Un estudio publicado en la revista científica Scientific Reports evaluó cinco modelos de inteligencia artificial para estimar el riesgo de conductas relacionadas con el suicidio durante los 30 días posteriores a la atención en urgencias. La investigación, basada en 204.470 atenciones correspondientes a 106.714 pacientes, identificó que el algoritmo LightGBM alcanzó un área bajo la curva ROC (AUROC) de 0,88 utilizando información clínica disponible desde el triaje. Los resultados ofrecen nuevas posibilidades para apoyar la identificación temprana del riesgo, la evaluación de salud mental y el seguimiento de pacientes.

La investigación, desarrollada por científicos de la Universidad de Johannesburgo, Sudáfrica, y publicada el 2 de agosto de 2026 en Scientific Reports, examinó la capacidad de diferentes algoritmos para anticipar eventos relacionados con ideación suicida, autolesiones e intentos de suicidio documentados en los registros clínicos. El trabajo plantea incorporar estas herramientas como apoyo a las decisiones de los profesionales sanitarios, especialmente en servicios de urgencias donde la identificación oportuna del riesgo constituye un desafío asistencial.

Inteligencia artificial para identificar el riesgo suicida desde el triaje de urgencias

El estudio utilizó información de la base de datos MIMIC-IV, que contiene registros clínicos anonimizados de pacientes atendidos en un sistema hospitalario de Estados Unidos. Los investigadores analizaron 204.470 atenciones de urgencias correspondientes a 106.714 pacientes, de las cuales 6.980, equivalentes al 3,41 %, estuvieron asociadas con conductas relacionadas con el suicidio documentadas durante el periodo de seguimiento de 30 días.

Para construir los modelos predictivos, el equipo seleccionó 21 variables disponibles durante la evaluación inicial de los pacientes. Estas incluyeron edad, sexo, signos vitales, antecedentes psiquiátricos, características de la consulta y momento de ingreso al servicio de urgencias.

Se evaluaron cinco algoritmos de aprendizaje automático: regresión logística, Random Forest, XGBoost, LightGBM y una red neuronal multicapa. Los registros se distribuyeron en conjuntos de entrenamiento, validación y prueba, evitando que las atenciones de un mismo paciente aparecieran en diferentes grupos.

Uno de los principales aspectos del diseño fue la utilización exclusiva de información disponible al momento del triaje, sin incorporar resultados de laboratorio, diagnósticos posteriores ni datos generados durante la hospitalización. De esta manera, los investigadores buscaron evaluar la posibilidad de realizar estimaciones tempranas del riesgo a partir de información recopilada habitualmente durante la atención.

LightGBM alcanzó un AUROC de 0,88 en la predicción del riesgo a 30 días

Los cinco modelos demostraron capacidad para diferenciar entre atenciones con y sin eventos relacionados con el suicidio durante los 30 días posteriores a la consulta. Sin embargo, LightGBM presentó el mejor equilibrio general entre las métricas utilizadas para evaluar su desempeño. En el conjunto independiente de prueba, el algoritmo obtuvo un AUROC de 0,88, un área bajo la curva precisión-recall (AUPRC) de 0,25 y una sensibilidad del 79 %, además de una puntuación F2 de 0,41.

El AUROC mide la capacidad del modelo para discriminar entre pacientes con diferentes resultados clínicos, mientras que la sensibilidad representa la proporción de eventos que logra identificar. Por su parte, el AUPRC resulta especialmente relevante cuando los eventos estudiados son poco frecuentes, como ocurrió en esta investigación.

Aunque otros algoritmos alcanzaron resultados superiores en determinadas métricas, LightGBM ofreció un desempeño global favorable para la identificación de eventos poco frecuentes y mantuvo resultados consistentes entre los conjuntos de validación y prueba. La selección del modelo también tuvo en cuenta el equilibrio entre la detección de pacientes que podrían requerir evaluaciones adicionales y el número de alertas generadas, un aspecto relevante para la operación de los servicios de urgencias.

¿Cuántos pacientes en riesgo logró identificar el modelo de inteligencia artificial?

Para analizar su posible aplicación clínica, los investigadores establecieron un umbral de alerta de 0,6979, destinado a convertir las probabilidades estimadas por LightGBM en clasificaciones de mayor o menor riesgo. Con este umbral, el desempeño cambió frente a los resultados generales del algoritmo. La sensibilidad se situó en el 64 % y la precisión positiva alcanzó el 19 %, lo que refleja la relación entre la identificación de eventos y la cantidad de pacientes señalados para una evaluación adicional.

