Santiago Gabriel Cento^[1]

El propósito de este capítulo es acercar al lector una perspectiva tecnológica de las posibilidades no exploradas que generan las herramientas que tenemos a disposición, así como el correcto uso de dichas herramientas.

Aunque en los últimos años se haya llegado a un plateau de utilización de dispositivos electrónicos, es innegable que dejamos una huella gigante a cada paso que damos en el mundo digital, sobre todo en dispositivos móviles. Si bien hace años que empresas gigantes como Meta, Google o MercadoLibre registran cada movimiento que hacemos en sus respectivas apps, esto se hace con el objetivo de mejorar sus productos o conseguir más ventas. En el documental The Social Dilemma (Netflix, 2020) podemos ver una dramatización explícita de estas técnicas y su empleo. Sin embargo, la utilización de estas técnicas de fenotipado digital está muy poco explorada desde el lado de la medicina y la psicología. Un análisis por parte de un profesional de los datos recolectados con el fin de anticipar, diagnosticar o tratar una depresión podría resultar beneficioso para las partes: aportando información para comprender el caso, pesquisando indicadores de depresión o de riesgo que lleven a un sujeto a consultar con un profesional por primera vez o agilizando el tratamiento mediante la adquisición de información adicional que sirva para su monitoreo.

A la hora de recolectar los datos del sujeto existen varias aristas de donde obtenerlos y numerosas maneras de hacerlo. De estas aristas, la mayoría reside en nuestros teléfonos, dado que nos acompañan prácticamente durante todo el día y en todo lugar. Cabe aclarar que algunas metodologías son utilizadas actualmente, pero otras áreas son difíciles de implementar, ya sea debido a restricciones legales, falta de investigación o limitaciones de la plataforma.

Con el objetivo de simplificar al lector el entendimiento de las herramientas disponibles, cuando hablamos de dispositivos móviles, nos vamos a enfocar en dispositivos del ecosistema Apple. Esto se debe a que tienen varios beneficios, como unificación y encriptación de datos de todos los dispositivos asociados al sujeto; además de una larga lista de herramientas para que los desarrolladores puedan construir software que acceda, cree y manipule estos datos.

Si bien por razones de privacidad no se pueden captar u obtener de forma programática los datos del sujeto en otras aplicaciones que no sean la propia, los sujetos sí pueden solicitar a dichas empresas toda la información que tengan sobre uno mismo. Facebook, Instagram, Youtube son algunas de las aplicaciones que permiten exportar la información en formato “CSV” (Comma-Separated Values), uno muy empleado por su fácil ingesta y posterior procesamiento de los datos, y que podríamos utilizar para evaluar infinidad de patrones y conductas. Por otro lado, sí tenemos acceso (siempre y cuando el sujeto lo permita explícitamente) al tiempo de pantalla de la persona, lo que nos podría dar algún indicativo de abuso de estos dispositivos. Un metaanálisis reciente publicado por Li y sus colaboradores en el año 2022 observó una asociación entre el aumento en el tiempo de pantallas y el riesgo de depresión, especialmente en mujeres jóvenes. Otro flujo de datos que podemos recolectar de forma pasiva es aquel almacenado en HealthKit (repositorio de información encriptado relacionado con salud). Mediante su interfaz de desarrollo podemos acceder a determinados datos, como pasos caminados en el día, hora a la que se dejó de utilizar el celular y hora en la que se volvió a utilizar por la mañana, entre tantos otros. La cantidad y calidad de información recolectada en ese repositorio van a crecer considerablemente si se utiliza un reloj inteligente en conjunto. En el caso específico de la depresión, HealthKit puede ser una herramienta clave para monitorear aspectos relacionados, como la actividad física diaria, los patrones de sueño y las variaciones en el ritmo cardíaco, que son indicadores relevantes en el seguimiento del estado de ánimo en la depresión.

En la tangente del audio/video podemos encontrar gran cantidad de funcionalidad a disposición, pero, nuevamente, debido a las restricciones de las plataformas en favor de la privacidad del usuario, algunas solo quedan en el imaginario de los desarrolladores y clínicos. Imaginemos que no existen tales restricciones, sería posible analizar la prosodia o detectar patrones de emociones negativas en el habla. El discurso asociado a la depresión se caracteriza por diversas anomalías, como una velocidad de habla más lenta, menor variabilidad en el tono y un mayor uso de expresiones autorreferenciales. Ya en 1921, Emil Kraepelin observó que los pacientes con depresión mostraban características distintivas en su habla, como un tono más bajo, un ritmo más monótono, menor intensidad de sonido y una velocidad de habla más lenta, junto con una mayor frecuencia de vacilaciones, tartamudeos y susurros. En la actualidad, se podría pensar en un análisis en tiempo real tanto del sujeto como de su entorno si, por ejemplo, se hiciera una consulta a través de videollamada. Algunos algoritmos de inteligencia artificial están especialmente entrenados para ayudar a detectar emociones a través del procesamiento del lenguaje natural (NLP, por sus siglas en inglés) o expresiones faciales a partir de fotos o videos. Ya hablaremos más adelante de cómo nos beneficia la inteligencia artificial y de qué maneras no. Lo que de momento no ha sido explorado pero sí es posible es diseñar algún tipo de ejercicio para que el sujeto se grabe diciendo una frase o fragmento de texto para poder analizar de manera sistemática y obtener resultados fiables sobre su estado, teniendo el consentimiento del sujeto al entregar esa información. Asimismo es posible que se haga llevar al sujeto un diario digital para poder evaluar su escritura y el contenido, como las autorreferencias en el discurso.

