Inteligencia artificial y terapia cognitivo-conductual: ¿es posible predecir el éxito del tratamiento?

El análisis, realizado con 1.589 participantes y datos de cinco ensayos clínicos, relacionó una mayor gravedad inicial de la depresión con un mayor beneficio del tratamiento. Sin embargo, el modelo no tuvo precisión suficiente para recomendar una asignación selectiva: una señal prometedora para investigar, no una licencia para excluir a nadie.

Una clasificación útil que no basta

El mecanismo parece sencillo: el sistema utiliza la gravedad inicial de la depresión para situar a cada paciente en una escala de beneficio esperado. Eso abre la puerta a una gestión más informada, especialmente en programas de terapia online donde llegar a más personas no debería confundirse con tratarlas a todas de la misma manera.

Aunque la capacidad de ordenar pacientes según su beneficio probable resulta técnicamente interesante, no equivale a predecir con fiabilidad quién responderá y quién no. El resultado hallazgoassocia gravedad y beneficio, pero la precisión alcanzada no permitió recomendar una asignación selectiva del tratamiento. La diferencia es crucial: rankear no es lo mismo que seleccionar, y una tendencia estadística no constituye una garantía individual.

Para una consulta de psicología, la lectura responsable es clara: este modelo no debería utilizarse como filtro para denegar el acceso a la terapia cognitivo-conductual. Tampoco aporta una base suficiente para clasificar a los pacientes como respondedores o no respondedores. Su valor inmediato está en mostrar que los datos iniciales pueden contener información relevante sobre el beneficio probable, no en sustituir la evaluación clínica.

Del laboratorio al flujo de trabajo

La tentación de convertir el prototipo en una función de gestión es comprensible. Una herramienta capaz de anticipar resultados podría ayudar a priorizar recursos, pero aquí el algoritmo tropieza precisamente con el punto más delicado: el umbral entre apoyar una decisión y decidir por el profesional.

Por eso, antes de introducir modelos semelhantes en la organización de una consulta, conviene separar tres capas que a menudo se mezclan:

1. Asociación: el estudio detectó que una mayor gravedad inicial se relacionaba con un mayor beneficio de la terapia por internet.

2. Clasificación: el modelo ordenó a los pacientes según ese beneficio probable.

3. Decisión: la precisión no fue suficiente para recomendar asignar selectivamente el tratamiento.

Solo la tercera capa justificaría un cambio operativo. Como no se alcanzó ese nivel de precisión, un sistema de este tipo no debería employed — por sí solo — para decidir quién recibe una modalidad terapéutica concreta. Puede servir como señal exploratoria dentro de una evaluación más amplia, pero no como veredicto automatizado.

El criterio profesional sigue mandando

El resultado también marca una frontera importante para la automatización. El aprendizaje automático puede revelar patrones difíciles de detectar manualmente y ofrecer una primera lectura de grandes volúmenes de datos; aun así, una salida algorítmica mediocremente precisa puede producir el mismo efecto que una recomendación clínica demasiado segura.

La cuestión práctica no es si el modelo ordena, sino qué ocurriría si una puntuación baja se utilizara para excluir a un paciente. Precisamente en ese escenario falla la justificación: el estudio no demuestra que las personas con menor beneficio previsto deban quedar fuera. Por tanto, cualquier integración que convierta el ranking en una barrera contradiría el alcance real de la evidencia.

Para el terapeuta, la pauta de actuación puede resumirse así: observar la señal, comprobar su precisión y evitar que una predicción se convierta en exclusión. Los 1.589 participantes y los cinco ensayos aportan un contexto sólido para seguir investigando, pero no convierten este resultado en una regla universal ni en un módulo listo para en la gestión habitual de la consulta.