Esta página se ha traducido automáticamente del turco. Leer el original

Esta página es un resumen en turco, elaborado con ayuda de inteligencia artificial, del trabajo presentado en el 26.º Congreso Mundial de Psiquiatría. El trabajo pertenece a los autores que lo presentan; para citarlo, consulte la fuente original.

SO136

Simular con pericia escenarios que aún no han ocurrido: fenotipado computacional y aprendizaje automático en la evaluación diagnóstica de los trastornos de ansiedad

EXPERTLY SIMULATING SCENARIOS THAT HAVE HAPPENED YET: COMPUTATIONAL PHENOTYPING AND MACHINE LEARNING IN THE DIAGNOSTIC ASSESSMENT OF ANXIETY DISORDERS

El fenotipado digital mediante teléfonos inteligentes y sensores portátiles, combinado con modelos de aprendizaje automático, muestra una exactitud prometedora para detectar síntomas de ansiedad y predecir su evolución, pero complementa la evaluación clínica en lugar de sustituirla.

El objetivo es evaluar el valor diagnóstico del fenotipado digital basado en inteligencia artificial y aprendizaje automático (artificial intelligence and machine learning, AI-ML) como alternativa a la entrevista clínica retrospectiva tradicional en los trastornos de ansiedad. La revisión sistemática, realizada siguiendo las directrices PRISMA, incluyó ensayos controlados aleatorizados, estudios de casos y controles y estudios prospectivos con pacientes de 14 años o más con trastornos de ansiedad o síntomas de ansiedad subumbrales; las herramientas que utilizaban datos de teléfonos inteligentes y dispositivos portátiles se compararon con entrevistas clínicas consideradas el patrón de referencia. Un modelo de fenotipado de cambios faciales y del habla distinguió la depresión, la ansiedad y la apatía a partir de las desviaciones respecto al nivel conductual basal de cada persona, y alcanzó una exactitud del 87 % y una puntuación F1 media del 96,6 %; en otros protocolos, el área bajo la curva de características operativas del receptor (area under the receiver operating characteristic, AUROC) para la predicción de síntomas osciló entre 0,65 y 0,86. En el primer caso detallado en el póster (Zainal et al., 2025), un ensayo controlado aleatorizado con 191 personas con trastorno de ansiedad social comparó una intervención de atención plena de 14 días con un placebo de autoobservación; una máquina de vectores de soporte (support vector machine, SVM), alimentada con datos de evaluación ecológica momentánea (ecological momentary assessment, EMA) recogidos 5 veces al día, obtuvo mediante validación cruzada anidada de 10 particiones un AUROC de entre 0,71 y 0,72 tras el tratamiento y de 0,83 en el seguimiento al mes, y superó significativamente a la regresión lineal (P = 0,016); aunque las tasas globales de remisión fueron similares (26,0 % frente a 26,3 %), el aprendizaje automático identificó 8 predictores basales. En el segundo caso (Watanabe et al., 2023), un ensayo de un mes con 24 trabajadores japoneses predijo el malestar psicológico mediante monitorización pasiva con dispositivos portátiles y un modelo de aprendizaje profundo LSTM de 27 capas; se notificaron una exactitud diagnóstica del 76,3 % y una correlación entre el malestar predicho y el real de r = 0,679 (R2 = 0,463), y la proporción de malestar grave descendió del 12,5 % al 0,0 % (P = 0,01); en el mismo estudio, los datos de los sensores mostraron un aumento de +0,60 minutos diarios, mientras que los autoinformes mostraron una disminución del 34,4 %, lo que llevó a plantear que se había superado el sesgo de recuerdo. Por otra parte, algunas aplicaciones no mostraron ninguna capacidad predictiva para anticipar cambios específicos en los síntomas de ansiedad a partir de datos demográficos y clínicos basales. En conclusión, el fenotipado digital puede reducir los sesgos de recuerdo retrospectivo y de deseabilidad social de las escalas estandarizadas y captar cambios emocionales sutiles, pero queda limitado al tipo de datos recogidos (como el habla, la expresión facial o el movimiento) y mantiene un papel complementario a la evaluación clínica.

Todos los resúmenes del WCP 2026