·
·
Tuesday, 13 October 2026dailybeirut.com
IA
Un nuevo marco de inteligencia artificial desarrollado por la NTU y el IMH identifica a jóvenes con alto riesgo de psicosis analizando muestras breves de conversación espontánea.
Investigadores de la Universidad Tecnológica de Nanyang (NTU) en Singapur y del Instituto de Salud Mental (IMH) han creado un sistema de inteligencia artificial capaz de detectar a adolescentes y adultos jóvenes con alto riesgo de desarrollar psicosis. La herramienta analiza fragmentos cortos de habla casual y espontánea para identificar señales tempranas de este trastorno mental grave, que suele manifestarse entre la adolescencia y la adultez inicial con síntomas como alucinaciones, delirios y pensamiento desordenado.
Este estudio representa la primera investigación reportada en Singapur centrada específicamente en el riesgo temprano de psicosis juvenil mediante el uso de modelos de lenguaje grandes (LLM). El equipo científico sostiene que esta tecnología podría asistir eventualmente a proveedores de atención primaria y trabajadores comunitarios para localizar a jóvenes vulnerables antes de que los síntomas clínicos escalen. La identificación temprana de individuos en ultra-alto riesgo (UHR) es compleja porque los jóvenes rara vez articulan sus luchas de salud mental directamente en la vida cotidiana.
El estado de ultra-alto riesgo implica la presencia de signos de advertencia o factores que aumentan significativamente la probabilidad de desarrollar psicosis. Por ejemplo, una persona deprimida puede no declarar explícitamente su condición. Este fenómeno se conoce como "habla no reveladora", definida como lenguaje que carece de menciones directas a la enfermedad mental experimentada por el hablante. Evaluar si la IA puede detectar riesgos potenciales puramente a partir de conversaciones casuales aborda un obstáculo clave para la intervención temprana.
Publicado en la revista científica npj Mental Health Research, el estudio conjunto evaluó transcripciones de 429 participantes de entre 14 y 29 años inscritos en el Estudio Longitudinal de Jóvenes en Riesgo (LYRIKS) de Singapur. Esta iniciativa, iniciada en 2008, examina los factores de riesgo sociales, clínicos y biológicos asociados con la psicosis juvenil. Cada participante proporcionó una muestra de habla de 45 segundos sin autorrevelación, respondiendo a prompts neutros, como argumentar por qué deberían ganar un premio a la "persona más interesante".
Los investigadores descubrieron que los LLM estándar tenían dificultades cuando se les pedía predecir el riesgo clínico directamente desde las transcripciones crudas. Su rendimiento no superaba el azar y omitían a la mayoría de los individuos en riesgo. El equipo atribuye este fallo a la falta de conjuntos de datos de entrenamiento adecuados y a la naturaleza del habla espontánea, que raramente contiene información clínica estructurada o descripciones explícitas de síntomas.
Para superar estas limitaciones, desarrollaron LEMon-AID (Latent Emotion Proxy for Mental Health Detection with AI-integrated Decision-making). Este marco utiliza LLM para extraer perfiles emocionales sutiles, como alegría, confianza, miedo y tristeza, y combina estas señales con predicciones de aprendizaje automático tradicional. Los resultados mostraron que LEMon-AID supera significativamente a los enfoques convencionales: la precisión predictiva general aumentó del 55% al 67%, mientras que la sensibilidad de detección permitió identificar hasta al 93% de los jóvenes en riesgo.
Wilson Goh, co-investigador principal y profesor asistente de Informática Biomédica en LKCMedicine y el Centro de IA en Medicina de la NTU, explicó que los modelos de IA estándar tienen problemas para captar riesgos tempranos porque las personas rara vez hablan abiertamente sobre sus síntomas. En lugar de solicitar un diagnóstico directo, LEMon-AID usa modelos de lenguaje para leer pistas emocionales subyacentes. El sistema conecta patrones emocionales con riesgos de salud mental manteniendo la privacidad de los datos del paciente y ofreciendo explicaciones claras.
A diferencia de los modelos tradicionales de aprendizaje automático, que pueden operar como "cajas negras", LEMon-AID genera explicaciones en lenguaje natural junto con sus evaluaciones de riesgo. Esto permite a los médicos comprender el razonamiento detrás de cada predicción, haciendo de la IA una herramienta más segura y transparente para la evaluación de pacientes. Matheus Calvin Lokadjaja, primer autor del estudio e investigador asistente en LKCMedicine, señaló que al preguntar directamente a los modelos estándar identificaban casi a nadie, pero al enfocar la IA en mapear señales emocionales encontraron patrones significativos previamente ocultos.
Dr. Jimmy Lee, Director Principal de Investigación e Innovación del Grupo NHG Health, consultor senior del IMH y profesor asociado en LKCMedicine de la NTU, quien lideró el estudio LYRIKS, destacó que la detección temprana es una de las herramientas más poderosas para prevenir la discapacidad a largo plazo. Esta investigación acerca al objetivo de equipar mejor a los trabajadores comunitarios y proveedores de salud para identificar a los jóvenes en riesgo, apoyados por herramientas de IA que ayudan a descubrir a aquellos que de otro modo pasarían desapercibidos.
El marco LEMon-AID está siendo explorado actualmente para diversos despliegues clínicos futuros. Los investigadores planean incorporar enfoques multimodales, integrando diferentes tipos de datos y modalidades como pistas acústicas, tono vocal, ritmo del habla y expresiones faciales. Esto mejorará la confiabilidad del sistema y ayudará a comprender cómo los patrones descubiertos en el habla, comportamiento y acústica informan sobre la progresión de la salud mental. Se necesitará investigación extensa adicional y validación en el mundo real antes de que pueda ocurrir una implementación práctica.
Esta investigación fue apoyada por el Ministerio de Salud de Singapur a través de la Oficina del Consejo Nacional de Investigación Médica (NMRC), MOH Holdings Pte Ltd bajo el Programa Flagship de Investigación Traslacional y Clínica del NMRC (número de subvención NMRC/TCR/003/2008).
Referencia de la revista: Lokadjaja, M. C., et al. (2026). Emotion-informed associative learning in large language models for mental health detection from speech. npj Mental Health Research. DOI: 10.1038/s44184-026-00236-z.
