- La inteligencia artificial permite analizar textos, imágenes y conducta en redes sociales para identificar patrones asociados al riesgo suicida.
- Proyectos como STOP y las apps MEmind y eB2 combinan datos multimodales con supervisión clínica para mejorar el cribado y seguimiento.
- Modelos como VSAIL, integrados en historiales médicos electrónicos, ayudan a focalizar las evaluaciones en pacientes con mayor probabilidad de ideación o intento.
- El desarrollo de estas herramientas exige abordar de forma rigurosa la privacidad, los sesgos algorítmicos y la integración ética en la práctica sanitaria.
Las redes sociales se han convertido en un espejo casi constante de nuestra vida diaria y, sin darnos mucha cuenta, también en un registro muy rico de nuestra salud mental y emocional. Millones de personas comparten a diario textos, imágenes y hábitos de uso que, bien analizados, pueden dar pistas muy valiosas sobre quién está atravesando un momento crítico. Aquí es donde entra en juego la inteligencia artificial (IA), capaz de detectar patrones que a simple vista se nos escaparían y que incluye herramientas como los chatbots en salud mental.
En los últimos años, equipos de investigación de España y de otros países han demostrado que es posible utilizar algoritmos avanzados para identificar indicios de ideación y riesgo suicida tanto en redes sociales como en historiales clínicos electrónicos. Desde el proyecto STOP en universidades catalanas hasta el modelo VSAIL en la Universidad de Vanderbilt, se está dibujando un nuevo escenario en el que la IA puede complementar el trabajo de psicólogos, psiquiatras y médicos de familia, ayudando a llegar antes a quienes más lo necesitan.
Proyecto STOP: inteligencia artificial para detectar riesgo suicida en redes sociales
En España, uno de los trabajos pioneros en este campo es el proyecto STOP (Suicide Prevention in Social Platforms), desarrollado por un equipo multidisciplinar de la Universidad Pompeu Fabra (UPF), el Centro de Visión por Computador de la Universidad Autónoma de Barcelona (UAB) y el Hospital Parc Taulí de Sabadell. Su objetivo principal es claro: detectar patrones de conducta suicida en redes sociales utilizando inteligencia artificial.
El núcleo de esta investigación consiste en entrenar algoritmos que analizan de forma conjunta textos, imágenes y patrones de actividad de los usuarios. En un primer momento se centraron especialmente en Twitter, una red en la que se publican miles de tuits por segundo y donde la combinación de mensajes breves, frecuencia de publicación y redes de contactos ofrece un material muy rico para el análisis automatizado.
Los modelos se entrenan con datos etiquetados por profesionales de la salud mental, que clasifican perfiles y publicaciones según su nivel de riesgo. Estos datos se anonimizan cuidadosamente para proteger la privacidad de los usuarios, de modo que ninguna persona concreta pueda ser identificada. A partir de esa base etiquetada, los algoritmos aprenden a distinguir entre usuarios de alto riesgo y usuarios sin indicios de conducta suicida.
Una de las aportaciones más relevantes de STOP es que no se queda en el análisis aislado de un único mensaje dramático o preocupante, sino que tiene en cuenta el historial completo de publicaciones de cada usuario. Eso permite captar tendencias, cambios graduales en el tono emocional, variaciones en la actividad nocturna o de fin de semana y muchas otras señales sutiles que, juntas, dibujan un mapa de riesgo mucho más preciso.
En las pruebas realizadas, los investigadores han alcanzado tasas de acierto cercanas al 85 % en la detección de patrones de comportamiento suicida, una cifra muy alta si se tiene en cuenta la complejidad del fenómeno y la enorme variabilidad de expresión entre personas diferentes.
Análisis multimodal: textos, imágenes y conducta en redes sociales
Uno de los rasgos distintivos de STOP y del trabajo publicado en la revista Journal of Medical Internet Research es su enfoque multimodal, relacional y conductual. No se limitan a mirar lo que la persona escribe, sino que integran varias capas de información procedente de múltiples plataformas: Twitter, Instagram y Reddit, entre otras.
