Martes a las once. Ana, 41 años, episodio depresivo mayor, lleva cuatro semanas con tratamiento. Me enseña el móvil: registra cada noche treinta segundos un cuestionario breve sobre su estado de ánimo y duerme con una pulsera que mide su sueño. «No sé si esto sirve para algo, doctor». Esta semana, por primera vez, puedo decirle que sí. ...
PUBLICIDAD
Crea tu cuenta gratis y léelo completo ahora.
¿Ya estás registrado? Inicia sesión aquí .
Martes a las once. Ana, 41 años, episodio depresivo mayor, lleva cuatro semanas con tratamiento. Me enseña el móvil: registra cada noche treinta segundos un cuestionario breve sobre su estado de ánimo y duerme con una pulsera que mide su sueño. «No sé si esto sirve para algo, doctor».
Esta semana, por primera vez, puedo decirle que sí. Y puedo decirle, con bastante precisión, para qué sirve y para qué no. Han llegado tres trabajos que, leídos juntos, dibujan el estado real del fenotipado digital en psiquiatría hoy. Tres momentos clínicos distintos, tres grados de madurez. Vamos por orden.
1. Lo que el móvil te dice sobre la trayectoria del depresivo en tratamiento
El grupo de Beijing Anding (Capital Medical University) publica en JMIR mHealth and uHealth un estudio prospectivo multicéntrico con 229 pacientes con trastorno depresivo mayor, seguidos doce semanas. Cada paciente rellenaba un autoinforme breve en el móvil (Immediate Mood Scaler, Altman) y dormía con una pulsera de actividad. La pregunta era: ¿pueden estos datos pasivos clasificar la trayectoria de respuesta al tratamiento? La respuesta es interesante.
El clustering identifica cuatro patrones de evolución: descenso estable, descenso con fluctuaciones, descenso rápido, y respuesta tardía con fluctuaciones. Con las medidas del móvil incorporadas, los modelos de machine learning alcanzan una exactitud global del 60,87 %, frente a menos del 50 % sin ellas. Mejor predicción en respondedores estables (84,21 %) que en perfiles inestables (62,96 %).Y un dato que me parece clave para la consulta: el estado de ánimo autorreportado en el móvil pesó más que los datos de sueño. Es decir, lo que el paciente teclea treinta segundos al día predice mejor su trayectoria que la pulsera del brazo.
¿Qué te llevas?
Que el móvil no te dice si un paciente va a responder. Te dice cómo va a evolucionar. Y eso, clínicamente, es lo realmente útil. Si a las cuatro semanas el patrón pinta «descenso con fluctuaciones», sabes que te conviene una cadencia de citas más estrecha de lo habitual. Si pinta «descenso estable», puedes espaciar.
2. El cribado de suicidio que llevamos décadas haciendo deja escapar al 82 %
El segundo trabajo, también en JMIR, viene de Johns Hopkins en colaboración con el Indian Health Service. 26.896 visitas a urgencias de 7.897 pacientes de comunidades indígenas norteamericanas entre 2019 y 2021. Comparan tres estrategias para identificar a quien hará un intento de suicidio o morirá por suicidio en los siguientes 90 días: la escala ASQ sola (cribado verbal estándar), un modelo de ML basado en historia clínica electrónica, y combinaciones de ambos.
El número que duele leer: el ASQ aislado capta solo al 17,8 % de quienes efectivamente actuarán a 90 días. Es decir, ochenta y dos de cada cien casos se nos escapan con el cribado tradicional. El modelo de ML al percentil 75 sube la sensibilidad a 0,782 —multiplica por más de cuatro la captación—.
Y la estrategia que mejor rinde es el test en paralelo: si cualquiera de las dos herramientas (ASQ o ML) marca rojo, se indaga. Esta combinación alcanza una sensibilidad del 79,5 % sin perder ningún caso del cribado clásico.El valor predictivo positivo siempre es bajo, claro. Vas a tener muchos falsos positivos. Pero en suicidio el falso positivo es una entrevista clínica adicional; el falso negativo es un funeral. La asimetría no admite discusión.
