Un avance pionero: predecir estados emocionales con IA
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 por primera vez que es posible predecir estados emocionales con alta precisión utilizando únicamente datos pasivos obtenidos del smartphone del paciente, aplicando arquitecturas de Transformers (la misma tecnología detrás de modelos como GPT y BERT).
Los resultados son prometedores:
- 98% de precisión (AUC-ROC) 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 este avance es importante en 2021
El contexto en salud mental digital
En 2021, la salud mental digital está experimentando un crecimiento explosivo:
Factores convergentes:
- La pandemia COVID-19 ha exacerbado problemas de salud mental globalmente
- Aumento de demanda de atención que los sistemas sanitarios no pueden absorber
- Aceptación creciente de tecnología en salud (telemedicina, apps de salud)
- Maduración de tecnologías de IA (deep learning, NLP, computer vision)
Pero un problema persistente:
La mayoría de apps de salud mental son pasivas (meditación, psicoeducación) o reactivas (diarios emocionales que requieren acción del usuario).
Lo que necesitamos: Tecnología predictiva y proactiva que detecte cambios emocionales antes de que el paciente o el clínico los perciban.
Este estudio demuestra que es técnicamente posible.
La innovación: Transformers aplicados a comportamiento humano
¿Qué son los Transformers?
Transformers es una arquitectura de deep learning que revolucionó el campo de la inteligencia artificial en 2017:
- Desarrollada por Google Brain (paper «Attention is All You Need»)
- Base de modelos como BERT (Google, 2018), GPT-2/GPT-3 (OpenAI, 2019-2020)
- Excelente para capturar relaciones complejas en secuencias temporales
- Mecanismo de «atención» que identifica qué partes de la secuencia son más importantes
Hasta ahora, se había usado principalmente para:
- Procesamiento de lenguaje natural (traducción, generación de texto)
- Visión por computador (clasificación de imágenes, detección de objetos)
- Análisis de secuencias biológicas (proteínas, ADN)
Nuestra innovación en este estudio:
Primera aplicación de Transformers a series temporales de comportamiento humano para predicción de estados emocionales.
No analizamos texto ni imágenes. Analizamos patrones de comportamiento digital como secuencias temporales.
Metodología: ¿Cómo lo hicimos?
Población del estudio:
- Pacientes con trastornos afectivos (depresión mayor, trastorno bipolar, trastornos de ansiedad)
- Seguimiento longitudinal durante varios meses
- Recogida simultánea de:
- Datos pasivos (smartphone: movilidad, sueño, uso del dispositivo, interacción social)
- Ground truth (cuestionarios PHQ-9, autoreporte de estado emocional, evaluación clínica)
Datos capturados automáticamente:
Patrones de sueño:
- Horario de dormir/despertar
- Duración total de sueño
- Fragmentación del sueño
- Actividad nocturna (uso del móvil durante la noche)
Movilidad y actividad:
- Radio de acción (¿sale de casa?)
- Nivel de actividad física (pasos, tiempo activo)
- Regularidad de rutinas
- Tiempo sedentario
Interacción social:
- Volumen de llamadas y mensajes (no contenidos)
- Diversidad de contactos
- Reciprocidad en comunicación
Uso del smartphone:
- Tiempo total de uso
- Patrones temporales (uso diurno vs nocturno)
- Número de debloqueos
- Diversidad de aplicaciones usadas
Importante: No accedemos a contenidos privados (conversaciones, fotos, navegación web).
Arquitectura del modelo:
Preprocesamiento:
- Ventanas temporales de 7 días (una semana de datos para predecir estado actual)
- Normalización por paciente (cada persona es su propio control)
- Imputación de datos faltantes
Red Transformer:
- Múltiples capas de atención multi-cabeza
- Codificador de series temporales multimodales
- Capas densas para clasificación final
Entrenamiento:
- División train/validation/test (60%/20%/20%)
- Validación cruzada estratificada
- Optimización de hiperparámetros
- Early stopping para evitar overfitting
Salidas del modelo:
- Clasificación de estado emocional: Positivo / Neutro / Negativo
- Predicción de presencia de ideación suicida (según PHQ-9 ítem 9)
Resultados: las cifras que importan
1. Predicción de estado emocional: AUC-ROC 98%
¿Qué significa?
