Publicaciones Científicas
Impulsando la innovación en salud digital mediante biomarcadores digitales, inteligencia artificial y datos del mundo real.
Los indicadores clínicos y los algoritmos de eB2 no son hipótesis: son el resultado de estudios longitudinales, ensayos clínicos y validaciones en población real, publicados con revisión por pares en revistas como Molecular Psychiatry, Journal of Psychiatric Research, JMIR, BMC Psychiatry o IEEE Journal of Biomedical and Health Informatics.
Digital monitoring shows high feasibility in psychiatric care
Ismael Conejero, Miguel Ángel Villalba, Victoria Matos, Oscar Jiménez, Rafael García, Lucía Albarracín-García, Alejandro Porras-Segovia, María Luisa Barrigón, Jorge Lopez-Castroman, Antonio Artés-Rodriguez, Enrique Baca-Garcia
PMID: 40516300
DOI: 10.1016/j.jpsychires.2025.05.072
Conejero I. et al. — Journal of Psychiatric Research, 2025
El 82,5% de los pacientes en seguimiento ambulatorio mantuvo el uso de eB2 MindCare durante 90 días, sin incentivos económicos. La edad y la gravedad clínica no afectaron la adherencia.
→
One-Week Suicide Risk Prediction Using Real-Time Smartphone Monitoring
Maria Luisa Barrigon, Lorena Romero-Medrano, Pablo Moreno-Muñoz, Alejandro Porras-Segovia, Jorge Lopez-Castroman, Philippe Courtet, Antonio Artés-Rodríguez, Enrique Baca-Garcia
Barrigon M.L. et al. — Journal of Medical Internet Research, 2023
Predicción del riesgo suicida a una semana mediante monitorización continua con smartphone en condiciones reales.
→
Predicting Emotional States Using Behavioral Markers Derived From Passively Sensed Data
Emese Sükei, Agnes Norbury, M Mercedes Perez-Rodriguez, Pablo M Olmos, Antonio Artés
Sükei E. et al. — JMIR mHealth and uHealth, 2021
Validación del modelo de predicción de estado emocional a partir de datos pasivos del smartphone. Base del indicador de 70% de precisión.
→
Viabilidad y aceptación de la monitorización digital
Estudios que validan el uso de eB2 en condiciones clínicas reales: adherencia, aceptación y factibilidad en distintas poblaciones.
Digital monitoring shows high feasibility in psychiatric care
Conejero I., Villalba M.A., Matos V., Jiménez O., García R., Albarracín-García L., Porras-Segovia A., Barrigón M.L., Lopez-Castroman J., Artés-Rodriguez A., Baca-Garcia E
DOI: 10.1016/j.jpsychires.2025.05.072
Un estudio publicado en Journal of Psychiatric Research demuestra la viabilidad de integrar eB2 MindCare en el seguimiento psiquiátrico habitual.
Los resultados reflejan una alta adherencia y continuidad de uso durante 90 días.
→
"Real-world feasibility and acceptability of real-time suicide risk monitoring via smartphones: A 6-month follow-up cohort"
Porras-Segovia A., Díaz-Oliván I., Barrigón M.L., Moreno M., Artés-Rodríguez A., Pérez-Rodríguez M.M., Baca-García E.
DOI: 10.1016/j.jpsychires.2022.02.026
Un estudio con 393 pacientes de alto riesgo analizó durante seis meses el uso de eB2 para monitorizar de forma pasiva y continua señales relacionadas con el riesgo suicida.
Los resultados respaldan la viabilidad y aceptación de la monitorización mediante smartphone como apoyo al seguimiento clínico y a la prevención.
→
Smartphone-based ecological momentary assessment (EMA) in psychiatric patients and student controls: A real-world feasibility study
Porras-Segovia A., Molina-Madueño R.M., Berrouiguet S., López-Castroman J., Barrigón M.L., Pérez-Rodríguez M.M., Marco J.H., Díaz-Oliván I., León C., Courtet P., Artés-Rodríguez A., Baca-García E.
DOI: 10.1016/j.jad.2020.05.067
Un estudio con 393 pacientes de alto riesgo evaluó durante seis meses el seguimiento del riesgo suicida mediante smartphone, incluyendo la monitorización pasiva con eB2.
Los resultados muestran que este tipo de seguimiento es viable, bien aceptado y puede mejorar el acceso a la atención en salud mental.
→
Use of Ecological Momentary Assessment Through a Passive Smartphone-Based App (eB2) by Patients With Schizophrenia: Acceptability Study
Lopez-Morinigo J.D., Barrigón M.L., Porras-Segovia A., Ruiz-Ruano V.G., Martínez A.S., Escobedo-Aedo P.J., Alonso M., Iturralde N., Lorenzo O., Artés-Rodríguez A., David A.S., Baca-García E.
