Ponente
Descripción
Los relatos clínicos escritos por psiquiatras durante sus consultas contienen información valiosa sobre la evolución de los pacientes, pero raramente se analizan con herramientas matemáticas formales. En este trabajo desarrollamos un pipeline computacional que combina modelos estocásticos e inteligencia artificial para estudiar cómo evoluciona el nivel de riesgo psiquiátrico a lo largo del tiempo, usando datos reales de 58 pacientes con seguimiento ambulatorio entre 2021 y 2025, con un promedio de 17 consultas por paciente. Cada consulta fue etiquetada con un nivel de riesgo (bajo, medio o alto) asignado por expertos en salud mental.
Las trayectorias de riesgo individuales fueron modeladas como cadenas de Markov de tiempo discreto. Los resultados muestran que, en el largo plazo, la cohorte pasa el 55% del tiempo en riesgo medio, el 26% en riesgo bajo y el 19% en riesgo alto. Esto refleja una población que, si bien está en tratamiento activo, se mantiene predominantemente en un estado de alerta clínica sostenida. Un hallazgo relevante del modelo es que el estado de riesgo alto es el más inestable de los tres: los pacientes permanecen en él en promedio solo 2 consultas antes de transitar hacia otro nivel, en comparación con 3.3 consultas para el riesgo medio. Adicionalmente, se encontró que la probabilidad de escalar desde cualquier nivel hasta riesgo alto en un horizonte de 6 consultas es de aproximadamente el 19%, lo que equivale a casi 1 de cada 5 pacientes, un dato relevante para la planificación de seguimiento.
En cuanto al efecto de los cambios farmacológicos, se identificaron 603 eventos en los que el esquema de medicación fue modificado de una consulta a la siguiente. Comparando el nivel de riesgo promedio en las 4 consultas anteriores y posteriores a cada cambio, se observó una mejoría leve en promedio, aunque solo el 38% de los cambios estuvo asociado a una reducción del riesgo. Este resultado sugiere que los ajustes de medicación no producen un efecto uniforme ni inmediato sobre el nivel de riesgo a corto plazo. Complementariamente, se extrajeron señales cualitativas de los relatos mediante procesamiento de lenguaje natural en español. Estos indicadores textuales mostraron patrones diferenciados según el nivel de riesgo, validando la coherencia del léxico supervisado con la clasificación clínica.
Este trabajo demuestra que es posible extraer patrones cuantitativos clínicamente interpretables a partir de registros narrativos longitudinales en salud mental, combinando modelos matemáticos estocásticos con herramientas de inteligencia artificial. Los resultados contribuyen a la comprensión de las trayectorias psiquiátricas a lo largo del tiempo y ofrecen una base metodológica para el diseño de sistemas de alerta temprana y la optimización del seguimiento terapéutico.