Ojo con un laberinto y una ciudad en su interior

PSIQUIATRIA Y PSICOLOGIA

La neurociencia del deseo y la razón

Ilustración de una cabeza humana translúcida cuyas palabras se transforman en datos que fluyen hacia una red neuronal artificial

IA y riesgo de psicosis: la máquina que aprende a escuchar lo que el psiquiatra intuye

Ilustración de una cabeza humana translúcida cuyas palabras se transforman en datos que fluyen hacia una red neuronal artificial
Las palabras como dato clínico: la inteligencia artificial empieza a leer en el lenguaje las primeras señales de riesgo de psicosis (imagen generada por IA).

Antes de que aparezca el primer delirio, antes de la primera voz, casi siempre hay algo que cambia en la manera de hablar. Un matiz en el relato, una idea que se escapa, una experiencia extraña contada a media voz. Durante décadas, captar esas señales ha sido un arte reservado a psiquiatras con mucha experiencia. Ahora, un estudio de las universidades de Oxford y el King’s College de Londres demuestra que la inteligencia artificial puede evaluar el riesgo de psicosis leyendo esas mismas entrevistas clínicas, con una precisión que hace apenas tres años parecía ciencia ficción.

El trabajo, publicado en 2026 en npj Digital Medicine por Taiyu Zhu, Dominic Oliver, Paolo Fusar-Poli, Philip McGuire y colaboradores, llega a una conclusión tan prometedora como prudente: los grandes modelos de lenguaje (los mismos que hay detrás de los asistentes conversacionales) identifican a las personas con riesgo clínico alto de psicosis con una sensibilidad del 93 %. Pero tienden a ver enfermedad donde a veces solo hay rareza humana. Y ese matiz, como veremos, es la parte más interesante.

Cómo se hizo el estudio: IA y riesgo de psicosis frente a evaluadores humanos

La prevención de la psicosis se basa hoy en detectar el llamado estado de riesgo clínico alto: jóvenes con síntomas atenuados (ideas de referencia leves, percepciones extrañas, desconfianza) que todavía no cumplen criterios de un trastorno psicótico. Para identificarlos se usan entrevistas semiestructuradas largas, como la PSYCHS, que exigen especialistas entrenados para interpretar lo que la persona cuenta. Ese es el cuello de botella: hay muchos más jóvenes en riesgo que expertos capaces de evaluarlos.

Los investigadores tomaron 678 transcripciones parciales de entrevistas PSYCHS de 373 participantes (el 77,7 % con riesgo clínico alto) y se las dieron a leer a 11 modelos de lenguaje de código abierto. Cada modelo tenía que hacer lo mismo que un clínico: decidir si la persona estaba en riesgo y puntuar la gravedad y la frecuencia de 15 dominios de síntomas. Después compararon sus respuestas con las puntuaciones de evaluadores humanos expertos.

Los modelos más grandes fueron los mejores. Llama-3.3-70B alcanzó una exactitud del 80 %, una sensibilidad del 93 % y una especificidad del 58 %. Sus puntuaciones de síntomas concordaron bien con las humanas (coeficientes de correlación intraclase de 0,74 y 0,75), y los resúmenes que generaba fueron en general fieles a lo dicho: solo un 3 % contenía invenciones clínicamente relevantes. El rendimiento apenas varió entre grupos demográficos, aunque sí entre centros. Y un dato práctico: modelos más pequeños lograron resultados competitivos con un coste de computación muy inferior, lo que abre la puerta a usarlos en hospitales sin enviar datos sensibles a servidores externos.

¿Dónde falló la máquina? Sobre todo en la sobrepatologización: interpretar como síntoma experiencias que no lo eran. Una especificidad del 58 % significa que muchas personas sin riesgo real serían señaladas como posibles casos. Por eso los autores no proponen sustituir al clínico, sino un modelo de «humano en el circuito»: la IA filtra y resume, el psiquiatra decide.

Esquema de la red cerebral del lenguaje con conexiones entre ideas que se alejan, como en la desorganización del pensamiento
Ilustración esquemática (generada por IA): la red cerebral del lenguaje —córtex prefrontal, giro frontal inferior y temporal superior— y los «saltos» entre ideas que los algoritmos miden en el habla.

El lenguaje como ventana al cerebro psicótico: otras investigaciones en la misma línea

Que la psicosis se anuncie en el lenguaje no es una idea nueva: Bleuler ya hablaba del «aflojamiento de las asociaciones» hace más de un siglo. Lo nuevo es que ahora podemos medirlo. El lenguaje es el producto final de una red cerebral distribuida —córtex prefrontal, áreas frontales inferiores y temporales superiores— que organiza el pensamiento en secuencias coherentes. Cuando esa red empieza a funcionar de forma desajustada, el discurso lo refleja antes de que el propio paciente o su familia lo noten.

