Integración de tecnologías impulsadas por IA y características faciales semánticas para la detección de depresión: Un...

Área de la Ciencia:

• Inteligencia Artificial
• Psiquiatría
• Salud Digital

Sus antecedentes:

• La depresión es un problema de salud global con desafíos en la detección temprana en entornos ambulatorios.
• Las limitaciones incluyen el sesgo de autoinforme, el estigma y la subnotificación de los síntomas depresivos.
• La IA ofrece métodos objetivos, escalables y discretos para la detección temprana de la depresión.

Objetivo del estudio:

• Evaluar la precisión predictiva de dos sistemas de IA, iSeeME y EDDTW-V2, para identificar síntomas depresivos.
• Evaluar la utilidad de la IA en la detección de la depresión en pacientes ambulatorios de alto riesgo.
• Comparar el rendimiento del análisis de expresiones faciales (iSeeME) y el análisis narrativo (EDDTW-V2).

Principales métodos:

• Un estudio transversal que involucró a 62 pacientes ambulatorios de clínicas psiquiátricas y de cirugía oncológica.
• Se administraron evaluaciones estandarizadas de depresión (HDRS, BDI-II, PHQ-9).
• Se analizaron datos de expresiones faciales mediante iSeeME; transcripciones narrativas mediante EDDTW-V2; se evaluó la validez predictiva mediante métricas, correlaciones y análisis de clúster.

Principales resultados:

• 39 de 62 participantes tenían depresión clínica (HDRS ≥7).
• iSeeME logró una precisión de 0.761, una recuperación de 0.854, una puntuación F1 de 0.805 y una precisión de 0.770.
• iSeeME mostró correlaciones más fuertes con BDI-II (r=0.442) y PHQ-9 (r=0.335) que EDDTW-V2.

Conclusiones:

• Ambos sistemas de IA muestran potencial como herramientas complementarias para la evaluación de la depresión.
• iSeeME se destaca en la detección de síntomas afectivo-conductuales; EDDTW-V2 captura características cognitivo-lingüísticas.
• La IA apoya la detección temprana, el monitoreo y las intervenciones dirigidas para la depresión en entornos ambulatorios.