¿Cómo aterriza esto?
Si tu hospital ya tiene un modelo predictivo de riesgo de suicidio integrado en la historia clínica electrónica (cada vez más sí), no lo uses para sustituir al cribado verbal: úsalo en paralelo. Si una de las dos vías marca rojo, indaga. Y si no lo tiene, ya tienes un argumento para empezar a pedirlo.
3. La voz, la cara y el lenguaje peritrauma: la frontera más interesanteE
l tercer trabajo es más experimental, pero apunta a una de las ventanas clínicas que peor manejamos: las primeras horas tras un accidente, una agresión o un desastre. El grupo de Bryant (Universidad de Nueva Gales del Sur y NYU) publica en European Journal of Psychotraumatology un estudio con 81 universitarios expuestos a un trauma análogo (vídeo de accidente). Inmediatamente después se grababa su descripción del suceso. De esa grabación extrajeron tres tipos de datos: rasgos faciales, características vocales y patrones lingüísticos.
¿Para qué? Para predecir, a tres días, la reactividad a desencadenantes y la vividez del recuerdo intrusivo. Los resultados son llamativos: R² de 0,23 para reactividad y, sobre todo, R² de 0,55 para vividez del recuerdo a tres días. Y un dato que cambia la lectura tradicional: las características vocales y de lenguaje pesaron más que las faciales. No es la cara que pone el paciente al contar lo ocurrido; es cómo lo cuenta.
Atención: muestra pequeña, universitarios, trauma análogo. No estamos cerca de la consulta todavía. Pero el mensaje es claro: lo que hoy hacemos mal con escalas en urgencias (predecir quién desarrollará intrusiones tras un accidente) mañana podría hacerse con dos minutos de grabación analizada por software.
Tres ideas para la consulta
Primera: si tienes pacientes que ya usan apps de mood-tracking, no las descartes. El autoinforme breve y diario es más informativo de lo que parece. Pídeles que te lo enseñen al inicio de cada cita. Treinta segundos.
Segunda: si trabajas en urgencias o psiquiatría hospitalaria con cribado de suicidio, el ASQ no es suficiente. Si tu centro tiene un modelo predictivo, úsalo en paralelo. Si no lo tiene, plantéalo en la próxima reunión de servicio. Hay datos para defender la inversión.
Tercera: cuando llegue un paciente tras un accidente reciente, escucha cómo lo cuenta, no solo qué cuenta. La prosodia, la fluidez, el vocabulario. Lo que la máquina aún no analiza de manera fiable, tu oído entrenado sí lo capta. Ese es, hoy, tu mejor sensor.Los datos pasivos no sustituyen a la entrevista clínica. La aceleran. Y, cuando se usan bien, nos avisan antes.
Referencias
- Zhong R, Li N, Xiao L, et al. Contribution of Longitudinal Mobile Health Measures in the Dynamic Track of Patients With Major Depressive Disorder: Multiple Centers, Prospective Cohort Study Using Functional Data Analysis and Machine Learning. JMIR mHealth and uHealth. 2026. DOI: 10.2196/81397
Goklish NA, Haroz EE, Dayal RR, et al. Combining Machine Learning Models and Screening to Enhance Suicide Risk Identification for American Indian Patients: Retrospective Cohort Study. Journal of Medical Internet Research. 2026. DOI: 10.2196/82669
- Meaney T, Yadav V, Galatzer-Levy I, Bryant R. Examining the utility of digital phenotyping for the prediction of intrusive experiences. European Journal of Psychotraumatology. 2026. DOI: 10.1080/20008066.2026.2646126
orlando tipismana neyra
Psicólogo - Perú
Fecha: 13/05/2026
Explora el artículo con IA