Intervención con inteligencia artificial para predicción de recaídas y riesgo suicida

AUTORES

1. María Faure Germán. Enfermera en Hospital Clínico Universitario Lozano Blesa. Zaragoza, España.
2. Ana García Rodrigo. Enfermera en Hospital Clínico Universitario Lozano Blesa. Zaragoza, España.
3. Laura Rodríguez Pedraz. Enfermera en el Centro de Salud Actur Sur. Zaragoza, España.
4. Carmen Marchand Romeu. Enfermera en Hospital Nuestra Señora de Gracia. Zaragoza, España.
5. Gonzalo Enrique Arbués Redondo. Enfermero en Hospital Universitario Miguel Servet. Zaragoza, España.

RESUMEN

El suicidio y las recaídas en trastornos afectivos constituyen un desafío significativo para la salud pública a nivel global. En los últimos años, la inteligencia artificial (IA) y sus técnicas asociadas, como el machine learning (ML), deep learning (DL) y el análisis multimodal han surgido como herramientas prometedoras para la predicción del riesgo suicida y la anticipación de recaídas en trastornos del estado de ánimo. Esta revisión ofrece una síntesis de la evidencia empírica publicada entre 2010 y 2025 sobre el uso de la IA en la predicción de suicidio, ideación suicida, recaídas y eventos adversos en salud mental, evaluando su desempeño, ventajas, limitaciones y consideraciones éticas ¹.

En términos generales, los estudios indican que los modelos de IA pueden alcanzar niveles elevados de precisión (accuracy, AUC), aunque con cierta variabilidad entre investigaciones, y permiten identificar tanto factores de riesgo tradicionales como nuevas señales provenientes de texto, voz, datos de uso y patrones conductuales. No obstante, persisten limitaciones metodológicas, posibles sesgos, escasez de estudios longitudinales de gran tamaño, problemas de generalización y desafíos éticos relacionados con la privacidad.

La evidencia disponible sugiere que la IA puede constituir un complemento valioso en la prevención del suicidio y la detección temprana de recaídas, pero no debe reemplazar el juicio clínico ni la intervención humana. Finalmente, se proponen recomendaciones para futuras investigaciones, regulaciones éticas y un desarrollo responsable de estas tecnologías en el ámbito de la salud mental.

PALABRAS CLAVE

Inteligencia artificial, recaída, depresión, suicidio, prevención.

ABSTRACT

Suicide and relapse in mood disorders pose a significant public health challenge globally. In recent years, artificial intelligence (AI) and its associated techniques, such as machine learning (ML), deep learning (DL), and multimodal analysis, have emerged as promising tools for predicting suicide risk and anticipating relapse in mood disorders. This review offers a synthesis of the empirical evidence published between 2010 and 2025 on the use of AI in predicting suicide, suicidal ideation, relapse, and adverse events in mental health, evaluating its performance, advantages, limitations, and ethical considerations ¹.

In general, studies indicate that AI models can achieve high levels of accuracy (AUC), although with some variability across studies, and can identify both traditional risk factors and new signals from text, voice, usage data, and behavioral patterns. However, methodological limitations, potential biases, a scarcity of large longitudinal studies, generalizability problems, and ethical challenges related to privacy persist.

The available evidence suggests that AI can be a valuable complement to suicide prevention and early relapse detection, but it should not replace clinical judgment or human intervention. Finally, recommendations are proposed for future research, ethical regulations, and the responsible development of these technologies in the field of mental health.

KEY WORDS

Artificial intelligence, relapse, depression, suicide, prevention.

INTRODUCCIÓN

El suicidio sigue siendo una de las principales causas de mortalidad prematura a nivel mundial y constituye una consecuencia frecuente de los trastornos del estado de ánimo. Asimismo, las recaídas en condiciones como la depresión o el trastorno bipolar complican el pronóstico, afectan la calidad de vida y aumentan la carga sobre los sistemas de salud. Las estrategias tradicionales de evaluación del riesgo se basan en entrevistas clínicas, autoinformes y escalas estructuradas, sin embargo, presentan limitaciones significativas, como alta carga asistencial, variabilidad entre evaluadores, subregistro de síntomas y dificultad para detectar signos tempranos o cambios súbitos en el estado del paciente².

