Aprendizaje profundo para detectar depresión en personas con y sin alexitimia

Por qué hablar de los sentimientos puede ser tan difícil

Mucha gente vive con depresión, pero nuestras herramientas principales para detectarla siguen basándose en cuestionarios sobre cómo se siente la persona. ¿Qué ocurre cuando alguien tiene dificultades para comprender o describir sus propias emociones? Este estudio examina a un grupo de personas con un rasgo llamado alexitimia —dificultad para reconocer y poner palabras a los sentimientos— y plantea si la inteligencia artificial (IA) puede ayudar a los médicos a detectar la depresión con mayor precisión en estos casos.

Cuando las autoevaluaciones se quedan cortas

Los cribados estándar de depresión, como listados breves que los pacientes rellenan en la consulta o en línea, son rápidos y prácticos. Sin embargo, asumen que las personas pueden percibir y reportar su tristeza, falta de interés o preocupación con una precisión razonable. Para quienes tienen alexitimia, esa suposición suele fallar. Pueden sentirse mal pero no etiquetar fácilmente sus emociones, por lo que pueden infradeclarar su malestar en las autoevaluaciones incluso cuando están verdaderamente deprimidos. Los investigadores hallaron que la alexitimia no es rara —afecta a cerca de una de cada diez personas— y que niveles más altos de alexitimia se asociaron con una depresión más severa en general.

Dejar que los ordenadores escuchen la conversación

En lugar de depender únicamente de formularios, el equipo recurrió a las palabras pronunciadas durante las entrevistas clínicas. Casi 300 adultos de habla cantonés, incluidos pacientes con trastorno depresivo mayor y voluntarios de la comunidad, participaron en entrevistas estructuradas con un psiquiatra usando una escala estándar para valorar la depresión. Estas entrevistas se transcribieron a texto. A continuación, los investigadores entrenaron ocho modelos de lenguaje grande —sistemas de IA avanzados que analizan texto— para decidir si cada persona estaba deprimida, usando el juicio del psiquiatra como estándar de referencia. Los modelos no vieron las puntuaciones de los cuestionarios; aprendieron directamente de cómo la gente hablaba sobre su sueño, energía, vida diaria y estado de ánimo.

IA frente a la casilla

El estudio comparó qué tan bien los modelos de IA y una escala de autorreporte ampliamente usada, la Subescala de Depresión de la Escala de Ansiedad y Depresión del Hospital (HADS-D), podían identificar la depresión. En todos los participantes, cuatro de los ocho modelos de IA superaron claramente a la escala de autorreporte. Al centrarse en las personas con alexitimia, el contraste fue notable: la precisión de la escala de autorreporte cayó al nivel de una conjetura pobre, mientras que los modelos de IA se mantuvieron sólidos, mostrando un rendimiento de bueno a excelente. De manera importante, los sistemas de IA funcionaron igual de bien tanto si las personas no tenían alexitimia, tenían alexitimia posible o presentaban alexitimia clara, lo que sugiere que las dificultades para describir los sentimientos no desbarataron estos modelos.

Por qué la IA se mantiene estable cuando las palabras fallan

¿Por qué pueden tener éxito los ordenadores donde fallan los cuestionarios? Los autores sostienen que el lenguaje hablado en una entrevista contiene muchas pistas sutiles —elección de palabras, nivel de detalle, patrones de vacilaciones— que reflejan el estado interno de una persona, incluso cuando no puede nombrar sus emociones. Los modelos de lenguaje grande están diseñados para captar tales patrones a lo largo de amplios fragmentos de texto. En contraste, las escalas de autorreporte ofrecen un conjunto fijo de preguntas breves que se centran principalmente en pensamientos y sentimientos; dejan poco espacio para personas que no saben cómo calificarse. Los hallazgos sugieren que las herramientas de IA, cuando se construyen y prueban con cuidado, podrían servir como asistentes potentes para los clínicos, especialmente en entornos donde el tiempo del especialista es limitado y las listas de espera son largas.

Qué significa esto para la atención futura

Para un lector no experto, el mensaje clave es simple: algunas personas tienen menos capacidad para describir cómo se sienten, y para ellas, los cuestionarios estándar de depresión pueden pasar por alto problemas importantes. Este estudio muestra que los sistemas de IA que analizan lo que los pacientes dicen en una entrevista pueden detectar la depresión con mayor fiabilidad que los formularios de autorreporte y mantienen su precisión incluso cuando hay alexitimia. Aunque la IA no reemplazará a los clínicos humanos, podría ayudar a identificar antes a las personas en riesgo y orientar una atención más personalizada. Los autores sugieren que enfoques similares podrían algún día mejorar la detección de otros trastornos de salud mental, acercándonos a evaluaciones que realmente se adapten a cada persona en lugar de pedirle a todos que encajen en el mismo formulario.

Cita: Lam, C., Xian, L., Huang, R. et al. Deep learning for detecting depression in individuals with and without alexithymia. Commun Med 6, 123 (2026). https://doi.org/10.1038/s43856-026-01393-0

Palabras clave: detección de depresión, alexitimia, inteligencia artificial, entrevistas clínicas, cribado de salud mental