¿Puede una IA orientar de forma segura a una persona mayor con depresión? Cada vez más pacientes y familiares utilizan asistentes de inteligencia artificial para consultar síntomas, medicamentos o decidir cuándo buscar atención profesional. En salud mental, esta práctica plantea una cuestión especialmente sensible: una respuesta apar...
PUBLICIDAD
Crea tu cuenta gratis y léelo completo ahora.
¿Ya estás registrado? Inicia sesión aquí .
Cada vez más pacientes y familiares utilizan asistentes de inteligencia artificial para consultar síntomas, medicamentos o decidir cuándo buscar atención profesional. En salud mental, esta práctica plantea una cuestión especialmente sensible: una respuesta aparentemente correcta puede resultar insuficiente si no reconoce una situación de riesgo.
El problema adquiere especial relevancia en la depresión en personas mayores. Deterioro cognitivo, fragilidad, polifarmacia, enfermedades médicas, aislamiento, autonegligencia o dependencia de cuidadores pueden modificar sustancialmente la interpretación clínica de una consulta.
Un estudio publicado en Frontiers in Psychiatry evaluó cómo respondían tres modelos de lenguaje de propósito general a 90 preguntas sobre depresión en personas mayores, desde cuestiones educativas de bajo riesgo hasta situaciones de suicidio y urgencia psiquiátrica.
El resultado principal fue claro: los tres sistemas resolvieron correctamente muchas consultas, pero su fiabilidad disminuyó cuando aumentó la complejidad y el riesgo clínico.
Los investigadores compararon las versiones disponibles en el momento del estudio de tres asistentes: ChatGPT, Gemini y Doubao.
Las preguntas cubrían seis dominios de psiquiatría geriátrica y se distribuyeron de forma equilibrada:
30 de bajo riesgo, 30 de riesgo moderado y 30 de alto riesgo.
Además, 60 preguntas estaban formuladas desde la perspectiva de una persona mayor y 30 desde la de un familiar o cuidador.
Cada pregunta se introdujo en una conversación nueva, sin repreguntas, correcciones ni regeneración de respuestas. En la primera ronda se obtuvieron 270 respuestas. Posteriormente se repitieron 30 preguntas seleccionadas para evaluar la estabilidad de las contestaciones, alcanzando un total de 360 respuestas analizadas.
Dos psiquiatras evaluaron independientemente las respuestas anonimizadas y un tercer especialista intervino cuando existían discrepancias clínicamente importantes.
Este es uno de los puntos fuertes del trabajo.
Los investigadores no se limitaron a comprobar si la información proporcionada por la IA era correcta. Para considerar una respuesta clínicamente aceptable evaluaron simultáneamente:
exactitud, seguridad clínica, adecuación geriátrica, reconocimiento de señales de alarma y nivel de triaje recomendado.
Este planteamiento resulta especialmente pertinente en salud mental.
Un modelo puede explicar correctamente qué es la depresión y, al mismo tiempo, ofrecer una respuesta clínicamente insegura si no reconoce que una persona con abandono de la alimentación, confusión aguda o ideas de muerte necesita una valoración más urgente.
En el conjunto de las 90 preguntas, las respuestas consideradas clínicamente aceptables fueron:
ChatGPT: 78,9 % (71/90).
Gemini: 72,2 % (65/90).
Doubao: 60,0 % (54/90).
La diferencia global entre los tres sistemas fue estadísticamente significativa (p<0,001).
Sin embargo, hay una precisión importante: ChatGPT no demostró una superioridad estadísticamente significativa frente a Gemini en el resultado principal (p ajustada=0,180).
En cambio, ChatGPT y Gemini sí obtuvieron mejores resultados que Doubao.
Por tanto, los datos permiten comparar el rendimiento observado bajo las condiciones concretas del experimento, pero no establecer una clasificación universal de modelos de IA.
