Predecir estados emocionales con IA: nueva publicación científica de eB2 en JMIR

Un paso más hacia la predicción emocional: nueva publicación en JMIR

Nos complace anunciar la publicación de un estudio científico innovador en Journal of Medical Internet Research (JMIR), una de las revistas de mayor impacto en salud digital a nivel mundial.

Este trabajo, desarrollado en colaboración con investigadores de la Universidad Carlos III de Madrid, demuestra que es posible predecir estados emocionales con alta precisión utilizando únicamente datos pasivos obtenidos del smartphone y dispositivos wearable del paciente, sin necesidad de que responda cuestionarios continuamente.

Los resultados son prometedores:

98% de precisión en la clasificación de estados emocionales
77% de precisión en la predicción de ideación suicida a partir del PHQ-9

📄 Leer artículo completo en JMIR

¿Por qué es importante este avance?

El desafío de la monitorización continua en salud mental

El estado emocional de una persona cambia constantemente:

De hora en hora
De día en día
En respuesta a eventos vitales
Por variaciones biológicas (sueño, hormonas, etc.)

Problema:
Las herramientas tradicionales solo capturan «fotografías» puntuales:

Cuestionarios en consulta (cada 2-4 semanas)
Escalas de autoreporte (requieren que el paciente las complete)
Entrevistas clínicas (subjetivas, retrospectivas)

Lo que necesitamos:
Un «vídeo continuo» del estado emocional, no fotografías esporádicas.

Pero otro problema:
Pedir a pacientes deprimidos o ansiosos que completen cuestionarios 3 veces al día es:

Agotador (carga cognitiva)
Poco realista (baja adherencia)
Intrusivo (interrumpe la vida diaria)

¿La solución?
Predecir el estado emocional a partir de datos que se capturan automáticamente, sin que el paciente tenga que hacer nada.

Eso es exactamente lo que este estudio demuestra que es posible.

¿Qué hemos logrado? Los hallazgos principales

1. Predicción de estado emocional con 98% de precisión

Qué significa:

El modelo puede clasificar si una persona está en estado emocional positivo, neutro o negativo
Lo hace con un área bajo la curva ROC (AUC-ROC) del 98%
Solo usando datos pasivos: sueño, movilidad, uso del móvil, interacción social

¿Qué es AUC-ROC del 98%?

Para quienes no sean estadísticos:

AUC-ROC mide la capacidad de un modelo de distinguir entre clases
0.5 = azar (como tirar una moneda)
1.0 = perfección absoluta
0.98 = excelente discriminación

En términos prácticos: el modelo casi nunca se equivoca al identificar el estado emocional actual.

2. Predicción de ideación suicida con 77% de precisión

Qué significa:

El modelo puede predecir la presencia de ideación suicida (según PHQ-9)
AUC-ROC del 77%
Solo usando datos pasivos (sin preguntar directamente)

¿Es 77% bueno?

Sí, es muy bueno. Aquí está el contexto:

Para la predicción del suicidio, históricamente:

La valoración clínica tradicional tiene AUC ~0.60-0.65
Escalas de riesgo estándar: AUC ~0.65-0.70
Incluso modelos de machine learning complejos raramente superan 0.75

Nuestro 77% (AUC 0.77) está en el rango superior de lo reportado en la literatura.

¿Es perfecto? No.
¿Es útil clínicamente? Absolutamente.

3. Todo con datos pasivos (no intrusivos)

Esto es crucial.

Los datos usados NO requieren que el paciente:

Complete cuestionarios constantes
Responda preguntas invasivas
Interactúe activamente con la app

Datos capturados automáticamente:

Patrones de sueño: Cuándo duerme, duración, fragmentación
Movilidad: Radio de acción, tiempo fuera de casa, patrones de movimiento
Actividad física: Nivel de actividad, sedentarismo
Interacción social: Volumen de llamadas/mensajes (no contenidos)
Uso del smartphone: Patrones de uso, actividad nocturna
Datos de wearable: Frecuencia cardíaca, pasos, sueño (si disponible)

No accedemos a:

Contenido de conversaciones
Fotos o archivos
Ubicación GPS precisa
Información de apps específicas

Solo patrones de comportamiento agregados.

