Inteligencia artificial multimodal y aprendizaje en línea en la salud mental juvenil: una revisión exploratoria

Por qué importa esto para jóvenes y familias

Los problemas de salud mental en jóvenes aumentan en todo el mundo, pero muchos niños y adolescentes nunca reciben ayuda a tiempo. Al mismo tiempo, los jóvenes generan constantemente huellas digitales—desde teléfonos inteligentes, dispositivos vestibles, plataformas escolares y redes sociales—que pueden revelar cómo se encuentran realmente. Esta revisión explora cómo nuevos tipos de inteligencia artificial (IA) que aprenden a partir de múltiples tipos de datos y se actualizan con el tiempo podrían, algún día, ayudar a detectar antes el estrés, la depresión y otros problemas, y a respaldar una atención más personalizada para los jóvenes.

Nuevas herramientas frente a una crisis creciente de salud mental juvenil

Los datos globales muestran que los problemas de salud mental afectan a una gran proporción de niños y adolescentes, y que estos problemas empeoraron durante y después de la pandemia de COVID-19. Las urgencias por trastornos mentales y las consultas remotas con médicos aumentaron, especialmente entre las adolescentes. Sin embargo, los servicios siguen siendo de difícil acceso y muchos jóvenes quedan desatendidos, en particular cuando dejan los servicios infantiles pero no se integran por completo en la atención para adultos. Dado que la mayoría de los trastornos de por vida comienzan antes de los 25 años, los autores sostienen que mejores formas de detectar y monitorizar problemas durante este periodo podrían tener beneficios a largo plazo para las personas, las familias y los sistemas de salud.

Cómo podrían ayudar máquinas más inteligentes

Los sistemas de IA pueden aprender patrones a partir de datos y usarlos para detectar o predecir resultados, como señales de estrés o estado de ánimo bajo. Los modelos tradicionales suelen basarse en una sola fuente de datos—por ejemplo texto, una imagen cerebral o un cuestionario—y se entrenan una vez sobre un conjunto de datos fijo. La revisión se centra en dos avances especialmente prometedores para la juventud. El primero es la IA multimodal, que combina varios tipos de información, por ejemplo señales cardíacas de dispositivos vestibles, sueño y movimiento del teléfono, voz o expresiones faciales, y publicaciones escritas o respuestas a encuestas. El segundo es el aprendizaje en línea, donde los modelos no permanecen congelados sino que se actualizan conforme llegan nuevos datos, lo que les permite adaptarse cuando cambia la vida, el comportamiento o el entorno de un joven.

Qué hace la investigación actual

Los autores buscaron de forma sistemática en las principales bases de datos médicas y de ingeniería estudios desde 2015 que usaran IA sobre datos de jóvenes (hasta 25 años) para detectar, monitorizar o tratar problemas relacionados con la salud mental. De más de 500 artículos, solo 24 cumplieron sus criterios, y apenas unos pocos combinaron múltiples tipos de datos y aprendizaje en línea. La mayoría de los trabajos se centraron en signos de alarma tempranos como el estrés, el estado emocional o la carga cognitiva, más que en diagnósticos formales. Por ejemplo, varios proyectos usaron sensores vestibles para medir la actividad cardíaca o la conductancia de la piel mientras los estudiantes realizaban tareas estresantes, y luego entrenaron redes neuronales para reconocer el estrés y afinar sus predicciones a medida que entraban más datos. Otros analizaron patrones de uso del teléfono y sueño durante un semestre para agrupar a estudiantes con perfiles de estrés similares y adaptar modelos a nuevos usuarios con muy pocos datos.

Resultados prometedores, pero lagunas importantes

En los estudios que emplearon alguna forma de actualización continua, los modelos en general se volvieron más precisos y mejor ajustados a individuos que los sistemas entrenados solo una vez. El aprendizaje en línea ayudó a seguir estados emocionales cambiantes a partir de la actividad cerebral y a ajustar la detección de estrés para cada usuario. No obstante, los autores señalan que muchos artículos etiquetados como “en línea” en realidad utilizaron formas más laxas de reentrenamiento incremental en lugar de una adaptación real y en tiempo real a flujos de datos. La mayoría de los estudios se apoyó en muestras pequeñas y poco diversas—frecuentemente estudiantes universitarios o de posgrado—y rara vez probaron los modelos en conjuntos de datos independientes. Surgen grandes cuestiones éticas y prácticas: recopilar datos fisiológicos y conductuales detallados de menores plantea asuntos sensibles sobre consentimiento, privacidad, almacenamiento a largo plazo y quién controla las actualizaciones continuas de modelos que pueden influir en decisiones de atención.

Hacia dónde debe avanzar este campo

La revisión concluye que la IA para la salud mental juvenil es un área en rápido surgimiento pero aún en una fase temprana. Para pasar de prototipos de laboratorio a herramientas que puedan apoyar de forma segura la atención real, los investigadores necesitarán conjuntos de datos más grandes y diversos, información más clara sobre edad y antecedentes, y formas estandarizadas de recoger y compartir datos multimodales de jóvenes. Los modelos deben probarse a lo largo del tiempo y en distintos entornos para asegurar que siguen siendo fiables cuando cambian las condiciones. Los trabajos futuros deberían extenderse más allá de la detección de estrés y estado de ánimo para incluir una gama más amplia de trastornos clínicamente reconocidos y, de forma crucial, estudiar cómo la IA puede ayudar en intervenciones reales en lugar de solo señalar problemas. A medida que los sistemas conversacionales y los grandes modelos de lenguaje se vuelvan más comunes, será esencial evaluar con cuidado sus beneficios y riesgos para los usuarios jóvenes. Por ahora, la IA multimodal y de aprendizaje continuo ofrece una dirección prometedora—pero que exige fuertes salvaguardas, transparencia y una estrecha colaboración entre tecnólogos, clínicos, jóvenes y sus familias.

Cita: Ramirez Campos, M.S., Barati, K., Samavi, R. et al. Multimodal artificial intelligence and online learning in youth mental health: a scoping review. npj Mental Health Res 5, 26 (2026). https://doi.org/10.1038/s44184-026-00207-4

Palabras clave: salud mental juvenil, IA multimodal, aprendizaje en línea, detección de estrés, sensores vestibles