La depresión es un trastorno mental prevalente y discapacitante que representa una de las principales cargas de morbilidad a nivel global. Aunque las terapias psicológicas tradicionales, como la terapia cognitivo-conductual (CBT), han demostrado eficacia en múltiples contextos clínicos, su implementación a gran escala enfrenta barreras logísticas y de acce...
PUBLICIDAD
Crea tu cuenta gratis y léelo completo ahora.
¿Ya estás registrado? Inicia sesión aquí .
La depresión es un trastorno mental prevalente y discapacitante que representa una de las principales cargas de morbilidad a nivel global. Aunque las terapias psicológicas tradicionales, como la terapia cognitivo-conductual (CBT), han demostrado eficacia en múltiples contextos clínicos, su implementación a gran escala enfrenta barreras logísticas y de acceso. En este sentido, las intervenciones basadas en dispositivos móviles están emergiendo como alternativas escalables y accesibles, especialmente para síntomas depresivos subumbral o leves.
Recientemente, un grupo de investigación en Japón realizó un ensayo clínico aleatorizado de CBT basada en un smartphone en una gran muestra de adultos con depresión subumbral (RESiLIENT trial), y desarrolló un modelo de terapia personalizada optimizada (POT) que utiliza machine learning para recomendar combinaciones de habilidades CBT más eficaces para cada individuo. Este artículo examina los resultados de este enfoque innovador, sus implicaciones para la práctica clínica y la investigación en salud mental digital.
El ensayo RESiLIENT: diseño y objetivos
La eficacia de la CBT para la reducción de síntomas depresivos ha sido respaldada por múltiples estudios, incluyendo intervenciones digitales. Sin embargo, la CBT tradicional suele ofrecer un paquete fijo de técnicas, lo que plantea preguntas sobre si todos los componentes son igualmente beneficiosos y para quién. La heterogeneidad en la respuesta terapéutica resalta la necesidad de personalizar las intervenciones para maximizar beneficios clínicos individuales.
El estudio RESiLIENT constituye uno de los mayores ensayos aleatorizados que evalúa CBT móvil en adultos de la comunidad con depresión subumbral. El ensayo fue registrado en el UMIN Clinical Trials Registry (UMIN000047124) y reclutó 4. 469 participantes.
Metodología del ensayo
En el ensayo, los participantes recibieron una de nueve combinaciones de habilidades CBT implementadas en una aplicación móvil, o un grupo de control con información general de salud. Cada intervención se administró durante seis semanas, y los resultados se midieron mediante el Patient Health Questionnaire-9 (PHQ-9) hasta la semana 26.
Modelos predictivos y terapia optimizada (POT)
Uno de los principales avances del estudio fue el desarrollo de modelos prescriptivos que emplean machine learning para predecir cambios en la puntuación del PHQ-9 a largo plazo. Estos modelos permiten anticipar la respuesta terapéutica individual a diferentes combinaciones de habilidades CBT, en lugar de asignar una intervención uniforme a todos los pacientes.
A partir de estos modelos, se generó un algoritmo de terapia personalizada optimizada (POT), diseñado para recomendar la combinación de habilidades CBT más adecuada para cada participante en función de sus características clínicas y demográficas.
Comparación simulada con controles
En una comparación simulada entre el algoritmo POT y el grupo de control, los resultados mostraron que la terapia personalizada optimizada produjo una reducción mayor en los síntomas depresivos a las 26 semanas. La diferencia media en PHQ-9 fue de −1, 41 puntos (IC 95%: −1, 91 a −0, 90) a favor de la terapia POT, lo que corresponde a un tamaño del efecto estándar de −0, 37. Este efecto fue aproximadamente un 35% superior al de la mejor intervención promedio no personalizada.
Implicaciones para la práctica clínica y la salud mental digital
La evidencia sugiere que la personalización de las intervenciones psicoterapéuticas tiene el potencial de mejorar de manera significativa los resultados clínicos en depresión. Utilizar datos individuales para predecir la respuesta terapéutica y ajustar componentes de la terapia podría representar un avance hacia una medicina más precisa y eficiente en salud mental.
Las intervenciones basadas en smartphone permiten un acceso amplio y continuo a estrategias terapéuticas probadas, reduciendo barreras geográficas y de recursos. Además, la recopilación automatizada de datos facilita la retroalimentación continua y el ajuste dinámico de la intervención, alineándose con enfoques de salud digital centrados en el usuario.
Limitaciones y direcciones futuras
Si bien los resultados simulados del algoritmo POT son prometedores, se señala la necesidad de realizar nuevos ensayos aleatorizados que evalúen prospectivamente la validez externa y la aplicabilidad clínica del algoritmo en diferentes contextos y poblaciones. La variabilidad individual en la adherencia y la interacción con la tecnología también representa un factor a considerar.
Conclusiones prácticas
El ensayo RESiLIENT aporta evidencia robusta de que la terapia cognitivo-conductual basada en smartphone es eficaz para reducir síntomas depresivos subumbral en adultos de la comunidad. La implementación de modelos de machine learning para personalizar las combinaciones de habilidades CBT se asocia a beneficios adicionales frente a intervenciones no personalizadas, aunque se requiere confirmación mediante ensayos prospectivos.
Resumen y adaptación editorial: Virginia Candelas García (Cibermedicina / Psiquiatria. com)
Fuente original: Personalised & optimised therapy (POT) algorithm using five cognitive and behavioural skills for subthreshold depression-npj Medicina Digital volumen 8, Número de artículo:531
Texto completo disponible en:https://www.nature.com/articles/s41746-025-01906-6
Este contenido es un resumen adaptado. La autoría científica corresponde a los autores originales.
Artículo distribuido bajo licencia Creative Commons según la fuente original.
Explora el artículo con IA