Otro punto a destacar sobre HealthKit es que provee de forma nativa (integrado en el sistema operativo) la posibilidad de realizar cuestionarios autoadministrados que eventualmente puedan arrojar algún signo de depresión o ansiedad. Hay que destacar que estos cuestionarios son los Generalized Anxiety Disorder-7 (GAD-7, diseñado para pesquisar y evaluar niveles de ansiedad) y el Patient Health Questionnaire-9 (PHQ-9, diseñado para evaluar depresión), usados ampliamente en Estados Unidos pero no muy comunes en Latinoamérica, donde predomina el uso de las escalas Hamilton de ansiedad y depresión o los cuestionarios autoadministrados de Beck. Afortunadamente, estas herramientas proveen la posibilidad de desarrollar cuestionarios a medida y que podrían resultar de mayor significancia para los especialistas. De todas maneras, cualquiera de estas escalas podría resultar en que el sujeto consulte con un especialista y comience así una mejora en la calidad de vida del individuo.

Ahora bien, vamos a entrar en profundidad en el concepto de inteligencias artificiales (IIAA), cuáles son sus posibilidades y cuáles no. Por definición, la inteligencia artificial no es más que uno o varios algoritmos que simulan la inteligencia humana. Quiero resaltar que simulan la inteligencia humana. No dejan de ser algoritmos, diseñados para resolver una tarea específica lo mejor que puedan. Existen varios tipos de inteligencias artificiales y varían en la forma en la que son diseñadas y entrenadas para cumplir su tarea. Machine learning es probablemente la rama más predominante, permite a las máquinas aprender y mejorar automáticamente a partir de datos, sin ser programadas explícitamente para cada tarea. Utiliza algoritmos para identificar patrones, hacer predicciones y tomar decisiones basadas en datos. A su vez, quiero detenerme en la más popular de las subcategorías de machine learning, las LLMs (Large Language Model por sus siglas en inglés) y su implementación más conocida, ChatGPT. ChatGPT es una IA generativa de texto, entrenada con textos de todo el mundo y de repositorios públicos de información. Si bien es capaz de responder las preguntas que le hacemos, no entiende lo que está respondiendo. Tal vez pueda parecer por la forma en que formula sus frases que está entendiendo lo que preguntamos o lo que está respondiendo, pero no deja de ser un generador e interpretador de texto. Por eso podemos usarlo para lo que es su fuerte, la gramática, la lingüística y todo lo relacionado con el lenguaje. Si bien podemos entrenar las IIAA para que reconozcan emociones en videos de personas o tumores en resonancias magnéticas, estas no dejan de basarse en resultados por porcentajes. Otra vez, no entienden lo que están haciendo y muchas veces no tienen el contexto necesario, solo se limitan a arrojar el resultado que tenga el mayor porcentaje de certeza. Es por esto que podemos tomar a las IIAA como una herramienta para facilitar o agilizar el análisis de patrones o información, pero siempre vamos a tener que corroborar esos datos por nosotros mismos.

Referencias

Graham, S., Depp, C., Lee, E. E., Nebeker, C., Tu, X., Kim, H. C. & Jeste, D. V. (2019). Artificial Intelligence for Mental Health and Mental Illnesses: an Overview. Current psychiatry reports, 21 (11), 116. –https://doi.org/10.1007/s11920-019-1094-0.

Guinjoan, S. M., Castro, M. N., Vigo, D. E., Weidema, H., Berbara, C., Fahrer, R. D., Grancelli, H., Nogués, M., Leiguarda, R. C. & Cardinali, D. P. (2007). Depressive symptoms are related to decreased low-frequency heart rate variability in older adults with decompensated heart failure. Neuropsychobiology, 55 (3-4), 219-224. https://doi.org/10.1159/000108381.

Koops, S., Brederoo, S. G., de Boer, J. N., Nadema, F. G., Voppel, A. E. & Sommer, I. E. (2023). Speech as a Biomarker for Depression. CNS & neurological disorders drug targets, 22 (2), 152-160. https://doi.org/10.2174/1871527320666211213125847.

Kraepelin, E. (1921). Manic-Depressive Insanity and Paranoia. E & S Livingstone.

Li, L., Zhang, Q., Zhu, L., Zeng, G., Huang, H., Zhuge, J., Kuang, X., Yang, S., Yang, D., Chen, Z., Gan, Y., Lu, Z., Wu, C. (2022). Screen time and depression risk: A meta-analysis of cohort studies. Front Psychiatry, Dec. 22, 13: 1058572. doi: 10.3389/fpsyt.2022.1058572.

Low, D. M., Bentley, K. H. & Ghosh, S. S. (2020). Automated assessment of psychiatric disorders using speech: A systematic review. Laryngoscope investigative otolaryngology, 5 (1), 96-116. https://doi.org/10.1002/lio2.354.

Naveed, H., Khan, A. U., Qiu, S., Saqib, M., Anwar, S., Usman, M., … & Mian, A. (2023). A comprehensive overview of large language models. arXiv preprint. arXiv:2307.06435.

North, F. & Chaudhry, R. (2016). Apple HealthKit and Health App: Patient Uptake and Barriers in Primary Care. Telemedicine journal and e-health: the official journal of the American Telemedicine Association, 22 (7), 608-613. https://doi.org/10.1089/tmj.2015.0106.

Teferra, B. G., Rueda, A., Pang, H., Valenzano, R., Samavi, R., Krishnan, S. & Bhat, V. (2024). Screening for Depression Using Natural Language Processing: Literature Review. Interactive journal of medical research, 13, e55067. https://doi.org/10.2196/55067.

---