- El modelo puede distinguir entre estados emocionales positivos, neutros y negativos con casi perfecta precisión
- AUC-ROC de 0.98 indica que el modelo casi nunca se equivoca
- Supera significativamente métodos previos basados en machine learning tradicional
Contexto comparativo (literatura 2018-2021):
- Métodos previos (SVM, Random Forest): AUC ~0.65-0.80
- Redes neuronales recurrentes (LSTM): AUC ~0.75-0.85
- Nuestro Transformer: AUC 0.98 ← Mejora sustancial
¿Por qué Transformers funciona mejor?
Captura relaciones temporales complejas (no solo tendencias lineales)
Identifica qué días/horas son más informativos (mecanismo de atención)
Procesa múltiples modalidades simultáneamente (sueño + movilidad + social)
Aprende patrones personalizados por paciente
2. Predicción de ideación suicida: AUC-ROC 77%
¿Qué significa?
- El modelo puede predecir la presencia de ideación suicida (PHQ-9 ítem 9 ≥1) con 77% de precisión
- Solo usando datos pasivos (sin preguntar directamente sobre pensamientos suicidas)
- Esto es extraordinariamente relevante clínicamente
Contexto comparativo:
En 2021, la predicción del riesgo suicida es uno de los mayores desafíos de la psiquiatría:
- Valoración clínica tradicional: AUC ~0.60-0.65 (poco mejor que azar)
- Escalas de riesgo: AUC ~0.65-0.70
- Modelos de ML previos: AUC ~0.70-0.75
Nuestro 77% está en el límite superior de lo reportado en la literatura hasta 2021.
¿Es perfecto? No.
¿Es clínicamente útil? Absolutamente sí.
3. Todo con datos no intrusivos
Este es quizás el hallazgo más importante:
No requerimos que el paciente:
- Complete cuestionarios diarios (carga cognitiva)
- Responda preguntas sobre suicidio (puede ser gatillo emocional)
- Haga nada diferente a su vida normal
Los datos se capturan pasivamente, automáticamente, en segundo plano.
Implicaciones:
- Mayor adherencia (no hay «tarea» que hacer)
- Menos sesgo de autoreporte (datos objetivos)
- Escalable (no requiere intervención humana continua)
- Accesible (smartphone que ya tienen)
¿Qué hace diferente a este estudio?
En 2021 ya existían trabajos sobre predicción emocional con datos de smartphone. ¿Qué aporta este estudio?
1. Primera aplicación de Transformers
Trabajos previos usaban:
- Support Vector Machines (SVM)
- Random Forests
- Redes neuronales simples (feedforward)
- LSTM (Long Short-Term Memory, tipo de RNN)
Nosotros aplicamos Transformers:
- Arquitectura más moderna y potente
- Mejor captura de dependencias temporales a largo plazo
- Resultados superiores (98% vs 75-85% típico)
2. Solo datos pasivos (no híbrido)
Muchos estudios previos combinaban:
- Datos pasivos (sensores)
- Datos activos (cuestionarios EMA – Ecological Momentary Assessment)
Nuestro estudio usa SOLO datos pasivos:
- Demuestra que no son necesarios los cuestionarios frecuentes
- Más escalable y menos intrusivo
- Más realista para implementación clínica
3. Población clínica real (no estudiantes voluntarios)
Problema común en investigación digital health:
- Muchos estudios usan estudiantes universitarios voluntarios (WEIRD: Western, Educated, Industrialized, Rich, Democratic)
- Población con alta motivación, baja severidad clínica
Nuestro estudio:
- Población clínica real (diagnósticos DSM-5)
- Pacientes en tratamiento en hospitales
- Severidad variable (leve a grave)
- Más representativo de uso clínico real
4. Validación en predicción de ideación suicida
Tema altamente sensible y crítico:
- Pocos estudios en 2021 abordan específicamente predicción de ideación suicida
- Los que existen suelen tener muestras pequeñas o datos retrospectivos
Nuestro estudio:
- Predicción prospectiva (hacia adelante en el tiempo)
- Población con riesgo real
- Validación rigurosa con PHQ-9 (gold standard)
Limitaciones (reconocidas en el paper)
La ciencia requiere honestidad sobre limitaciones:
1. Tamaño muestral
Aunque adecuado para este tipo de estudio, podría beneficiarse de validación en cohortes más grandes.
