Evaluación del riesgo de suicidio por parte de médicos para la predicción de intentos de suicidio en un gran sistema de atención sanitaria

Objetivo del estudio

Evaluar cuán efectivas son las evaluaciones clínicas rutinarias del riesgo de suicidio, realizadas por médicos, para predecir intentos de suicidio en los siguientes 90 y 180 días, y si esa capacidad mejora al aplicar modelos de aprendizaje automático con los datos recogidos.

Diseño y muestra

Estudio pronóstico con datos de 89.957 pacientes (≥5 años) atendidos en 12 hospitales del sistema Mass General Brigham (EE.UU.). Se analizaron más de 812.000 evaluaciones estructuradas de riesgo de suicidio entre 2019 y 2023, realizadas por 2.577 médicos en consultas ambulatorias, hospitalización y urgencias.

Resultados clave

Los médicos pueden predecir intentos de suicidio mejor que el azar, especialmente en atención ambulatoria. En consultas externas: AUC = 0,77 En hospitalización: AUC = 0,64 En urgencias: AUC = 0,60

El aprendizaje automático mejora significativamente la predicción, al integrar todos los ítems evaluados (87 variables clínicas): Consultas externas: AUC = 0,87 Hospitalización: AUC = 0,79 Urgencias: AUC = 0,76 La tasa de intentos de suicidio (a 90 días) fue: 0,12% en atención ambulatoria 0,79% en hospitalización 2,40% en urgencias

Conclusiones clínicas

La evaluación clínica del riesgo suicida sí tiene valor predictivo, especialmente cuando el juicio del médico se basa en escalas estructuradas. El uso de IA (aprendizaje automático) potencia aún más esa capacidad predictiva, al integrar múltiples variables clínicas que el juicio humano no siempre pondera con precisión. Incorporar estos modelos podría ayudar a estratificar mejor el riesgo y optimizar los recursos preventivos, especialmente en entornos con alta carga asistencial como urgencias. 

Aplicaciones para la práctica psiquiátrica

Este estudio respalda el valor de las evaluaciones clínicas estructuradas, pero también señala sus límites. La IA no reemplaza al juicio clínico, pero puede servir como herramienta de apoyo a la decisión para priorizar intervenciones en pacientes de alto riesgo. Abre la puerta a incorporar modelos predictivos integrados en las historias clínicas electrónicas para la prevención personalizada del suicidio.