-conductual y cómo asegurar que no inventen hechos o den consejos peligrosos. Hay un fuerte énfasis en el "modelado computacional", lo que significa usar las matemáticas para entender cómo el cerebro humano toma decisiones y cómo estas herramientas digitales pueden imitar esos procesos. Los investigadores también trabajan arduamente para crear mejores formas de medir si estas herramientas realmente funcionan, yendo más allá de simples pruebas para ver si pueden ser utilizadas en clínicas reales y centros comunitarios.

Sin embargo, existe una brecha significativa entre el laboratorio y el hospital. El análisis muestra que, si bien hay una riqueza de validación técnica y pruebas a pequeña escala, hay una falta de estudios a gran escala en el mundo real que demuestren que estas herramientas son seguras y efectivas para la población general. La mayor parte del trabajo actual todavía trata sobre demostrar que la tecnología puede funcionar, en lugar de demostrar que funciona para todos en la vida cotidiana. Los investigadores señalan que cuestiones como la privacidad, el riesgo de que los pacientes se vuelvan demasiado dependientes de una máquina y la necesidad de supervisión humana aún se están resolviendo. Todavía no existe una forma única y estandarizada de evaluar estas herramientas, y el camino para obtener su aprobación para el uso clínico generalizado aún no está claro.

Los autores concluyen que el campo está actualmente impulsado por la emoción de la nueva tecnología, pero necesita cambiar hacia la construcción de una base sólida para el futuro. Sugieren que el siguiente paso no es solo construir más modelos, sino reunir a investigadores de diferentes países y disciplinas para crear estudios amplios y a largo plazo. Abogan por el desarrollo de reglas claras sobre cómo los humanos y la inteligencia artificial deben trabajar juntos en la terapia, asegurando que la tecnología apoye al paciente sin reemplazar la conexión humana esencial. Los datos muestran un campo que crece más rápido que su infraestructura, un lugar donde el potencial es inmenso, pero donde el viaje desde una idea prometedora hasta una herramienta confiable y capaz de salvar vidas está todavía muy de por medio.