MoodMon es un sistema de inteligencia artificial validado en 100 pacientes con trastorno bipolar o depresión mayor durante hasta 944 días, que analiza 243 características acústicas de la voz para detectar cambios de estado mental con una sensibilidad del 89,5% y una especificidad del 98,8%. Las alertas que genera aumentan la probabilidad de que el paciente acuda antes a...
PUBLICIDAD
Crea tu cuenta gratis y léelo completo ahora.
¿Ya estás registrado? Inicia sesión aquí .
MoodMon es un sistema de inteligencia artificial validado en 100 pacientes con trastorno bipolar o depresión mayor durante hasta 944 días, que analiza 243 características acústicas de la voz para detectar cambios de estado mental con una sensibilidad del 89,5% y una especificidad del 98,8%. Las alertas que genera aumentan la probabilidad de que el paciente acuda antes a consulta y de que se ajuste el tratamiento a tiempo.
Qué se ha publicado
Un equipo del Institute of Psychiatry and Neurology de Varsovia (Polonia) ha publicado en JMIR AI la validación de MoodMon, un sistema clínico de IA para la monitorización remota de trastornos afectivos a través del habla. El estudio siguió a 75 pacientes con trastorno bipolar y 25 con depresión mayor durante un total de 944 días — según los autores, el análisis longitudinal más largo hasta la fecha en estas dos patologías combinadas.
Cómo funciona
El sistema extrae 243 características acústicas de la voz del paciente (ritmo, tono, pausas, energía) a través de una app para smartphone. El modelo de aprendizaje automático se entrenó bajo supervisión directa de psiquiatras, usando como referencia tres instrumentos que ya conoces de la consulta: la Escala de Hamilton para la Depresión (17 ítems), la Young Mania Rating Scale y la Clinical Global Impression Scale.El proceso tuvo dos fases: primero el sistema aprendió a partir de las evaluaciones clínicas reales; después se refinó con datos individuales y poblacionales, generando alertas cuando detectaba cambios sutiles en el estado mental.
Los números que importan
Sobre un total de 30.579 evaluaciones negativas y 1.286 positivas:
- Sensibilidad conjunta: 89,5% (detecta 9 de cada 10 cambios de estado reales)
- Especificidad conjunta: 98,8% (muy pocas falsas alarmas)
- Por diagnóstico: en trastorno bipolar, sensibilidad 89,6% y especificidad 98,9%; en depresión mayor, sensibilidad 89,1% y especificidad 98,5%
El dato clínicamente más relevante no es de precisión técnica, sino de impacto: las alertas de voz aumentan la probabilidad de que el paciente acuda antes a una visita y de que se modifique el tratamiento a tiempo, según registran los propios autores.
Qué cambia para tu práctica
Para un psiquiatra que atiende trastorno bipolar o depresión mayor, la promesa de MoodMon no es sustituir la entrevista clínica, sino anticipar la necesidad de adelantarla. Un paciente que empieza a virar hacia manía o hacia un episodio depresivo suele tardar semanas en pedir cita — el margen entre el primer cambio detectable y la consulta es, muchas veces, el margen entre una intervención sencilla y una crisis.
Dicho esto, conviene leer la cifra con perspectiva: 100 pacientes es una muestra modesta para un sistema pensado para uso clínico amplio, y el estudio procede de un único centro. La replicación en otras poblaciones y sistemas sanitarios — incluidos los hispanohablantes, donde la prosodia del habla difiere del polaco — está aún pendiente.
La cautela de siempre
MoodMon informa, no diagnostica ni prescribe. Una alerta de voz es una señal para adelantar una consulta, nunca una indicación automática de cambio de tratamiento. Y como con cualquier sistema que analiza datos biométricos del habla, antes de plantear su uso en tu entorno hay que resolver primero dónde se almacenan esos datos y bajo qué marco de consentimiento — la validación clínica del algoritmo no resuelve por sí sola la cuestión RGPD.
Fuente: Sokół-Szawłowska M, Święcicki Ł, Kolasa K, Kaczmarek-Majer K. "A Clinical AI-Based System (MoodMon) for Affective Disorders: Algorithm Development and Validation." JMIR AI, 2026;5:e89981. DOI: 10.2196/89981 — según PubMed, artículo de acceso abierto en JMIR AI (CC BY por criterio habitual de la casa, sin necesidad de verificación adicional).
Elaborado con apoyo de IA y revisión clínica del equipo de Psiquiatria.com. Autoría: Marc Moreno.
Explora el artículo con IA