Una respuesta puede ser válida para un adulto joven y resultar incompleta en una persona de 80 años.
Los investigadores evaluaron por ello si las respuestas integraban correctamente factores como cambios cognitivos, comorbilidad médica, fragilidad, capacidad funcional, polifarmacia y participación del cuidador.
La adecuación geriátrica completa apareció en:
64,4 % de las respuestas de ChatGPT,
55,6 % de Gemini
y 43,3 % de Doubao.
Esto muestra una diferencia relevante entre proporcionar información general sobre depresión y interpretar esa información dentro de las particularidades clínicas del envejecimiento.
La principal señal de alerta apareció al analizar las preguntas más complejas.
Entre los escenarios de alto riesgo, la proporción de respuestas clínicamente aceptables descendió hasta:
63,3 % en ChatGPT,
50,0 % en Gemini
y 36,7 % en Doubao.
Es decir, incluso en el sistema con mayor porcentaje observado, más de una de cada tres respuestas de alto riesgo no cumplió todos los criterios establecidos para considerarse clínicamente aceptable.
Precisamente en este grupo se encontraban situaciones donde un error puede tener mayores consecuencias: ideación suicida, depresión psicótica, cambios cognitivos agudos, deterioro funcional, autonegligencia o posibles emergencias médicas.
Uno de los resultados clínicamente más importantes fue el infratriaje: recomendar un nivel de atención menos urgente del que correspondía según el estándar de referencia.
En las preguntas de alto riesgo ocurrió en:
16,7 % de las respuestas de ChatGPT,
26,7 % de Gemini
y 36,7 % de Doubao.
El problema no es únicamente proporcionar una información incorrecta. Un asistente puede generar una explicación razonable y tranquilizadora y, sin embargo, no comunicar suficientemente la necesidad de buscar atención urgente.
Los investigadores encontraron además dificultades para reconocer señales indirectas de riesgo relacionadas con delirium, deterioro médico agudo, escasa ingesta, autonegligencia grave o posible afectación de la capacidad para tomar decisiones.
Los errores graves de seguridad aparecieron en:
5,6 % de las respuestas de ChatGPT,
10,0 % de Gemini
y 16,7 % de Doubao.
La diferencia global fue significativa tras ajustar por comparaciones múltiples (q=0,023).
El problema más frecuente fue el reconocimiento o escalada insuficiente del riesgo suicida.
También aparecieron recomendaciones inadecuadas sobre medicación y respuestas insuficientes ante posibles cuadros de delirium, deterioro médico, autonegligencia o problemas de capacidad.
La gestión completa de una crisis fue particularmente difícil. Todos los componentes definidos previamente como necesarios estuvieron presentes únicamente en el 40 % de las respuestas de ChatGPT, 26,7 % de Gemini y 13,3 % de Doubao.
Entre las omisiones frecuentes estaban indicar que la persona no permaneciera sola, implicar explícitamente a alguien de confianza y reducir el acceso a medicamentos u otros medios potencialmente letales.
Treinta preguntas estaban formuladas específicamente desde la perspectiva de familiares o cuidadores.
En este análisis exploratorio, las respuestas clínicamente aceptables fueron del 76,7 % para ChatGPT, 70 % para Gemini y 53,3 % para Doubao.
Pero el estudio fue más allá y comprobó si la IA indicaba explícitamente qué podía hacer el cuidador.
Esto ocurrió en el 80 %, 70 % y 53,3 % de las respuestas, respectivamente.
La diferencia es importante porque en depresión geriátrica puede no ser suficiente recomendar al paciente que solicite ayuda. El deterioro cognitivo, la dependencia funcional o una crisis suicida pueden requerir que otra persona participe activamente en la búsqueda de asistencia.
Los investigadores evaluaron también la consistencia.
Treinta preguntas se volvieron a introducir días después, utilizando exactamente el mismo texto y conversaciones independientes.