Por un lado, se analiza el lenguaje: los algoritmos detectan si el usuario tiende a hablar mucho en primera persona, si usa negaciones con frecuencia o si recurre a términos relacionados con emociones intensas, especialmente la ansiedad. Estos marcadores lingüísticos se han mostrado estadísticamente diferentes entre personas en riesgo y grupos de control sin riesgo.
Por otro lado, se estudian los datos relacionales: cuántas cuentas sigue la persona, qué tipo de interacciones mantiene, si su círculo de amistades es amplio o reducido. Se ha visto que los usuarios de alto riesgo tienden a tener menos amigos o cuentas seguidas y a mostrar patrones de relación más limitados, algo que se alinea con la idea de aislamiento social, un factor de riesgo bien conocido en suicidología.
A eso se añaden los datos de comportamiento: cuándo publica, con qué frecuencia, cuánto se alargan sus textos. Entre los hallazgos más consistentes está que los usuarios en riesgo escriben mensajes más cortos, con un número medio menor de palabras, y concentran buena parte de su actividad en horarios nocturnos y durante los fines de semana, momentos donde suelen aumentar la soledad subjetiva y la desregulación emocional.
Finalmente, se incorpora el análisis de imágenes compartidas en redes. El equipo del Centro de Visión por Computador ha mostrado que puede existir una relación significativa entre el contenido visual publicado y el estado mental del usuario: colores, temática de las fotos, presencia de símbolos o escenas relacionadas con dolor, oscuridad o soledad pueden servir como señales adicionales para afinar los modelos predictivos.
Primera investigación en castellano con historial de publicaciones
El estudio firmado por Ramírez-Cifuentes, Freire, Baeza-Yates, Puntí, Medina-Bravo, Velazquez, Gonfaus y González supone la primera investigación que aborda la detección de ideación suicida en castellano teniendo en cuenta el historial completo de publicaciones de los usuarios en redes sociales. Esto es relevante porque la mayoría de modelos anteriores se habían desarrollado en inglés.
Trabajar en castellano plantea retos específicos: el idioma es muy rico en matices, tiene variantes regionales y se usan expresiones coloquiales muy diversas para hablar de malestar, muerte o desesperanza. Los autores resolvieron parte de este problema combinando análisis lingüístico clásico con técnicas modernas de aprendizaje automático, capaces de captar patrones semánticos complejos sin depender solo de diccionarios cerrados.
Además, se evaluó el rendimiento de los métodos en dos tipos de grupos de control. Por un lado, un grupo genérico formado por usuarios que casi nunca utilizaban palabras relacionadas con salud mental o suicidio. Por otro lado, un grupo focalizado, integrado por personas que sí hablaban de suicidio o términos asociados, pero sin pertenecer al grupo de riesgo. Esto permitió comprobar si el modelo era capaz de distinguir a quienes realmente estaban en peligro cuando el contenido superficial de los mensajes era aparentemente similar.
Los resultados mostraron diferencias estadísticamente significativas entre el grupo de riesgo y ambos grupos de control, especialmente en los atributos de texto y conducta. Las características lingüísticas, como las autorreferencias y el tono emocional, fueron de las más relevantes para el modelo, pero la precisión se incrementó cuando se combinaron con datos visuales, relacionales y de comportamiento.
En conjunto, el equipo concluye que este enfoque multimodal ofrece una base sólida para construir sistemas automáticos de detección temprana que, usados con cuidado ético, pueden servir de apoyo en programas de prevención del suicidio en el entorno digital.
Contexto en España: tabú, falta de recursos y oportunidad en redes sociales
El proyecto STOP se enmarca en un contexto español en el que cada año se registran alrededor de 3.000 muertes por suicidio, con un impacto emocional directo en el entorno de la víctima: la Organización Mundial de la Salud estima que, por cada suicidio consumado, al menos seis personas del entorno cercano sufren consecuencias emocionales profundas.