En este contexto, la inteligencia artificial (IA) se perfila como una herramienta con alto potencial. Su capacidad para procesar grandes volúmenes de datos incluyendo historiales clínicos, información demográfica, biomarcadores, datos de sensores, actividad digital, lenguaje natural, voz y redes sociales y para reconocer patrones complejos o no lineales, podría mejorar la predicción del riesgo suicida y la detección temprana de recaídas, facilitando intervenciones más personalizadas, oportunas y eficientes³.

En los últimos años, se han publicado numerosos estudios y revisiones sistemáticas sobre este tema, planteando preguntas clave: ¿qué tan precisos son estos modelos? ¿Cuáles son sus limitaciones? ¿Cómo pueden integrarse en la práctica clínica? ¿Qué riesgos éticos y de privacidad implican? Esta revisión tiene como objetivo ofrecer un panorama actualizado de la evidencia, sintetizar los hallazgos más relevantes y señalar desafíos y recomendaciones para la aplicación responsable de la IA en salud mental.

OBJETIVOS

1. Identificar y revisar los estudios publicados hasta 2025 que emplean IA / ML / DL para predecir riesgo de suicidio, ideación suicida, intentos, recaídas o eventos adversos en salud mental.
2. Evaluar el desempeño de estos modelos (sensibilidad, especificidad) y la variedad de datos utilizados (clínicos, demográficos, biomarcadores, texto, voz, conductuales, redes sociales).
3. Analizar la utilidad potencial de estas herramientas para prevención, intervención temprana y asignación de tratamiento.
4. Identificar limitaciones metodológicas, barreras éticas, desafíos de implementación y lagunas en la evidencia.

METODOLOGÍA

Se realizó una revisión narrativa sistemática complementaria con metaanálisis recientes cuando existían. Las bases consultadas incluyen PubMed/MEDLINE, Scopus, Web of Science, y revistas especializadas en psiquiatría, informática médica y salud pública. Los criterios de inclusión: estudios originales o revisiones que utilicen IA / ML / DL / procesamiento automático (texto, voz, sensores), con resultados de predicción de suicidio/ideación suicida/recaída o eventos adversos en salud mental. Se excluyeron artículos sin datos empíricos (opinión, editoriales), estudios en población no humana o sin resultados cuantitativos. Para las revisiones sistemáticas previas se consideraron también como fuentes. Se recopilaron datos sobre año, país, población, datos usados, tipo de modelo, medidas de desempeño (sensibilidad, especificidad) y conclusiones.

RESULTADOS

Panorama general: revisiones sistemáticas:

• La revisión Artificial intelligence and suicide prevention: a systematic review recopila 17 estudios (2014–2020) sobre predicción de riesgo suicida mediante IA/ML. Se reportan niveles de desempeño variables, pero en general “buenos” para identificación de individuos en riesgo⁴.
• La revisión más reciente Role of machine learning algorithms in suicide risk prediction: a systematic review-meta analysis of clinical studies (2024) incluye 41 estudios publicados entre 2011–2022, destaca que algoritmos como random forest o XGBoost alcanzan AUC de hasta 0.97, aunque advierte sobre heterogeneidad metodológica y necesidad de más estudios en entornos clínicos⁵.

Estudios recientes y ejemplos destacados

• En población con trastorno bipolar, la revisión Machine learning applied to the prediction of relapse, hospitalization, and suicide in bipolar disorder using neuroimaging and clinical data (2023) incluye 18 estudios (más de 30.000 pacientes) y reporta que los modelos logran AUC entre 0.71 y 0.99 para predicción de recaída, hospitalización o eventos suicidas, lo que sugiere la aplicabilidad de IA en trastornos crónicos⁶.
• El artículo Unravelling psychiatric heterogeneity and predicting suicide attempts in women with trauma-related dissociation using artificial intelligence (2023) emplea IA para identificar subtipos disociativos en trastornos por trauma, y demuestra que ciertos perfiles predicen intentos suicidas con buena precisión, lo que evidencia utilidad en poblaciones de alto riesgo⁷.

