Diccionario médico, definiciones y términos de psiquiatría

Aprendizaje automático ( machine learning)

El aprendizaje automático (machine learning) es una rama de la inteligencia artificial que permite a los ordenadores identificar patrones en grandes volúmenes de datos y hacer predicciones o clasificaciones sin ser programados explícitamente para cada tarea.

En el contexto de la psiquiatría, el aprendizaje automático puede utilizarse para:

- Detectar señales tempranas de trastornos mentales a partir de datos clínicos, genéticos o conductuales.

- Predecir respuestas a tratamientos psicofarmacológicos o psicoterapéuticos.

- Agrupar pacientes en subtipos más precisos que los definidos por los manuales diagnósticos tradicionales (p. ej., DSM o CIE).

- Analizar lenguaje natural, voz o actividad digital para evaluar el estado emocional o cognitivo del paciente.

Lo importante no es que el sistema "sepa" en sentido humano, sino que aprende de ejemplos anteriores y mejora su desempeño a medida que se expone a más datos.

Analogía clínica útil: Así como un residente en formación mejora su juicio clínico al ver cientos de casos y reconocer patrones sutiles, un modelo de aprendizaje automático hace lo mismo, pero a gran escala y sin fatiga.

Aprendizaje Profundo ( deep learning)

El aprendizaje profundo es un tipo de aprendizaje automático (machine learning) que utiliza redes neuronales artificiales con múltiples capas ("profundas") para aprender patrones complejos en grandes cantidades de datos.

A diferencia de los modelos tradicionales que necesitan que el profesional defina manualmente las variables importantes, en el deep learning la red aprende sola qué características son relevantes, a partir de los datos, sin necesidad de instrucciones explícitas.

Aplicaciones en Psiquiatría:

- Análisis automático de voz, texto o expresión facial para detectar síntomas depresivos, ansiosos o psicóticos. Predicción de riesgo suicida a partir de historiales médicos, lenguaje escrito o actividad digital.

- Análisis de neuroimágenes para encontrar patrones asociados a trastornos del neurodesarrollo o demencias.

-Procesamiento de lenguaje natural en asistentes clínicos de IA.

Analogía clínica: El aprendizaje profundo funciona como un psiquiatra con experiencia que, tras miles de casos, ha desarrollado una intuición precisa sobre qué observar... pero que no puede siempre explicar por qué lo sabe. La diferencia es que el modelo lo hace con cálculos matemáticos, no con intuición humana.

LLM (Large Language Model – Modelo de Lenguaje de Gran Tamaño)

Un LLM es un tipo avanzado de inteligencia artificial diseñado para comprender, generar y analizar lenguaje humano, entrenado con enormes cantidades de texto (libros, artículos, diálogos, etc.). Aprenden patrones del lenguaje y pueden responder preguntas, resumir textos, redactar documentos o mantener conversaciones complejas.

Aplicaciones en Psiquiatría:

- Redacción automática de informes clínicos, historias o cartas médicas.

- Traducción de lenguaje técnico a un formato comprensible para el paciente.

- Asistentes conversacionales terapéuticos (chatbots con fines psicoeducativos o de apoyo).

- Síntesis de literatura científica para mantener al profesional actualizado.

- Generación de materiales personalizados para cada paciente (psicoeducación, recomendaciones post-sesión).

Analogía clínica: Un LLM puede ayudarte a redactar, explicar o buscar información... pero necesita tu criterio clínico para saber qué es útil, ético y seguro.

Psiquiatria computacional

Es un campo que utiliza modelos matemáticos, estadísticas avanzadas e inteligencia artificial para entender y simular procesos mentales y cerebrales implicados en los trastornos psiquiátricos.

Objetivo:

- Traducir síntomas clínicos en variables cuantificables.

- Modelar el pensamiento, la emoción o el aprendizaje en términos computacionales.

- Conectar niveles de análisis: genético, cerebral, conductual, subjetivo.

Ejemplo práctico:
Usar un modelo bayesiano para explicar cómo un paciente con paranoia actualiza mal sus creencias frente a evidencias contradictorias.

Aplicación en la práctica:
Aún más en investigación que en clínica, pero abre la puerta a biomarcadores digitales y algoritmos diagnósticos más precisos.

Psiquiatría de precisión

Es un enfoque clínico que busca personalizar el diagnóstico y tratamiento psiquiátrico según las características únicas de cada paciente: biológicas, genéticas, ambientales y digitales, ofreciendo la medicación precisa, en la dosis correcta y en el momento preciso, con la promesa de la individualización de la atención clínica para pacientes con trastornos psiquiátricos.

Objetivo:

- Abandonar el modelo único para todos.

- Usar datos objetivos y subjetivos para predecir qué tratamiento funciona mejor en quién.

- Integrar genómica, neuroimagen, historia clínica y datos digitales.

Ejemplo práctico:
Utilizar una combinación de historia clínica, test genético y patrón de respuesta a tratamientos anteriores para decidir si un paciente con depresión debe recibir ISRS o psicoterapia.

Aplicación en la práctica:
En expansión, especialmente en grandes centros y en combinación con IA.