Un estudio publicado en Journal of Medical Internet Research evaluó el uso de eB2 en pacientes con trastornos del espectro de la esquizofrenia.
Los resultados muestran el potencial de la monitorización pasiva mediante smartphone para recoger datos clínicos en tiempo real y apoyar un seguimiento más continuo del paciente.
→
Combining Continuous Smartphone Native Sensors Data Capture and Unsupervised Data Mining Techniques for Behavioral Changes Detection
Berrouiguet S., Ramírez D., Barrigón M.L., Moreno-Muñoz P., Camacho M., Baca-Garcia E., Artés-Rodríguez A.
Un estudio publicado en JMIR mHealth and uHealth mostró que eB2 puede detectar cambios en los patrones de movilidad de pacientes con depresión mediante los sensores del smartphone.
Estos cambios podrían actuar como indicadores tempranos de variaciones conductuales o clínicas, apoyando un seguimiento más continuo del paciente.
→
Predicción del estado emocional y la funcionalidad
Validación de los indicadores clínicos de eB2: estado emocional, funcionalidad conductual y predicción de estados de ánimo.
Emotion Forecasting: A Transformer-Based Approach
Leire Paz-Arbaiza, Jorge Lopez-Castroman, Antonio Artés-Rodríguez, Pablo M Olmos, David Ramírez
doi: 10.2196/63962
Un estudio publicado en Journal of Medical Internet Research demuestra el potencial de eB2 y la inteligencia artificial para anticipar cambios en el estado emocional a partir de datos recogidos de forma pasiva.
El modelo logró predecir variaciones emocionales y señales clínicas con antelación, favoreciendo una detección de riesgos y una intervención más tempranas..
→
Predicting Emotional States Using Behavioral Markers Derived From Passively Sensed Data
Sükei E., Norbury A., Perez-Rodriguez M.M., Olmos P.M., Artés A.
Un estudio con 943 pacientes demuestra que los datos recogidos de forma pasiva mediante smartphones y wearables pueden utilizarse para predecir el estado emocional mediante inteligencia artificial.
Los modelos alcanzaron un AUC de hasta 0,81, reforzando el potencial de estos datos para monitorizar el estado de ánimo de forma continua.
→
Automatic patient functionality assessment from multimodal data using deep learning techniques
Sükei E., Leon-Martinez R., Olmos P.M., Artés A.
Un estudio publicado en Internet Interventions demuestra que la combinación de datos de smartphones, wearables e inteligencia artificial permite predecir alteraciones de movilidad y niveles de ansiedad.
Los resultados refuerzan el potencial del fenotipado digital para evaluar de forma continua y remota el estado funcional del paciente.
→
Riesgo suicida y conducta suicida
Investigación en detección y predicción del riesgo suicida mediante monitorización pasiva y evaluación ecológica momentánea.
One-Week Suicide Risk Prediction Using Real-Time Smartphone Monitoring: Prospective Cohort Study
Barrigon M.L., Romero-Medrano L., Moreno-Muñoz P., Porras-Segovia A., Lopez-Castroman J., Courtet P., Artés-Rodríguez A., Baca-Garcia E.
Un estudio con 225 pacientes mostró que los cambios de comportamiento detectados mediante monitorización pasiva del smartphone pueden anticipar el riesgo suicida hasta una semana antes.
El modelo alcanzó un AUC de 0,78, reforzando el potencial del fenotipado digital para detectar crisis de salud mental de forma temprana.
→
Combining mobile-health (mHealth) and artificial intelligence (AI) methods to avoid suicide attempts: the Smartcrisis study protocol
Berrouiguet S., Barrigón M.L., Castroman J.L., Courtet P., Artés-Rodríguez A., Baca-Garcia E.
El estudio Smartcrises propone combinar eB2, smartphones, wearables e inteligencia artificial para identificar cambios relacionados con el riesgo suicida.
El objetivo es avanzar hacia una prevención más personalizada y anticipada, analizando patrones de sueño, actividad y comportamiento.
→
Ecological Momentary Assessment for Monitoring Risk of Suicide Behavior
Carretero S., Campaña-Montes J.J., Artés-Rodríguez A.
Este trabajo analiza cómo la evaluación ecológica momentánea y el fenotipado digital permiten monitorizar de forma continua cambios de comportamiento asociados al riesgo suicida.
El uso de smartphones abre la puerta a una detección más temprana y personalizada, complementando la evaluación clínica tradicional.
→
Metodología técnica e inteligencia artificial
Investigación en algoritmos de detección de cambios, modelos probabilísticos y aprendizaje automático aplicados a datos de salud.
Continual Learning for Infinite Hierarchical Change-Point Detection
Romero-Medrano L., Artés-Rodríguez A.
Un estudio publicado en Pattern Recognition propone un método capaz de detectar cambios relevantes en datos complejos procedentes de múltiples fuentes, como smartphones e historiales clínicos.
