Añadir Mangas Verdes como fuente preferida de Google de forma gratuita.
Mantente informado con las últimas noticias de actualidad.
Una máquina ya detecta señales de depresión y esquizofrenia con una precisión superior al 90 %.
La cifra impresiona, pero el terreno es delicado. Un estudio publicado en Nature Computational Science describe cómo los sistemas de inteligencia artificial analizan patrones del lenguaje y rasgos faciales para identificar síntomas de salud mental, y al mismo tiempo advierte de los riesgos que aparecen en cuanto esos modelos salen del laboratorio.
Cuando la voz delata más de lo que parece
En los casos de esquizofrenia, la precisión roza el 98 % cuando el análisis se centra en el habla asociada a este trastorno. Ahí entra una idea incómoda para cualquier paciente, porque la conversación terapéutica deja de ser solo un espacio de escucha y pasa a convertirse también en materia prima para entrenar algoritmos.
Para lograrlo, los equipos necesitan grabaciones de terapia protegidas por normas como el Reglamento General de Protección de Datos en Europa y la ley HIPAA en Estados Unidos.
Detrás de esa protección legal hay riesgos muy concretos. Una filtración de datos de pacientes puede derivar en discriminación laboral, aislamiento social, chantaje o incluso suplantación de identidad mediante falsificaciones profundas de audio o vídeo.
Proteger el dato obliga a sacrificar parte de la precisión
Además, los modelos no solo analizan información sensible, también pueden memorizarla. Un ataque informático podría forzar la revelación de fragmentos privados aprendidos durante el entrenamiento.
La anonimización intenta cortar ese problema al eliminar la información de identificación personal, aunque paga un precio conocido. Reduce la calidad de los datos y ni siquiera garantiza que nadie pueda reidentificar a la persona cuando el conjunto conserva suficientes huellas indirectas.
Otra salida consiste en fabricar datos sintéticos que imiten las características estadísticas de los reales sin corresponder a pacientes concretos, una idea emparentada con el uso de IA en salud mental. El problema es que los métodos actuales todavía generan diálogos cortos y con poco conocimiento psiquiátrico.
Tampoco hay atajos limpios.
La Privacidad Diferencial añade ruido matemático durante el entrenamiento para dificultar que alguien recupere información individual. El Aprendizaje Federado mueve el proceso a dispositivos locales y evita compartir datos brutos con un servidor central, aunque ambas técnicas reducen la precisión de los modelos.
La solución no pasa por una sola barrera
El trabajo propone un flujo más amplio que combina recopilación ética con consentimiento informado, anonimización o datos sintéticos, entrenamiento con preservación de privacidad y una evaluación exhaustiva del resultado. Dicho de otra forma, no basta con que el sistema acierte, también tiene que demostrar qué coste paga por acertar y quién asume ese coste.
Esa tensión ya está en el centro de otras discusiones sobre bienestar mental asistido por IA. Cuanto más íntimo es el dato que mejora el diagnóstico, más difícil resulta blindarlo sin empobrecer el modelo.
La primera versión de este trabajo se publicó el 19 de octubre de 2025, y la contradicción sigue intacta. La misma tecnología que supera el 90 % de precisión para detectar síntomas necesita entrar en uno de los espacios más privados que existen, la conversación de una terapia.