Rendimiento, fortalezas y debilidades:

• Ventajas: permiten procesar grandes volúmenes de datos (datos clínicos, demográficos, biomarcadores, comportamiento digital), detectar señales sutiles o complejas, posibilitan cribado automático, vigilancia poblacional, priorización de recursos, y pueden ofrecer alertas tempranas.
• Limitaciones: heterogeneidad metodológica (diferentes algoritmos, variables, poblaciones, definiciones de outcomes), riesgo de sesgo, falta de validación externa, escasez de estudios longitudinales con seguimiento a largo plazo, problemas de interpretabilidad de modelos complejos, desafíos éticos (privacidad, consentimientos, estigmatización, falsos positivos / negativos), y riesgo de depender excesivamente de la tecnología.

DISCUSIÓN

La evidencia disponible indica que la inteligencia artificial (IA) posee un gran potencial para mejorar la predicción del riesgo suicida y la detección temprana de recaídas o ideación suicida, lo que podría transformar las estrategias de prevención en salud mental. Este potencial resulta particularmente relevante en contextos con recursos limitados, como aquellos con escasez de profesionales de salud mental, donde herramientas automatizadas podrían actuar como filtro o complemento a la atención clínica.

No obstante, varios desafíos deben abordarse antes de una implementación generalizada:

Generalización y reproducibilidad: muchos estudios se basan en muestras específicas (pacientes con trastorno bipolar, usuarios de centros psiquiátricos, personas con insomnio, etc.), lo que limita la aplicabilidad de los modelos a la población general.

Sesgos y equidad: los modelos pueden presentar sesgos relacionados con edad, género, etnia o contexto socioeconómico, lo que podría aumentar las inequidades en la atención.

Privacidad y ética: el manejo de datos sensibles, historial clínico, comportamiento digital, redes sociales, requiere marcos éticos sólidos, consentimiento informado y medidas estrictas de protección de datos.

Integración clínica: la IA debe considerarse como una herramienta complementaria, no como un sustituto de la evaluación clínica, es necesario definir protocolos claros de derivación, supervisión humana y responsabilidad profesional.

Sostenibilidad y mantenimiento: los modelos requieren actualizaciones periódicas, validaciones continuas y adaptación a cambios sociales, demográficos y contextuales.

La mayoría de las revisiones coinciden en que la evidencia actual no respalda considerar la IA como una solución definitiva. Aunque promete mejorar la prevención del suicidio y la detección de recaídas, su uso debe combinarse con intervención clínica, estrategias de prevención comunitaria y políticas de salud pública para ser verdaderamente eficaz.

CONCLUSIÓN

En la última década, la investigación sobre inteligencia artificial (IA) aplicada a la predicción de recaídas, ideación suicida y riesgo de suicidio ha experimentado avances significativos. Los modelos de machine learning y deep learning han mostrado resultados prometedores en términos de precisión y sensibilidad, y permiten analizar tanto datos tradicionales (clínicos) como innovadores (comportamiento digital, biomarcadores). Estas herramientas poseen un notable potencial para complementar la práctica clínica, facilitar la detección temprana y fortalecer la prevención, especialmente en contextos con recursos limitados.

Sin embargo, los riesgos metodológicos, éticos y de implementación requieren un enfoque cauteloso. La IA debe considerarse un complemento del juicio clínico, no un sustituto. Las investigaciones futuras deberían enfocarse en muestras grandes y diversas, validaciones externas, estudios longitudinales, transparencia algorítmica (IA explicable), protocolos éticos robustos y estrategias de integración clínica sostenibles.