Psiquiatría Digital

Es el uso de tecnologías digitales (apps, móviles, sensores, IA, realidad virtual) para evaluar, monitorizar o intervenir en la salud mental de forma remota o asistida.

Objetivo:

- Ampliar el acceso a cuidados.

- Facilitar el seguimiento entre sesiones.

- Recoger datos en tiempo real del paciente.

Ejemplo práctico:
Una app que registra el sueño, el habla o la actividad física y detecta signos de recaída en trastorno bipolar.

Aplicación en la práctica:
Muy extendida en consulta privada y plataformas online.

Incluye chatbots, telepsiquiatría, diarios digitales y terapia asistida por IA.

Redes neuronales artificiales

Las redes neuronales artificiales son sistemas informáticos inspirados en el funcionamiento del cerebro humano, diseñados para reconocer patrones complejos y aprender a partir de datos.

Están formadas por unidades llamadas "nodos" o "neuronas artificiales", organizadas en capas, que procesan información de forma conectada.

Cada nodo recibe información, la transforma mediante una función matemática, y la transmite a otros nodos, simulando una red de comunicación.

En salud mental, pueden aplicarse para:

- Identificar biomarcadores cerebrales en neuroimagen.

- Analizar voz, texto o conducta digital para detectar depresión, psicosis o suicidabilidad.

- Modelar procesos cognitivos y afectivos desde una perspectiva computacional.

Comparación entre redes neuronales biológicas y artificiales

Las redes neuronales biológicas, como las del cerebro humano, están formadas por neuronas que se comunican entre sí mediante impulsos eléctricos y neurotransmisores. Su unidad básica es la neurona, y el aprendizaje ocurre gracias a la plasticidad sináptica, es decir, la capacidad de las conexiones neuronales para fortalecerse o debilitarse en función de la experiencia, la emoción y el contexto vital.

En cambio, las redes neuronales artificiales están compuestas por nodos o “neuronas artificiales”, representadas por funciones matemáticas. Estas redes procesan números, y el aprendizaje se produce ajustando los llamados "pesos sinápticos", siguiendo algoritmos como el de retropropagación del error (backpropagation). No hay emociones, corporalidad ni subjetividad en este proceso: la red simplemente busca minimizar el error en sus predicciones.

Otra diferencia importante es la velocidad. Las redes naturales funcionan a velocidades biológicas —lentas pero altamente eficientes en paralelo— mientras que las artificiales pueden procesar millones de operaciones por segundo, aunque sin la capacidad de comprender el contexto o los significados.

Además, las redes naturales son robustas y adaptables: pueden funcionar incluso con lesiones o con información incompleta. Las redes artificiales, en cambio, son más sensibles a datos ruidosos o fuera de lo que han aprendido: si no han “visto” un tipo de patrón, pueden fallar estrepitosamente.

Por último, el objetivo de una red natural es la adaptación al entorno, la supervivencia y la construcción de significado en interacción con otros. La red artificial, por el contrario, no tiene metas propias: solo intenta resolver una tarea matemática definida por quien la diseñó.

Las redes neuronales artificiales no “piensan” ni “sienten”. Aprenden de miles de historias clínicas, sin contacto humano, pero con gran memoria y cálculo rápido. Necesitan supervisión y contexto clínico para ser útiles.

Sistema experto

Un sistema experto es un tipo de programa informático diseñado para emular el razonamiento de un experto humano en un campo específico, utilizando una base de conocimientos y un motor de inferencias. Se basa en reglas lógicas del tipo "si… entonces…" (por ejemplo: si el paciente tiene síntomas A, B y C, entonces sugerir diagnóstico D), y su objetivo es ayudar en la toma de decisiones clínicas, diagnósticas o terapéuticas, reproduciendo la lógica de un profesional con experiencia.

Componentes de un sistema experto

- Base de conocimientos: contiene los hechos, criterios diagnósticos, tratamientos y protocolos extraídos de libros, guías clínicas o de la experiencia de expertos humanos.

- Motor de inferencia: es el "razonador" del sistema. Aplica reglas sobre los datos introducidos y deduce conclusiones.

- Interfaz de usuario: permite al clínico introducir información (síntomas, antecedentes, resultados) y recibir recomendaciones o explicaciones.

- Módulo de explicación (en algunos casos): justifica por qué se ha llegado a una determinada conclusión, lo que mejora la transparencia.

Aplicación en psiquiatría

En salud mental, un sistema experto puede:

- Ayudar a sugerir diagnósticos diferenciales en base a entrevistas estructuradas.

- Recomendar intervenciones terapéuticas ajustadas a guías clínicas (por ejemplo, algoritmos para el tratamiento del trastorno bipolar o la depresión resistente).

- Identificar factores de riesgo suicida mediante protocolos estructurados.

- Facilitar la formación clínica, sirviendo como simulador de casos complejos.

Diferencias con la IA moderna

Los sistemas expertos clásicos se basan en reglas fijas y conocimiento explícito, mientras que la IA moderna (como el aprendizaje automático o las redes neuronales) aprende a partir de datos, incluso sin que sepamos las reglas exactas. Un sistema experto razona como un psiquiatra que aplica algoritmos clínicos. Una red neuronal predice como un psiquiatra que ha visto miles de pacientes y detecta patrones sin poder explicarlos del todo.