Un análisis sistemático sugiere que estas herramientas superan a las evaluaciones clínicas tradicionales, aunque aún enfrentan retos de validación, implementación y equidad.
La incidencia de intentos de suicidio, autolesiones y hospitalizaciones psiquiátricas en adolescentes está en aumento a nivel global. Un estudio publicado en la revista científica Cureus evaluó el uso de modelos de aprendizaje automático o machine learning, basados en registros clínicos electrónicos (EHR, en inglés) para predecir estas crisis, encontrando un potencial significativo para mejorar la identificación de jóvenes en riesgo frente a métodos convencionales, aunque con importantes limitaciones por resolver.
La revisión sistemática, realizada por un equipo internacional de investigadores, analizó cinco estudios publicados entre 2019 y 2025 que emplearon algoritmos de machine learning para predecir intentos de suicidio, autolesiones o hospitalizaciones por crisis de salud mental en adolescentes de 10 a 20 años. Todos los estudios se llevaron a cabo en países de altos ingresos, principalmente Estados Unidos y Australia, utilizando datos retrospectivos de EHR.
Los modelos evaluados integraron desde datos estructurados, como diagnósticos, medicamentos y antecedentes de visitas médica, hasta información no estructurada extraída de notas clínicas mediante procesamiento de lenguaje natural (PLN). Los resultados mostraron un rango de precisión moderada a alta, con valores de área bajo la curva (AUC) entre 0.68 y 0.88. El mejor desempeño se obtuvo al combinar datos estructurados con análisis de texto, alcanzando un AUC de 0.88 en la predicción de readmisiones hospitalarias por conductas suicidas en los 90 días posteriores al alta.
Pese a estos avances, todos los estudios presentaron un alto riesgo de sesgo en el análisis, principalmente por falta de validación externa y ausencia de datos de calibración. Además, los valores predictivos positivos fueron bajos, reflejando la dificultad de predecir eventos poco frecuentes sin generar un alto número de falsos positivos.
El artículo subraya que, aunque los modelos de machine learning, podrían superar a herramientas tradicionales como entrevistas clínicas o escalas estandarizadas, aún existen desafíos para su implementación real. Por ejemplo, la necesidad de pruebas en entornos clínicos reales, la integración efectiva en los flujos de trabajo médicos, la reducción de la fatiga por alertas y la actualización continua de los modelos para evitar pérdida de precisión con el tiempo.
El estudio también plantea consideraciones éticas y de equidad, como el riesgo de consecuencias negativas por clasificaciones erróneas, la falta de participación de adolescentes, familias y profesionales en el diseño de los modelos, y la necesidad de asegurar que estas herramientas beneficien a todas las poblaciones, no solo a grupos privilegiados.
El estudio concluye que los modelos de machine learning basados en EHR tienen el potencial de mejorar la prevención del suicidio y otras crisis de salud mental en adolescentes, pero su adopción segura y equitativa requiere validación rigurosa, transparencia, participación de los interesados y un marco ético sólido. Solo con estas condiciones podrían convertirse en aliados efectivos en la atención y prevención de estas emergencias de salud pública.