En España, sigue pesando mucho el tabú en torno al suicidio y a los problemas de salud mental. A esto se suma un acceso a veces complicado a recursos de psicología y psiquiatría, la falta de información, la escasez de profesionales y la persistencia del estigma y la discriminación. Todo ello hace que muchas personas con trastornos mentales no reciban ni un diagnóstico ni un tratamiento a tiempo.
Frente a esa realidad, el acceso a Internet y el uso intensivo de redes sociales han crecido de manera espectacular, abriendo una vía alternativa para acercarse a quienes no llegan a consulta. Las plataformas online se han demostrado útiles ya para detectar depresión, trastornos de la conducta alimentaria y otros problemas de salud mental, que en casos extremos pueden desembocar en ideación suicida.
Los investigadores implicados en STOP subrayan que las redes sociales, bien analizadas con herramientas de IA, pueden funcionar como un sistema informal de alerta temprana. No sustituyen a los dispositivos tradicionales de salud mental, pero permiten localizar señales de alarma en personas que nunca han pisado la consulta de un psicólogo o un psiquiatra.
Además, el proyecto cuenta con una iniciativa de micromecenazgo (crowdfunding) para ampliar la investigación a otros campos de la salud mental, como los trastornos de la conducta alimentaria y otros problemas emergentes relacionados con el uso de tecnologías digitales, demostrando que este tipo de metodologías pueden adaptarse a distintos trastornos y contextos.
Herramientas móviles para evaluación y seguimiento del riesgo suicida
Más allá de las redes sociales abiertas, otra línea de trabajo muy relevante se centra en las aplicaciones móviles de salud mental diseñadas para complementar la práctica clínica. El psiquiatra Alejandro Albán Porras Segovia, de la Fundación Jiménez Díaz, ha participado en el desarrollo de dos apps, MEmind y eB2, pensadas para el cribado, la evaluación y el seguimiento del riesgo suicida.
Estas aplicaciones permiten monitorizar de forma continuada el estado del paciente, recoger datos de forma sistemática y ofrecer intervenciones digitales basadas en la evidencia. Mientras que ningún profesional puede llamar todos los días a cada paciente para preguntar cómo está, una app puede enviar recordatorios, cuestionarios breves y recursos de apoyo las veces que haga falta, siempre bajo la supervisión del equipo clínico.
Cuando el sistema detecta respuestas o patrones preocupantes, se activan protocolos de seguridad: se puede disparar un plan de seguridad digital, organizar una llamada de seguimiento, adelantar una cita o derivar a servicios de urgencias según la gravedad. De este modo, la tecnología actúa como un eslabón inicial que filtra y prioriza la atención, sin sustituir nunca la valoración profesional.
Con el uso prolongado, los modelos de IA integrados en estas apps aprenden a identificar los patrones de conducta propios de cada persona. Si se produce una desviación significativa del patrón habitual (menos actividad, más mensajes negativos, alteraciones del sueño, cambios bruscos en el ritmo de vida), la aplicación interpreta que puede haber una descompensación y lanza una alerta.
Este enfoque se acerca a un modelo de medicina más personalizada, en el que las intervenciones ya no se basan solo en promedios estadísticos generales, sino en la evolución concreta del individuo, algo especialmente importante en la prevención de la conducta suicida.
IA clínica y registros médicos: el modelo VSAIL de Vanderbilt
En paralelo a lo que se está haciendo en redes sociales y apps de salud mental, otro frente clave de investigación viene de la mano de los registros médicos electrónicos (EHR). En el Centro Médico de la Universidad de Vanderbilt (VUMC), en Estados Unidos, se ha desarrollado el modelo Vanderbilt Suicide Attempt and Ideation Likelihood, conocido como VSAIL.
