Modelos de Lenguaje Grande para la Predicción de Salud Mental: Revisión de Sesgos y Documentación de Utilidad Clínica de 2019 a 2024

Resumen ejecutivo
Un creciente número de investigaciones utiliza modelos de lenguaje grande (LLMs) para realizar predicciones sobre la salud mental, aunque estos modelos son proclives a sesgos y hay escasez de estudios que validen su utilidad clínica. Una revisión reciente se centra en identificar las limitaciones metodológicas de estos sistemas predictivos y la autoconciencia de los autores respecto a los sesgos y desafíos clínicos.
Contexto
La salud mental ha cobrado una gran relevancia en los últimos años, y la inteligencia artificial desempeña un papel cada vez más importante en este ámbito. Los modelos de lenguaje grande, tecnología basada en aprendizaje automático que procesa y comprende el lenguaje humano, han sido objeto de interés para realizar predicciones sobre condiciones de salud mental. Sin embargo, la creciente dependencia de estos modelos requiere un examen crítico de su capacidad para abordar y reflejar problemas de sesgos inherentes y su utilidad clínica real.
Qué aporta esta novedad
La revisión abarca artículos de investigación originales en inglés publicados entre 2019 y 2024 que emplean LLMs en la detección de condiciones de salud mental a partir de datos textuales. A través de una búsqueda en cinco bases de datos científicas, se identificaron un total de 2472 artículos, de los cuales 201 fueron incluidos en la revisión final. Los hallazgos indican que existe un interés creciente en el uso de LLMs para predecir desórdenes depresivos, especialmente a partir del análisis de textos en redes sociales. Sin embargo, se evidenció una serie de limitaciones metodológicas que pueden afectar la relevancia clínica de estos modelos.
Por qué es relevante
La falta de discusión detallada sobre los sesgos y la utilidad clínica en la mayoría de los estudios analizados sugiere la necesidad de un enfoque más riguroso. Aunque un 81.6% de los estudios menciona temas relacionados con sesgos, solo una minoría aborda aspectos críticos de todo el proceso de desarrollo de los LLMs. En un contexto tan delicado como el análisis de la salud mental, estas carencias pueden obstaculizar la creación de sistemas equitativos y clínicamente relevantes. Por lo tanto, se destaca la importancia de contar con equipos interdisciplinarios que incluyan tanto especialistas en procesamiento del lenguaje natural como clínicos, con el fin de mejorar la solidez técnica y la aplicabilidad de estos sistemas.
Lectura final
La revisión ha puesto de manifiesto que, entre 2019 y 2024, la discusión sobre sesgos y utilidad clínica en la predicción de salud mental mediante LLMs todavía es superficial. Para avanzar en este campo, es fundamental fomentar la colaboración entre distintos perfiles profesionales, asegurando que las herramientas desarrolladas no solo sean técnicamente competentes, sino también éticamente responsables y útiles para los potenciales usuarios en su camino hacia una mejor salud mental.
Sigue leyendo
Lectura clínica
Información editorial dirigida a profesionales de la salud. No sustituye la evaluación clínica, las guías vigentes ni el juicio médico.
Clasificación editorial automática
Fuente original
También en el radar
Inteligencia artificialInteligencia artificial y sueño
17 de noviembre de 2026
Inteligencia artificialInteligencia artificial en biomateriales y bioingeniería
17 de noviembre de 2026
Inteligencia artificialInteligencia artificial en cirugía estética
17 de noviembre de 2026
Inteligencia artificialApple añade nuevos controles de disco para evitar que los agentes de IA se descontrolen
17 de noviembre de 2026
¿Quieres más contexto?
Cada semana seleccionamos las señales de IA que importan, con foco en medicina.
Únete a la lista de RADAR
Te avisaremos cuando publiquemos el primer boletín y recibirás una selección breve de las señales de IA que realmente importan.