El sistema reduce el retraso en la detección y permite identificar qué señales contribuyen a cada cambio de comportamiento, incluso cuando existen datos incompletos.
→
Medical Data Wrangling With Sequential Variational Autoencoders
Barrejón D., Olmos P.M., Artés-Rodríguez A.
Un estudio publicado en IEEE Journal of Biomedical and Health Informatics presenta Shi-VAE, un modelo de inteligencia artificial capaz de trabajar con datos médicos secuenciales incluso cuando existen registros incompletos.
El sistema mejora la reconstrucción y análisis de datos procedentes de monitorización pasiva, facilitando un seguimiento digital más robusto y preciso.
→
Multinomial Sampling for Hierarchical Change-Point Detection
Romero-Medrano L., Moreno-Muñoz P., Artés-Rodríguez A.
Este estudio presenta un modelo de detección de cambios en series temporales complejas que mejora la precisión y reduce el retraso en la identificación de variaciones relevantes.
La metodología puede aplicarse al análisis de cambios en el comportamiento humano a partir de datos continuos.
→
One-Week Suicide Risk Prediction Using Real-Time Smartphone Monitoring: Prospective Cohort Study
Moreno-Muñoz P., Ramírez D., Artés-Rodríguez A.
Este estudio propone un modelo de aprendizaje continuo capaz de detectar cambios relevantes en secuencias complejas de datos.
El método identifica de forma automática nuevos patrones y transiciones, facilitando una monitorización dinámica y adaptativa del comportamiento.
→
Machine learning and data mining: strategies for hypothesis generation
Oquendo M.A., Baca-Garcia E., Artés-Rodríguez A. et al.
Este trabajo publicado en Molecular Psychiatry analiza cómo el machine learning y la minería de datos pueden descubrir patrones y generar nuevas hipótesis en salud mental.
El enfoque permite aprovechar grandes volúmenes de datos clínicos para identificar mecanismos, relaciones y posibles nuevas vías de investigación en psiquiatría.
→
Comportamiento digital y salud mental
Estudios sobre el impacto del comportamiento en redes sociales y uso del smartphone sobre la salud mental.
""
JMIR Mental Health — 2021 ·
""
Molecular Psychiatry — 2020 ·
""
IEEE Journal of Biomedical and Health Informatics, 23(6) — 2019 ·
Shift in Social Media App Usage During COVID-19 Lockdown and Clinical Anxiety Symptoms
Ryu S., Sükei E., Norbury A., Liu A., Campaña-Montes J.J., Baca-Garcia E., Artés A., Perez-Rodriguez M.M.
Un estudio con pacientes psiquiátricos mostró que los cambios en el uso de aplicaciones de comunicación y redes sociales pueden actuar como biomarcadores digitales asociados a la ansiedad.
Mediante eB2 MindCare y machine learning, estos patrones permitieron identificar personas con mayor riesgo de presentar síntomas clínicos de ansiedad.
→
Social media and smartphone app use predicts maintenance of physical activity during Covid-19 enforced isolation in psychiatric outpatients
Norbury A., Liu S.H., Campaña-Montes J.J., Romero-Medrano L., Barrigón M.L., Smith E., Artés A., Baca-García E., Pérez-Rodríguez M.M.
Un estudio en pacientes psiquiátricos ambulatorios mostró que un mayor uso social del smartphone se asoció con el mantenimiento de la actividad física durante el confinamiento por COVID-19.
Los resultados refuerzan el potencial de la monitorización pasiva del comportamiento digital para detectar cambios relevantes y facilitar intervenciones tempranas.
→
Assessment of e-Social Activity in Psychiatric Patients
Bonilla-Escribano P., Ramirez D., Sedano-Capdevila A., Campana-Montes J.J., Baca-Garcia E., Courtet P., Artes-Rodriguez A.
Un estudio con 259 pacientes psiquiátricos analizó sus patrones diarios de llamadas y uso de aplicaciones sociales y de comunicación para caracterizar su actividad social digital.
Los resultados identificaron patrones comunes y diferencias asociadas a distintas patologías, mostrando el potencial del smartphone como fuente de información conductual.
→
Recibe las últimas noticias del entorno eB2
Al hacer clic en "Enviar", usted da su consentimiento para que Eb2. se ponga en contacto con usted para informarle sobre sus productos y servicios, y acepta los términos y condiciones establecidos en la política de privacidad.
Puedes darte de baja en cualquier momento.
Consulta nuestras políticas de Privacidad.
TECNOLOGÍA QUE GENERA IMPACTO
Descubre cómo los datos de comportamiento en la vida cotidiana pueden transformar la atención clínica en salud mental y la investigación.
Explora las plataformas de eB2 para profesionales de salud mental y para investigación académica y clínica.