2. Población específica
Principalmente adultos europeos con trastornos afectivos. Necesita validación en:
- Otras edades (adolescentes, ancianos)
- Otras culturas y contextos socioeconómicos
- Otras patologías (esquizofrenia, TDAH, etc.)
3. Ventana temporal
Predicción a corto plazo (estado actual/próximos días). No predice eventos a largo plazo (meses).
4. Interpretabilidad
Los Transformers son «cajas negras» parciales. Aunque tienen mecanismos de atención que ofrecen cierta interpretabilidad, no siempre es claro POR QUÉ el modelo predice lo que predice.
5. Factores confusores
Eventos vitales agudos (muerte de familiar, despido, ruptura) pueden generar cambios comportamentales que el modelo puede malinterpretar.
Implicaciones para 2021 y más allá
Para la investigación:
Este estudio abre puertas para:
Aplicar Transformers a otras áreas de salud mental digital
Explorar predicción de eventos específicos (hospitalizaciones, intentos de suicidio)
Desarrollar modelos personalizados (por paciente individual)
Investigar interpretabilidad (¿qué patrones son más predictivos?)
Para la clínica:
Demuestra viabilidad técnica de:
Monitorización continua con alertas predictivas (no solo descriptivas)
Detección de riesgo suicida sin preguntar directamente
Complementar valoración clínica con datos objetivos
Intervención preventiva antes de crisis
Para eB2 como empresa:
Este estudio valida científicamente la tecnología detrás de eB2 MindCare:
No es «tecnología experimental» – está publicada en revista de alto impacto
Resultados superiores a estado del arte (en 2021)
Base para certificación como Producto Sanitario
Diferenciación de apps de wellness sin validación
Próximos pasos (perspectiva de 2021)
En investigación:
Corto plazo (2021-2022):
- Validación en cohortes independientes
- Expansión a otras poblaciones
- Estudios de interpretabilidad
- Análisis de subgrupos
Medio plazo (2022-2024):
- Estudios de impacto clínico (¿reduce hospitalizaciones?)
- Ensayos clínicos aleatorizados
- Validación en múltiples centros
- Publicaciones de seguimiento
En implementación clínica:
Fase actual (2021):
- Pilotos en hospitales colaboradores
- Formación de profesionales
- Refinamiento de interfaz clínica
- Protocolos de actuación ante alertas
Siguientes fases (2022-2025):
- Escalado a más hospitales
- Integración con historias clínicas
- Certificación CE como Producto Sanitario
- Evaluación de coste-efectividad
El equipo detrás del estudio
Este trabajo es fruto de colaboración interdisciplinar:
Universidad Carlos III de Madrid:
- Departamento de Teoría de la Señal y Comunicaciones
- Grupo de Bioingeniería y Telemedicina
- Expertise en procesamiento de señales y machine learning
eB2 (Evidence-Based Behavior):
- Plataforma de captura de datos
- Diseño de algoritmos de IA
- Experiencia en implementación clínica
Hospitales colaboradores:
- Reclutamiento de pacientes
- Supervisión clínica
- Validación de resultados
Financiación:
- Proyectos de investigación nacionales y europeos
- Colaboración universidad-empresa
Acceso a la publicación
Referencia completa:
Título: Predicting emotional states through AI and passive data: A novel approach
Autores: [Lista de autores]
Journal: Journal of Medical Internet Research (JMIR)
Año: 2021
DOI: [DOI del artículo]
Impact Factor (2020): 5.428 (Q1 en Medical Informatics)
📄 Leer artículo completo en JMIR
Nota: JMIR es open access, el artículo está libremente disponible.