La tecnología detrás: Transformers en salud mental

¿Qué son los Transformers?

Para quienes no sean expertos en IA:

Transformers es una arquitectura de aprendizaje profundo (deep learning) que revolucionó el campo de la inteligencia artificial:

Es la tecnología detrás de ChatGPT, GPT-4, BERT
Excelente para capturar relaciones complejas en secuencias
Puede «entender» patrones temporales (cómo algo cambia en el tiempo)

¿Por qué es relevante para salud mental?

El comportamiento humano es una secuencia temporal compleja:

Lo que hiciste ayer afecta cómo te sientes hoy
Un patrón de 3 días de mal sueño tiene más significado que 1 día
La tendencia (mejorando vs empeorando) importa tanto como el valor absoluto

Transformers es ideal para capturar esas relaciones temporales complejas.

Nuestra implementación específica

Arquitectura desarrollada:

Modelo Transformer adaptado a series temporales de comportamiento
Capas de atención multi-cabeza (identifica qué señales son más importantes)
Procesamiento de múltiples modalidades de datos simultáneamente
Personalización por paciente (aprende el patrón basal de cada persona)

Entrenamiento:

Datos de [N] pacientes con seguimiento longitudinal
Validación cruzada rigurosa
Conjunto de test independiente (no visto durante entrenamiento)
Métricas estándar (AUC-ROC, sensibilidad, especificidad, F1-score)

Resultado:
Un modelo que puede anticipar cambios emocionales antes de que sean evidentes incluso para el propio paciente.

¿Qué significa esto clínicamente?

Caso de uso 1: Detección temprana de empeoramiento

Escenario tradicional:

Paciente con depresión en seguimiento ambulatorio
Consulta cada 3 semanas
Entre consultas, comienza a empeorar
En la semana 2 aparece ideación suicida
Llega a consulta en semana 3 (ya lleva 1 semana con ideación)

Con predicción pasiva por IA:

Día 3 de empeoramiento: El modelo detecta cambios en sueño, movilidad
Día 5: Alerta al clínico (antes de que aparezca ideación)
Día 6: Llamada telefónica, valoración, ajuste farmacológico
Resultado: Intervención preventiva, no reactiva

Ventana de intervención ganada: 1-2 semanas.

Caso de uso 2: Seguimiento post-alta hospitalaria

Escenario tradicional:

Paciente dado de alta tras ingreso por ideación suicida
Primera consulta ambulatoria en 1-2 semanas
Si hay crisis antes, solo puede ir a urgencias

Con predicción pasiva por IA:

Monitorización continua desde el alta
Detección de señales de recaída días antes
Contacto proactivo del equipo
Evita reingreso urgente

Continuidad asistencial real, no solo en papel.

Caso de uso 3: Personalización del tratamiento

Escenario tradicional:

Ajuste farmacológico basado en autoreporte retrospectivo
«¿Cómo has estado estas 3 semanas?»
Memoria selectiva, sesgos de recuerdo

Con predicción pasiva por IA:

Datos objetivos de evolución día a día
Identificación de qué intervenciones funcionan (correlación temporal)
Ajustes basados en evidencia individual
Tratamiento verdaderamente personalizado

Metodología del estudio: rigor científico

Diseño:

Estudio prospectivo con seguimiento longitudinal
Población con trastornos afectivos (depresión, ansiedad)
Captura de datos pasivos + cuestionarios de referencia (ground truth)
Validación en conjunto de test independiente

Datos:

[N] pacientes, [X] días de seguimiento promedio
[Y] millones de puntos de datos procesados
Múltiples modalidades (sensores, uso móvil, wearables)

Gold standard (verdad de referencia):

PHQ-9 (Patient Health Questionnaire-9): Cuestionario estándar de depresión
Autoreporte de estado emocional (escala visual analógica)
Evaluación clínica periódica

Análisis estadístico:

Partición train/validation/test
Validación cruzada estratificada
Métricas múltiples (no solo accuracy)
Análisis de subgrupos
Pruebas de significancia estadística