VSAIL es un algoritmo de aprendizaje automático que, a partir de la información rutinaria de los historiales clínicos, calcula el riesgo de que un paciente presente ideación o intento de suicidio en los próximos 30 días. No se trata de un sistema que lea redes sociales, sino de un modelo integrado en el propio flujo de trabajo del hospital y las clínicas, utilizando diagnósticos previos, medicación, visitas recientes, antecedentes y otros datos disponibles en el EHR.
Durante un ensayo prospectivo de 11 meses, el modelo se ejecutó silenciosamente en segundo plano mientras se atendía a unos 78.000 pacientes adultos en el hospital, urgencias y clínicas quirúrgicas. Al estratificar a los pacientes en ocho grupos según su puntuación de riesgo, se observó que el estrato con puntuaciones más altas concentraba más de un tercio de todos los intentos de suicidio documentados y cerca de la mitad de los casos de ideación suicida.
En términos prácticos, eso significa que, entre las personas clasificadas en el grupo de mayor riesgo, una de cada 23 reportó pensamientos suicidas y una de cada 271 llegó a intentar suicidarse en el periodo estudiado. Estas cifras son comparables a las que manejamos en cribados de otros problemas de salud como la hipercolesterolemia o ciertos tipos de cáncer, lo que refuerza la utilidad clínica de un sistema de este tipo.
El equipo de Colin Walsh, responsable del proyecto, destaca que no es viable ni conveniente evaluar en detalle el riesgo de suicidio en todos los pacientes en todas las consultas. Sin embargo, sí es posible focalizar la evaluación en los grupos señalados por el modelo como de mayor riesgo, dirigiendo así los recursos clínicos (siempre limitados) justo donde más falta hacen.
Alertas clínicas inteligentes: cómo avisar a los médicos sin saturarles
Sobre la base de VSAIL, el equipo de Vanderbilt realizó otro estudio para comprobar cómo debían presentarse estas predicciones a los médicos para que realmente se tradujeran en más evaluaciones de riesgo suicida en la práctica diaria. La investigación se centró en tres clínicas de neurología, un entorno donde algunas enfermedades están asociadas a un mayor riesgo de suicidio.
Se compararon dos tipos de alertas. Por una parte, alertas emergentes que interrumpían el flujo de trabajo del médico y le pedían de forma explícita realizar una evaluación de riesgo. Por otra, un sistema más pasivo que simplemente mostraba la información de riesgo dentro de la historia clínica electrónica, sin forzar ninguna acción inmediata.
Los resultados fueron muy claros: las alertas disruptivas llevaron a realizar evaluaciones de riesgo en torno al 42 % de los casos en que saltaba la alerta, mientras que el sistema pasivo apenas provocó evaluaciones en un 4 % de las ocasiones. Es decir, si la alerta no irrumpe de forma visible en la consulta, es mucho menos probable que el profesional actúe en ese momento.
Al mismo tiempo, los investigadores advierten de un riesgo conocido: la llamada fatiga de alertas. Si el personal sanitario recibe demasiadas notificaciones automáticas, puede acabar ignorándolas, lo que restaría eficacia al sistema y generaría frustración. El reto está en encontrar un equilibrio razonable entre sensibilidad y número de alertas.
Durante los seis meses que duró este ensayo en las clínicas de neurología, el sistema generó 596 alertas a partir de 7.732 visitas de pacientes, lo que supone que solo alrededor del 8 % de las consultas eran marcadas para evaluación. En el seguimiento de 30 días no se detectaron episodios de ideación o intento de suicidio entre los grupos aleatorizados, pero el estudio sirvió para demostrar que las alertas bien diseñadas pueden cambiar el comportamiento clínico y aumentar el número de valoraciones de riesgo realizadas.
El equipo sugiere que sistemas similares podrían probarse en otros servicios médicos, siempre adaptando la frecuencia y el diseño de la alerta al contexto concreto y al volumen de pacientes atendidos.
Papel del sueño, la impulsividad y otras variables psicológicas
En la investigación clínica sobre suicidio, uno de los factores que más se repite como predictor es el trastorno del sueño. Tal y como señala el Dr. Albán, cientos de estudios respaldan que dormir poco o mal incrementa el riesgo de conducta suicida: el sueño insuficiente desregula las emociones, facilita la aparición de pensamientos negativos e ideas de muerte y favorece la impulsividad.
