Introducción
La salud mental en la adolescencia representa uno de los grandes retos actuales para los sistemas sanitarios. Una proporción significativa de los trastornos mentales debuta antes de los 25 años, y en muchos casos durante la etapa escolar. Sin embargo, la mayoría de los adolescentes con síntomas clínicamente relevantes no solicita ayuda profesional, lo que limita las oportunidades de detección e intervención precoz.
En este contexto, el fenotipado digital emerge como una estrategia prometedora para identificar señales tempranas de riesgo psicopatológico de forma escalable, continua y con baja carga para el usuario. El uso cotidiano del smartphone permite recoger tanto datos activos (autoinformes breves sobre estado emocional o sueño) como datos pasivos (patrones de movilidad, uso de aplicaciones o exposición a luz), ofreciendo una ventana al comportamiento en entornos naturales.
Un estudio publicado en Journal of Medical Internet Research aporta evidencia sólida sobre la viabilidad de esta aproximación en población adolescente no clínica, combinando fenotipado digital y técnicas avanzadas de aprendizaje automático.
Fenotipado digital: de la teoría a la práctica clínica
El fenotipado digital se refiere a la caracterización cuantitativa del comportamiento humano mediante datos generados por dispositivos digitales. En salud mental, permite capturar dinámicas conductuales y emocionales que difícilmente se detectan en consultas puntuales.
Datos activos
Los datos activos recogen información subjetiva relevante —como estado de ánimo, pensamientos negativos o calidad del sueño—, pero dependen del compromiso del usuario y pueden verse afectados por sesgos de recuerdo.
Datos pasivos
Los datos pasivos se obtienen de forma continua y objetiva a través de sensores del smartphone (por ejemplo, GPS, pasos, uso de apps, brillo de pantalla o ruido ambiental), aunque requieren interpretación contextual cuidadosa y una gobernanza sólida para su uso responsable.
Por qué importa la integración multimodal
La integración de ambas modalidades permite relacionar cómo se siente una persona con cómo se comporta en su vida diaria. En práctica clínica y preventiva, esto puede ayudar a identificar discrepancias relevantes (por ejemplo, autoinformes aparentemente “neutros” junto a patrones conductuales compatibles con retraimiento, disrupción del sueño o cambios marcados de rutina).
El estudio: IA aplicada a adolescentes en contextos no clínicos
Kadirvelu y colaboradores evaluaron la factibilidad del fenotipado digital en 103 adolescentes escolarizados del Reino Unido (edad media 16 años), sin selección clínica previa. Durante 14 días, los participantes utilizaron una aplicación móvil que recogía:
- Datos activos diarios: estado de ánimo, soledad, pensamientos negativos, calidad del sueño, autocuidado, entre otros.
- Datos pasivos continuos: localización, pasos, uso de aplicaciones, luz ambiental, ruido nocturno y patrones de batería.
El objetivo fue predecir riesgo en cuatro dominios relevantes para psiquiatría infanto-juvenil: dificultades emocionales y conductuales (SDQ), insomnio, ideación suicida y riesgo de trastornos de la conducta alimentaria.
Machine learning y aprendizaje contrastivo: estabilidad en datos reales
Una de las contribuciones metodológicas más destacables es el uso de aprendizaje contrastivo previo al entrenamiento supervisado. Este enfoque permite que el modelo aprenda una “huella digital conductual” más estable de cada usuario, diferenciando patrones propios del individuo de fluctuaciones diarias no necesariamente relacionadas con riesgo clínico.
Posteriormente, estas representaciones se utilizaron para entrenar modelos de clasificación binaria. La evaluación incluyó una validación cruzada dejando un sujeto fuera, un diseño que se aproxima al escenario real en el que el sistema debe generalizar a un nuevo usuario.
Resultados clave: cuando la multimodalidad marca la diferencia
Los modelos que integraron datos activos y pasivos superaron sistemáticamente a los modelos unimodales. Las precisiones balanceadas fueron:
- Riesgo SDQ alto: 0,71
- Insomnio: 0,67
- Ideación suicida: 0,77
- Riesgo de trastornos alimentarios: 0,70
Además, el patrón general se observó en una cohorte externa independiente, lo que sugiere una capacidad de generalización razonable, si bien con descenso de rendimiento en algunos desenlaces.
Señales digitales con plausibilidad clínica
El análisis de explicabilidad (SHAP) destacó variables con interés clínico, combinando indicadores subjetivos (por ejemplo, pensamientos negativos o soledad) con marcadores conductuales/ambientales (por ejemplo, variabilidad de rutina y exposición nocturna a luz), reforzando la idea de que el valor emerge de la combinación de “cómo me siento” y “qué hago”.
Implicaciones para la práctica clínica y la prevención
Estos resultados respaldan el potencial del fenotipado digital como herramienta de detección precoz, especialmente en contextos donde el acceso a profesionales de salud mental es limitado o el estigma dificulta la demanda de ayuda.
En entornos escolares, podría complementar programas de cribado tradicionales, apoyando estrategias escalonadas (stepped-care) y priorización de seguimiento. En el ámbito clínico, puede contribuir al seguimiento entre visitas y a la identificación de cambios conductuales relevantes, siempre como apoyo a la evaluación, y no como sustitución de la misma.
En todos los casos, la implementación exige protocolos claros: definición de objetivos, umbrales de acción, canales de derivación y supervisión humana de cualquier salida algorítmica.
Consideraciones éticas y limitaciones
El uso de datos pasivos en menores plantea retos éticos relevantes: transparencia y comprensibilidad, consentimiento informado dinámico, minimización de datos, gobernanza y prevención de “etiquetado digital” o sobrerreacción ante falsos positivos. La interpretabilidad técnica no equivale a explicabilidad útil para adolescentes, familias o centros educativos; se requiere una capa de traducción centrada en el usuario.
Entre las limitaciones, destacan el tamaño muestral y la concentración geográfica, así como la heterogeneidad en permisos y activación de sensores. Además, ciertas estrategias de agregación pueden reducir sensibilidad a cambios abruptos, un aspecto a considerar si se aspira a detectar descompensaciones agudas.
Conclusiones
La combinación de fenotipado digital e inteligencia artificial aplicada a datos reales de smartphone muestra un potencial relevante para mejorar la detección temprana de riesgo en salud mental adolescente. Integrar datos activos y pasivos ofrece una visión más completa del funcionamiento psicológico cotidiano y abre oportunidades para la prevención en psiquiatría.
El siguiente paso es trasladar esta evidencia a implementaciones responsables: evaluación prospectiva, análisis de equidad, diseño participativo y encaje con los circuitos asistenciales y escolares, garantizando siempre supervisión clínica.
Marc Moreno Blanco. Comité científico psiquiatria.com
Kadirvelu B. et al. Digital Phenotyping for Adolescent Mental Health: Feasibility Study Using Machine Learning o Predict Mental Health Risk From Active and Passive Smartphone Data. Journal of Medical Internet Research, 2026. Licencia: CC BY 4.0.
5,9 créditos
Explora el artículo con IA