La consistencia clínica entre ambas respuestas fue:
90,0 % para ChatGPT,
83,3 % para Gemini
y 73,3 % para Doubao.
Esto pone de relieve una característica relevante de los modelos generativos: una respuesta correcta en una ocasión no garantiza que el mismo sistema produzca una orientación equivalente al repetir la consulta.
En tareas educativas esta variabilidad puede tener poca trascendencia. En triaje de urgencias o riesgo suicida, puede ser mucho más importante.
Los resultados no indican que los modelos carezcan de utilidad en salud mental.
La exactitud mínima establecida por los investigadores se alcanzó en el 91,1 % de las respuestas de ChatGPT, 86,7 % de Gemini y 76,7 % de Doubao.
Esto sugiere que pueden existir aplicaciones razonables en tareas educativas de bajo riesgo: explicar conceptos generales, ayudar a comprender terminología o proporcionar información complementaria.
El problema aparece cuando la tarea cambia de informar a tomar decisiones clínicas sensibles al riesgo.
Explicar qué es la depresión y decidir si una persona mayor necesita atención psiquiátrica inmediata son problemas radicalmente distintos.
El estudio presenta limitaciones importantes.
Los investigadores evaluaron respuestas a preguntas estandarizadas, no resultados clínicos reales. No analizaron si pacientes o cuidadores comprendían correctamente las respuestas ni si seguían las recomendaciones.
Los 90 escenarios se diseñaron deliberadamente como una prueba exigente y estaban equilibrados entre niveles de riesgo. Por tanto, no representan la frecuencia real de las consultas que reciben estos asistentes en la población general.
Además, las puntuaciones dependen en parte del juicio experto, aunque el diseño utilizó evaluación independiente, estándares predefinidos y adjudicación de discrepancias.
Finalmente, los modelos cambian rápidamente. Los resultados corresponden a versiones concretas evaluadas entre el 1 y el 15 de julio de 2026 y no deben extrapolarse automáticamente a versiones anteriores o posteriores.
1. Los tres modelos proporcionaron numerosas respuestas correctas, pero ninguno alcanzó una fiabilidad suficiente en todos los escenarios de depresión geriátrica.
2. ChatGPT obtuvo un 78,9 % de respuestas clínicamente aceptables frente al 72,2 % de Gemini, pero esta diferencia no fue estadísticamente significativa.
3. El rendimiento disminuyó claramente con el riesgo clínico: en escenarios de alto riesgo, las respuestas aceptables fueron del 63,3 %, 50 % y 36,7 %, respectivamente.
4. Riesgo suicida, deterioro cognitivo agudo, autonegligencia, medicación y necesidad de implicar al cuidador fueron algunos de los principales puntos vulnerables.
5. Estos resultados respaldan un posible papel complementario de la IA en educación de bajo riesgo, pero no su utilización autónoma para triaje, cambios farmacológicos o gestión de crisis.
La principal enseñanza para la IA aplicada a salud mental es que la precisión general no basta para demostrar seguridad clínica. En depresión geriátrica, reconocer el contexto, detectar señales indirectas de riesgo y asignar correctamente la urgencia puede ser tan importante como proporcionar información técnicamente correcta.
Resumen y adaptación editorial: Virginia Candelas García (Cibermedicina / Psiquiatria.com)
Fuente original: Large language models for late-life depression: a blinded benchmark of clinical safety, geriatric appropriateness, and triage. Frontiers in Psychiatry. 2026;17:1956736. Publicado el 11 de septiembre de 2026. DOI: 10.3389/fpsyt.2026.1956736.
Texto completo disponible en: https://www.frontiersin.org/journals/psychiatry/articles/10.3389/fpsyt.2026.1956736/full
Este contenido es un resumen adaptado. La autoría científica corresponde a los autores originales.
Artículo distribuido bajo licencia Creative Commons según la fuente original.
9,1 créditos
Explora el artículo con IA