En el conjunto de prueba, compuesto por 41.202 atenciones, el sistema identificó correctamente 957 casos con eventos posteriores relacionados con el suicidio, mientras que otros 537 casos no fueron detectados. También generó 4.013 alertas positivas en atenciones sin eventos documentados durante el seguimiento y clasificó correctamente 35.695 atenciones sin estos resultados.

En total, el modelo produjo 4.970 alertas, equivalentes a aproximadamente 121 por cada 1.000 atenciones de urgencias. Estos resultados muestran la importancia de considerar tanto los casos identificados como las evaluaciones adicionales que podrían generar las alertas. Los autores plantean que las predicciones deben utilizarse como señales para priorizar una valoración clínica, sin sustituir los instrumentos de evaluación del riesgo suicida ni las decisiones de los profesionales sanitarios.

¿Qué variables clínicas influyeron en las predicciones del riesgo suicida?

El análisis de interpretabilidad permitió identificar los factores con mayor influencia en las estimaciones realizadas por LightGBM. Para ello, los investigadores utilizaron SHAP, una metodología que permite examinar cómo las distintas variables contribuyen a las predicciones generadas por un algoritmo.

La edad, las consultas relacionadas con dolor y los antecedentes de trastornos del estado de ánimo figuraron entre las variables de mayor importancia. También se identificaron contribuciones de antecedentes de trastornos por consumo de sustancias y ansiedad.

En el análisis de la edad, los valores más bajos estuvieron generalmente asociados con mayores estimaciones de riesgo dentro de la población estudiada. Los antecedentes de trastornos del estado de ánimo también contribuyeron de manera importante a las predicciones. Entre los indicadores fisiológicos se encontraron la temperatura corporal, la presión arterial, la frecuencia respiratoria, la saturación de oxígeno y el índice de choque, calculado a partir de la frecuencia cardíaca y la presión arterial sistólica.

Los investigadores señalaron que estas variables fisiológicas no constituyen indicadores directos de conducta suicida. Su contribución podría estar relacionada con condiciones clínicas como intoxicaciones, sobredosis, alteraciones fisiológicas agudas u otras situaciones presentes durante la atención en urgencias. El modelo combinó información demográfica, clínica y contextual para generar las estimaciones individuales, sin depender exclusivamente de un antecedente psiquiátrico o de una manifestación explícita de ideación suicida.

¿Cómo podría integrarse la inteligencia artificial en la atención de urgencias?

La investigación propone incorporar los modelos predictivos a los sistemas de apoyo a la decisión clínica, de manera que las estimaciones generadas durante el triaje contribuyan a identificar pacientes que podrían beneficiarse de una valoración adicional de salud mental.

Los autores plantean una estrategia de clasificación por niveles de riesgo. En este esquema, las estimaciones bajas podrían incorporarse a los procesos habituales de atención, mientras que los niveles intermedios permitirían considerar evaluaciones complementarias y los más elevados podrían motivar una valoración psiquiátrica prioritaria.

El enfoque busca apoyar la organización de los recursos asistenciales, la identificación temprana de pacientes y la planificación del seguimiento, manteniendo la responsabilidad clínica en los profesionales de salud. En Colombia, la utilización de inteligencia artificial para identificar señales de riesgo en salud mental también ha comenzado a explorarse mediante iniciativas como la estrategia de Bogotá para detectar riesgos relacionados con el suicidio en redes sociales, un abordaje diferente al modelo basado en información hospitalaria evaluado en esta investigación.

El estudio reconoce que los resultados proceden de datos retrospectivos de una sola red hospitalaria estadounidense y que la identificación de eventos dependió de registros diagnósticos. Por ello, los investigadores consideran necesaria la validación en otras instituciones y poblaciones, así como estudios prospectivos para evaluar su funcionamiento en condiciones reales de atención.

También proponen examinar la integración de estas herramientas en los flujos hospitalarios, su aceptación por los profesionales, la carga de alertas y sus efectos sobre la utilización de recursos clínicos. Estas evaluaciones permitirán establecer las condiciones para una eventual incorporación de modelos predictivos de inteligencia artificial en los servicios de urgencias y la atención de salud mental.

Consulte aquí el estudio