Ética:

Aprobación por Comité Ético de Investigación
Consentimiento informado de todos los participantes
Protección de datos según GDPR
Transparencia en limitaciones

Limitaciones (y por qué está bien reconocerlas)

Ningún estudio es perfecto. Estas son nuestras limitaciones reconocidas:

1. Población del estudio:

Principalmente adultos con trastornos afectivos
Necesita validación en otras poblaciones (adolescentes, TMG, etc.)
Muestra mayoritariamente europea

2. Ventana temporal:

Predicción a corto plazo (días-semanas)
No predice eventos a largo plazo (meses)

3. Requiere datos suficientes:

Necesita período de aprendizaje del patrón basal
No funciona con datos muy escasos

4. No es diagnóstico:

Predice estado emocional, no diagnostica trastornos
Requiere validación clínica posterior

5. Factores confusores:

Eventos vitales agudos pueden generar falsos positivos
Necesita interpretación en contexto

Reconocer limitaciones no es debilidad, es rigor científico.

Próximos pasos: del laboratorio a la clínica

Este estudio demuestra factibilidad técnica. Ahora vienen los pasos de implementación clínica:

1. Validación en poblaciones diversas:

Adolescentes y jóvenes adultos
Trastorno mental grave (bipolar, esquizofrenia)
Diferentes contextos culturales
Comorbilidades médicas

2. Estudios de impacto clínico:

¿Reduce hospitalizaciones?
¿Mejora adherencia al tratamiento?
¿Calidad de vida del paciente?
¿Coste-efectividad?

3. Integración en sistemas sanitarios:

Flujos de trabajo hospitalarios
Formación de profesionales
Protocolos de actuación ante alertas
Escalabilidad

4. Refinamiento continuo:

Mejora de algoritmos con más datos
Incorporación de nuevas modalidades
Personalización más profunda
Reducción de falsos positivos

De la publicación a la implementación hay un camino, y estamos recorriéndolo.

Contexto en el estado del arte

¿Cómo se compara con otros trabajos?

Predicción de estado emocional:

Trabajos previos: AUC 0.65-0.85 típicamente
Nuestro 0.98: Entre los mejores reportados
Diferencia clave: Arquitectura Transformer + datos multimodales

Predicción de ideación suicida:

Trabajos previos: AUC 0.60-0.73 típicamente
Nuestro 0.77: En el rango superior de la literatura
Diferencia clave: Solo datos pasivos (otros usan cuestionarios + datos pasivos)

Ventaja de datos pasivos:

Menos carga para el paciente
Mayor adherencia a largo plazo
Captura de pacientes desmotivados (que no responderían cuestionarios)

Nuestra contribución única:
Primeros en aplicar Transformers a predicción emocional usando exclusivamente datos pasivos en población clínica real.

Implicaciones éticas: con gran poder viene gran responsabilidad

La capacidad de predecir estados emocionales plantea cuestiones éticas importantes:

Privacidad:

¿Qué datos capturamos? Solo patrones agregados, no contenidos
¿Quién tiene acceso? Solo equipo clínico autorizado
¿Cuánto tiempo se guardan? Según normativa sanitaria

Autonomía:

¿El paciente puede desactivarlo? Sí, siempre
¿Quién decide actuar ante una alerta? El clínico (humano), no la máquina
¿Se informa al paciente de predicciones? Sí, con contexto adecuado

Equidad:

¿Funciona igual para todos? Necesita validación en poblaciones diversas
¿Puede excluir grupos vulnerables? Riesgo si no hay acceso a smartphones
¿Cómo evitamos sesgos? Datos de entrenamiento representativos, auditorías

Responsabilidad:

¿Qué pasa con falsos positivos? Protocolo de validación clínica
¿Y con falsos negativos? Sistema complementario, no único
¿Quién es responsable de errores? El clínico (humano) toma decisiones finales

Nuestro compromiso:
Desarrollar tecnología éticamente responsable, transparente en limitaciones, y siempre subordinada al criterio clínico humano.