Una revisión sistemática del grupo de José Tomás García-Molina y Alicia Figueroa-Barra, de la Universidad de Chile, publicada en 2025 en Asian Journal of Psychiatry, analizó nueve estudios que aplicaban procesamiento del lenguaje natural al habla de personas en riesgo de psicosis. Los resultados para distinguir a personas en riesgo de controles sanos fueron variables (exactitud del 56 % al 95 %), y los cuatro estudios prospectivos que intentaban predecir la transición a psicosis comunicaron exactitudes del 83 % al 100 %. Pero los propios autores advierten del talón de Aquiles: muestras pequeñas (50 personas en riesgo o menos por estudio), tareas heterogéneas y validación inconsistente. Prometedor, sí; listo para la consulta, todavía no.

Otro trabajo de 2026, de Luke Leckie y colaboradores de la Universidad de Indiana en el Journal of Psychopathology and Clinical Science, va un paso más allá y ofrece un mecanismo. Combinando el modelo de lenguaje BERT con análisis de temas, estudiaron cómo 93 personas con trastornos del espectro de la esquizofrenia «buscan» temas mientras narran su vida, igual que un animal que forrajea en busca de comida. Los síntomas positivos (delirios, alucinaciones) se asociaban a saltos semánticos más largos entre grupos de ideas; los negativos, a un discurso con menos foco temático y grupos de ideas más pequeños. Es decir: la IA no solo detecta que algo va mal, empieza a describir cómo se mueve el pensamiento psicótico por el espacio de los significados.

Conclusión: el futuro del diagnóstico psiquiátrico será híbrido

El estudio de Zhu y colaboradores no anuncia el fin del psiquiatra, sino un cambio de papel. Una IA con alta sensibilidad y baja especificidad es un excelente primer filtro: podría revisar entrevistas, señalar a quién conviene ver antes y ahorrar horas de trabajo, sobre todo en servicios saturados. Pero la decisión final —y, sobre todo, la conversación con un joven asustado por lo que le está pasando— sigue necesitando a alguien que comprenda. Quedan retos claros: validación en otros idiomas (incluido el español), en muestras más diversas y con seguimiento real de quién acaba desarrollando una psicosis.

Y aquí aparece la reflexión que más me interesa. El error típico de la máquina fue confundir lo raro con lo enfermo. Pero la mente humana está llena de experiencias extrañas que no son patología: intuiciones, coincidencias vividas como señales, momentos de despersonalización, creencias insólitas. Un algoritmo entrenado para encontrar síntomas tiende a ver síntomas en todas partes. Quizá la gran lección no sea técnica, sino filosófica: la frontera entre la singularidad y la enfermedad no está en las palabras, sino en el sufrimiento y en el sentido que cada persona da a su experiencia. Medir el lenguaje es posible; comprender a quien habla sigue siendo un acto profundamente humano. Que una máquina aprenda a escucharnos debería recordarnos, sobre todo, lo mucho que nos falta escucharnos entre nosotros.

Referencias

  1. Zhu T, Tashevski A, Taquet M, Azis M, Jani T, Broome MR, et al. (2026). Evaluating large language models for assessment of psychosis risk. npj Digital Medicine, 9(1). https://doi.org/10.1038/s41746-026-02928-4
  2. García-Molina JT, Downey M, Méndez E, Figueroa-Barra A. (2025). Diagnostic and transition accuracy of natural language processing in high risk for psychosis individuals: A systematic review. Asian Journal of Psychiatry, 112, 104695. https://doi.org/10.1016/j.ajp.2025.104695
  3. Leckie L, Lundin NB, Bolbecker AR, Brown JW, Hetrick WP, Minor KS, et al. (2026). Psychosis-associated disruptions to semantic foraging in narrative recollections: Integrating language model embeddings and topic modeling. Journal of Psychopathology and Clinical Science. https://doi.org/10.1037/abn0001170

Más información en
https://psiquiatrasevilla.es
https://psiquiatramiguelponce.es/


Descubre más desde PSIQUIATRIA Y PSICOLOGIA

Suscríbete y recibe las últimas entradas en tu correo electrónico.

Deja una respuesta

Sobre el autor

Soy Miguel Ponce López, psiquiatra y perito médico en Sevilla. Llevo unos 25 años escuchando a mis pacientes y pensando sobre la mente, la sociedad y la cultura. Aquí escribo sobre neurociencia, psiquiatría y pensamiento, y comparto mis libros: El laberinto de los espejos, El neoculto al hedonismo y, muy pronto, El predeterminismo químico.

Buscar

Descubre más desde PSIQUIATRIA Y PSICOLOGIA

Suscríbete ahora para seguir leyendo y obtener acceso al archivo completo.

Seguir leyendo