La depresión representa una de las principales causas de discapacidad a nivel mundial, con un espectro que va desde síntomas leves hasta episodios depresivos mayores. En los últimos años, las intervenciones digitales, particularmente las basadas en terapia cognitivo-conductual (CBT), han mostrado eficacia en depresión subumbrala y leve, ofreciendo accesib...
PUBLICIDAD
Crea tu cuenta gratis y léelo completo ahora.
¿Ya estás registrado? Inicia sesión aquí .
La depresión representa una de las principales causas de discapacidad a nivel mundial, con un espectro que va desde síntomas leves hasta episodios depresivos mayores. En los últimos años, las intervenciones digitales, particularmente las basadas en terapia cognitivo-conductual (CBT), han mostrado eficacia en depresión subumbrala y leve, ofreciendo accesibilidad y escalabilidad superiores a la terapia tradicional presencial.
Sin embargo, existe la necesidad de mejorar la eficacia individual de las intervenciones y de adaptar el tratamiento a las características específicas de cada paciente. La personalización del tratamiento, apoyada por modelos predictivos generados mediante aprendizaje automático, podría ser un paso clave hacia la llamada “medicina de precisión” en salud mental.
El ensayo RESiLIENT (Resilience Enhancement with Smartphone in LIving ENvironmenTs), registrado bajo UMIN000047124, fue un ensayo clínico aleatorizado llevado a cabo en Japón con una muestra amplia de 4 469 adultos. Su objetivo fue evaluar la eficacia de distintos módulos de CBT entregados a través de una aplicación para smartphone frente a un control de información de salud (HI), así como desarrollar modelos predictivos que permitieran recomendar el mejor tipo de CBT para cada individuo.
Los participantes fueron asignados a uno de nueve módulos de CBT o combinaciones de estos, o a un grupo control que recibió únicamente información de salud general. La intervención se administró durante seis semanas, y las mediciones principales se realizaron con el Questionnaire de Salud del Paciente de 9 ítems (PHQ-9), con seguimiento hasta la semana 26.
La CBT digital utilizada en este ensayo incluyó módulos basados en habilidades cognitivas y conductuales clásicas, tales como:
Cada módulo se entregó mediante lecciones semanales a través de la app, con ejercicios prácticos diseñados para fomentar habilidades y reflejar su aplicación en la vida real.
Todos los módulos de CBT y sus combinaciones resultaron eficaces frente al control de HI en la reducción de los síntomas depresivos, medidos por cambios en la puntuación del PHQ-9.
Utilizando técnicas de aprendizaje automático, los investigadores desarrollaron modelos capaces de predecir cambios en el PHQ-9 en la semana 26 en función de las características iniciales de los participantes. A partir de estos modelos, se construyó el algoritmo de Terapia Personalizada y Optimizada (POT).
En análisis simulados que compararon el efecto del algoritmo POT frente al grupo control de HI, se observó:
La capacidad de adaptar el tratamiento CBT según predictores individuales representa una evolución importante respecto al enfoque “único para todos”. La personalización puede:
El uso de modelos predictivos basados en inteligencia artificial para guiar decisiones clínicas, sin reemplazar la supervisión profesional, representa un enfoque prometedor para potenciar la eficacia de tratamientos psicológicos.
Pese a los resultados alentadores, el estudio presenta varias limitaciones:
Los autores recomiendan nuevos ensayos diseñados específicamente para probar la validez y usabilidad del algoritmo antes de su aplicación clínica.
Conclusiones prácticas:
Resumen y adaptación editorial: Virginia Candelas García (Cibermedicina / Psiquiatria.com)
Fuente principal: Toshi A. Furukawa et al. Personalised & optimised therapy (POT) algorithm using five cognitive and behavioural skills for subthreshold depression, npj Digital Medicine (2025). DOI: 10.1038/s41746-025-01906-6.
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