Prediction of Mental Health Disorders: From Markers to Models in Artificial Intelligence

La mente humana es un paisaje vasto e intrincado, y durante siglos, la comprensión de sus tormentas —la depresión, la ansiedad y el peso abrumador del estrés— ha dependido en gran medida de la conversación. Un médico escucha a un paciente describir sus sentimientos, observa su comportamiento y aplica directrices establecidas para realizar un diagnóstico. Este método es profundamente humano, pero tiene límites. Depende de la capacidad de una persona para articular un dolor que a menudo es difícil de nombrar, y trata a la mente como un estado binario: o una persona está enferma o no lo está. En años recientes, una nueva herramienta ha entrado en este campo, una que no depende solo de las palabras, sino del lenguaje silencoso y eléctrico del propio cuerpo. Este es el reino de la inteligencia artificial, donde se enseña a las computadoras a encontrar patrones en datos que son demasiado sutiles para el ojo humano. Al observar el ritmo de un latido del corazón, la actividad eléctrica del cerebro o incluso la forma en que una persona duerme, los investigadores están comenzando a ver si las máquinas pueden detectar los signos tempranos de malestar mental antes de que ocurra una crisis.

Un equipo de investigadores de la Universidad de Amity en la India se propuso mapear este territorio emergente. Querían saber si las computadoras podían predecir estos trastornos de salud mental comunes de manera más confiable que los métodos tradicionales que se utilizan actualmente. Para lograrlo, no realizaron un único experimento en un laboratorio. En su lugar, realizaron una revisión masiva del mundo científico, recopilando y analizando 185 estudios diferentes publicados durante la última década. Estos estudios utilizaron una amplia variedad de datos, desde escaneos cerebrales y monitores cardíacos hasta encuestas y grabaciones de video. Los investigadores analizaron cómo se desempeñaban diferentes programas informáticos, que iban desde algoritmos antiguos y simples hasta sistemas de aprendizaje profundo más nuevos y complejos, al pedirles que identificaran signos de depresión, ansiedad o estrés. Su objetivo era descubrir qué enfoque funcionaba mejor y comprender qué señales biológicas estaban utilizando realmente las computadoras para tomar sus decisiones.

Los investigadores primero organizaron las pistas biológicas que señalan el malestar mental en cuatro grupos distintos. Examinaron marcadores electrofisiológicos, que son los patrones eléctricos del cerebro capturados por sensores en el cuero cabelludo. Examinaron marcadores fisiológicos, como cambios en la frecuencia cardíaca, la presión arterial y cómo la piel conduce la electricidad cuando una persona está emocionada. También consideraron marcadores inmunológicos, que son signos de inflamación en el cuerpo, y marcadores psicológicos, como la calidad y duración del sueño de una persona. Al clasificar estas señales, el equipo pudo ver cuáles aparecían con más frecuencia en personas que sufrían afecciones específicas. Por ejemplo, descubrieron que ciertas irregularidades en las ondas cerebrales y niveles elevados de proteínas inflamatorias específicas se vinculaban frecuentemente con la depresión, mientras que los cambios en la variabilidad de la frecuencia cardíaca eran comunes en la ansiedad y el estrés.

Una vez que organizaron los datos biológicos, el equipo comparó el rendimiento de los modelos computacionales. Probaron cuatro tipos principales de algoritmos. El primer grupo incluyó herramientas tradicionales de aprendizaje automático, como las Máquinas de Vectores de Soporte, que actúan como un clasificador sofisticado que intenta trazar una línea entre los puntos de datos sanos y no sanos, y los Bosques Aleatorios (Random Forests), que construyen muchos árboles de decisión pequeños para llegar a una conclusión. También probaron los K-Vecinos Más Cercanos (K-Nearest Neighbors), un método que supone una condición basándose en qué tan similar es un nuevo caso con casos pasados. El segundo grupo consistió en modelos de aprendizaje profundo, que son sistemas avanzados diseñados para imitar las capas del cerebro humano. Estos sistemas pueden procesar datos brutos directamente, aprendiendo patrones complejos sin necesidad de que los humanos señalen manualmente cada característica primero.

Los resultados de esta comparación fueron claros y consistentes. Los modelos de aprendizaje profundo demostraron ser las herramientas más precisas y confiables para predecir los trastornos de salud mental. Al ser probados en la depresión, estos modelos avanzados alcanzaron una precisión promedio del 96.04 por ciento. Para la ansiedad, alcanzaron el 92.31 por ciento, y para el estrés, llegaron al 94.14 por ciento. Más importante aún, estos modelos eran estables; sus resultados no variaban drásticamente de un estudio a otro, lo que sugiere que pueden manejar los datos desordenados del mundo real que los pacientes proporcionan realmente. En contraste, los modelos de aprendizaje automático tradicional, aunque siguen siendo útiles, mostraron más variabilidad. Los Bosques Aleatorios funcionaron bien, particularmente para la ansiedad y la depresión, pero el método más simple de K-Vecinos Más Cercanos fue el que más dificultades tuvo, especialmente al intentar detectar el estrés, produciendo a menudo resultados inconsistentes. El estudio sugiere que la capacidad del aprendizaje profundo para encontrar conexiones ocultas y complejas en los datos le otorza una ventaja significativa sobre los métodos más antiguos.

Sin embargo, los investigadores fueron cuidadosos al señalar que esta tecnología aún no es un producto terminado listo para cada consultorio médico. Un obstáculo importante es la información misma. Muchos de los estudios que revisaron dependían de grupos pequeños de personas, a menudo estudiantes o personal hospitalario, lo que significa que los modelos computacionales podrían no funcionar tan bien para adultos mayores, niños o personas de diferentes entornos culturales. También existe una falta de datos a largo plazo; la mayoría de los estudios observaron un momento único en el tiempo en lugar de rastrear cómo cambia la salud mental de una persona a lo largo de meses o años. Además, los investigadores enfatizaron que estas herramientas no deben reemplazar a los médicos humanos. En su lugar, deben actuar como un sistema de apoyo, una forma de captar señales de advertencia tempranas que un humano podría pasar por alto.

El camino a seguir implica abordar estas brechas. El equipo sugiere que el trabajo futuro debe incluir grupos de personas más diversos y centrarse en el monitoreo continuo mediante dispositivos portátiles, como relojes inteligentes, que puedan rastrear la frecuencia cardíaca y los patrones de sueño día y noche. También destacaron la necesidad de reglas éticas estrictas para proteger los datos sensibles que estos sistemas recopilan. Si bien la tecnología muestra una gran promesa para crear planes de tratamiento personalizados y reducir el estigma de las enfermedades mentales al hacer que el diagnóstico sea más objetivo, requiere un manejo cuidadoso. El estudio concluye que, si bien la inteligencia artificial ha demostrado que puede ver patrones en la mente humana que antes eran invisibles, el verdadero valor vendrá de usar estos conocimientos para ayudar a las personas de una manera que sea segura, justa y profundamente humana.