Esta relación con el descanso nocturno se observa tanto en datos autorreportados en apps como en los patrones de actividad en redes sociales: publicaciones muy frecuentes a altas horas de la madrugada o cambios abruptos en los horarios de conexión pueden actuar como marcadores indirectos de problemas de sueño.
La realidad virtual está empezando también a abrirse camino como herramienta para evaluar rasgos como la impulsividad o la toma de decisiones, que se han asociado a mayor riesgo autolesivo. Los entornos inmersivos permiten simular situaciones cotidianas o de estrés de manera controlada, observando cómo responde la persona sin exponerla a peligros reales.
Otra línea prometedora son los tests de asociación implícita, pequeñas pruebas computadorizadas que ayudan a detectar pensamientos automáticos sobre muerte o suicidio incluso cuando la persona no los expresa de forma abierta. Estos instrumentos pueden resultar especialmente útiles con pacientes que tienen dificultades para verbalizar su malestar o que temen el estigma asociado a las ideas autolíticas.
Combinados con los datos digitales que aportan redes, apps y registros médicos, todos estos elementos ayudarán a construir modelos cada vez más finos, capaces de integrar dimensiones biológicas, psicológicas y sociales del riesgo suicida.
Retos éticos, de privacidad y de integración clínica
Aunque los resultados de estos proyectos son muy prometedores, la utilización de inteligencia artificial para detectar riesgo suicida plantea desafíos éticos de primer nivel. El primero es la privacidad: cualquier análisis de redes sociales o historiales clínicos debe garantizar la anonimización, la protección de datos y el uso responsable de la información.
En el caso de proyectos como STOP, los datos se tratan de forma agregada y sin identificar a personas concretas, con el objetivo de entrenar modelos y entender mejor los patrones de riesgo. No obstante, si en el futuro se desplegaran sistemas de detección automática en tiempo real, haría falta una regulación muy clara sobre quién puede acceder a esos datos, en qué condiciones y con qué propósito. En algunos países, como China, se han endurecido medidas sobre chatbots.
Otro reto importante es evitar el uso represivo o discriminatorio de estos sistemas. El fin último debe ser siempre ofrecer ayuda y recursos a quienes se encuentran en riesgo, nunca castigar o vigilar de forma intrusiva. Esto exige transparencia en el diseño de los algoritmos, participación de profesionales de la salud mental, juristas, asociaciones de pacientes y expertos en ética digital.
También es fundamental tener en cuenta los sesgos: los modelos se entrenan con datos históricos que pueden estar marcados por inequidades previas en el sistema sanitario o en el tratamiento social de ciertos grupos. Sin una revisión crítica y continua de los algoritmos, se corre el riesgo de perpetuar esas desigualdades, dejando fuera a minorías o colectivos con estilos de comunicación diferentes.
Por último, la integración real en la práctica clínica requiere formación específica a los profesionales. No basta con lanzar alertas o mostrar puntuaciones de riesgo: los médicos y psicólogos necesitan herramientas claras para saber cómo responder ante una señal de alerta, cómo abordar la conversación con el paciente y cómo coordinarse con otros servicios (urgencias, psiquiatría, atención primaria) para ofrecer una intervención eficaz.
Todo este conjunto de investigaciones, desde el análisis multimodal de redes sociales en castellano hasta las apps de seguimiento continuo y los modelos clínicos integrados en historiales electrónicos, apunta hacia un futuro en el que la inteligencia artificial será una aliada clave en la prevención del suicidio. Si se despliega con rigor científico, respeto a la privacidad y un marco ético sólido, puede ayudar a reducir el tabú, mejorar la detección temprana y dirigir los recursos sanitarios allá donde más se necesitan, ofreciendo a tiempo una mano tendida a quienes viven en silencio un sufrimiento extremo.