Desarrollada con rigor, la IA podría transformar la prevención del suicidio y la gestión de recaídas en salud mental, siempre que su implementación sea responsable, equitativa y centrada en el bienestar de las personas.

BIBLIOGRAFÍA

1. Edavally S, Miller DD, Youssef NA. Artificial intelligence to aid detection and diagnostic accuracy of mood disorders and predict suicide risk: A systematic review. Ann Clin Psychiatry. 2021 nov,33(4):270-281. doi: 10.12788/acp.0041. PMID: 34672929. [Consultado 10 Nov]. Disponible en: https://pubmed.ncbi.nlm.nih.gov/34672929/
2. Dome P, Rihmer Z, Gonda X. Suicide Risk in Bipolar Disorder: A Brief Review. Medicina (Kaunas). 2019 jul 24,55(8):403. doi: 10.3390/medicina55080403. PMID: 31344941, PMCID: PMC6723289. [Consultado 10 Nov 2025]. Disponible en: https://pubmed.ncbi.nlm.nih.gov/31344941/
3. Fonseka TM, Bhat V, Kennedy SH. The utility of artificial intelligence in suicide risk prediction and the management of suicidal behaviors. Aust N Z J Psychiatry. 2019 oct,53(10):954-964. doi: 10.1177/0004867419864428. Epub 2019 Jul 26. PMID: 31347389. [Consultado 10 Nov 2025]. Disponible en: https://pubmed.ncbi.nlm.nih.gov/31347389/
4. Lejeune A, Le Glaz A, Perron PA, Sebti J, Baca-Garcia E, Walter M, Lemey C, Berrouiguet S. Artificial intelligence and suicide prevention: a systematic review. Eur Psychiatry. 2022 feb 15,65(1):1-22. doi: 10.1192/j.eurpsy.2022.8. Epub ahead of print. PMID: 35166203, PMCID: PMC8988272. [Consultado 12 Nov 2025]. Disponible en: https://pubmed.ncbi.nlm.nih.gov/35166203/
5. Ehtemam H, Sadeghi Esfahlani S, Sanaei A, Ghaemi MM, Hajesmaeel-Gohari S, Rahimisadegh R, Bahaadinbeigy K, Ghasemian F, Shirvani H. Role of machine learning algorithms in suicide risk prediction: a systematic review-meta analysis of clinical studies. BMC Med Inform Decis Mak. 2024 May 27,24(1):138. doi: 10.1186/s12911-024-02524-0. PMID: 38802823, PMCID: PMC11129374. [Consultado 12 Nov 2025]. Disponible en: https://pubmed.ncbi.nlm.nih.gov/38802823/
6. Amanollahi M, Jameie M, Looha MA, A Basti F, Cattarinussi G, Moghaddam HS, Di Camillo F, Akhondzadeh S, Pigoni A, Sambataro F, Brambilla P, Delvecchio G. Machine learning applied to the prediction of relapse, hospitalization, and suicide in bipolar disorder using neuroimaging and clinical data: A systematic review. J Affect Disord. 2024 Sep 15, 361:778-797. doi: 10.1016/j.jad.2024.06.061. Epub 2024 Jun 21. PMID: 38908556. [Consultado 12 Nov 2025]. Disponible en: https://pubmed.ncbi.nlm.nih.gov/38908556/
7. Srinivasan S, Harnett NG, Zhang L, Dahlgren MK, Jang J, Lu S, Nephew BC, Palermo CA, Pan X, Eltabakh MY, Frederick BB, Gruber SA, Kaufman ML, King J, Ressler KJ, Winternitz S, Korkin D, Lebois LAM. Unravelling psychiatric heterogeneity and predicting suicide attempts in women with trauma-related dissociation using artificial intelligence. Eur J Psychotraumatol. 2022 Dec,13(2):2143693. doi: 10.1080/20008066.2022.2143693. Epub 2022 Nov 18. PMID: 38872600, PMCID: PMC9677973. [Consultado 12 Nov 2025]. Disponible en: https://www.tandfonline.com/doi/full/10.1080/20008066.2022.2143693