DOI: https://doi.org/10.60647/EB1S-XB58
Resumen: La depresión es un trastorno mental caracterizado por una tristeza profunda y pérdida de interés, afectando al 5% de los adultos mundialmente. Su diagnóstico oportuno es vital, pero hoy depende de cuestionarios y entrevistas que pueden ser subjetivos. Para ofrecer una alternativa más precisa, este artículo explica de manera amigable cómo usamos Inteligencia Artificial (IA) y la actividad eléctrica del cerebro (electroencefalograma o EEG) para detectar esta enfermedad.
Analizamos registros de 88 personas de la base de datos “PREDICT”. Primero, limpiamos las señales eliminando interferencias como parpadeos o latidos. Después, exploramos el cerebro desde dos perspectivas: descubriendo en qué frecuencias gasta más energía y cómo cambian sus ondas segundo a segundo. Así, creamos un mapa sumamente detallado y seleccionamos únicamente las “huellas” más importantes de la depresión.
Al alimentar con esta información clave a 15 modelos de IA, logramos que aprendieran a distinguir un cerebro sano de uno deprimido con una precisión casi perfecta, alcanzando puntuaciones de eficacia superiores al 93%. A futuro, buscamos probar este método en escenarios clínicos cotidianos y consolidar un banco de datos en México enfocado en adolescentes y jóvenes adultos, facilitando diagnósticos tempranos.
Palabras clave: Inteligencia artificial, Depresión, Electroencefalografía.
El problema de la depresión
La depresión es una condición mental caracterizada por una profunda tristeza y pérdida de disfrute que afecta al 5% de la población adulta global. Su impacto es tan grave que se proyecta como la principal causa de incapacidad laboral y escolar para 2030, estando además ligada al suicidio, la segunda causa de muerte en jóvenes. A pesar de esta urgencia, su diagnóstico sigue dependiendo de cuestionarios y entrevistas que, por su naturaleza subjetiva, pueden llevar a evaluaciones imprecisas. Los pacientes suelen subestimar sus síntomas o confundirlos con otras patologías, lo que retrasa el tratamiento adecuado y agrava significativamente su situación.
Ante este panorama, es vital desarrollar herramientas diagnósticas de naturaleza objetiva que el paciente no pueda alterar de forma consciente. El electroencefalograma (EEG) destaca como la alternativa ideal: a diferencia de las costosas y exigentes resonancias magnéticas, el EEG es económicamente accesible, completamente no invasivo y mide la actividad eléctrica del cerebro en tiempo real. Sin embargo, extraer indicadores clínicos de estas lecturas es un desafío monumental; los equipos registran la información a través de decenas de canales simultáneos, generando inmensos laberintos de datos con una dimensionalidad demasiado alta para un análisis manual exhaustivo.
Para resolver este cuello de botella, proponemos una combinación entre este tipo de señales y la Inteligencia Artificial. Al entrenar algoritmos avanzados, logramos que la computadora identifique automáticamente los patrones eléctricos ocultos que diferencian un cerebro sano de uno con depresión. Lejos de intentar reemplazar la labor del especialista humano, este sistema computacional está diseñado para ser una poderosa herramienta complementaria de tamizaje. Validado con bases de datos internacionales, este enfoque promete revolucionar el diagnóstico, brindando evidencia medible para asegurar que la ayuda clínica llegue de forma oportuna y certera.
Antecedentes
Usar computadoras para “leer” ondas cerebrales y detectar depresión es un tema de actualidad en el campo de la investigación. Para que la Inteligencia Artificial (IA) aprenda a diagnosticar, primero necesita miles de ejemplos clínicos. En 2022, el equipo de Cai dio un paso monumental al publicar MODMA (Cai et al., 2020), un banco de datos que demostró mediante algoritmos que es matemáticamente posible separar la actividad eléctrica de un cerebro sano de uno deprimido.
El siguiente reto fue interpretar esa información masiva y caótica. Wang y su equipo (2022) transformaron las señales eléctricas en “mapas visuales”, usando IA similar a la del reconocimiento facial. Lo fascinante fue que su método identificó la depresión con gran precisión sin importar la cultura, validándolo en pacientes de China (MODMA) y Estados Unidos (PREDICT). Mientras unos veían imágenes, otros analizaron el tiempo y la comunicación neuronal. Kamal (2024) descubrió que observar cómo cambian las ondas segundo a segundo alcanzaba un 96% de precisión. A la par, Lu (2024) creó modelos que evalúan cómo se conectan distintas zonas del cerebro, confirmando que la enfermedad altera estas redes, logrando más del 96% de efectividad en ambas bases de datos.
Nuestro grupo de investigación en INAOE también desarrollo un modelo preliminar para abordar este problema en (Torres García et al., 2025). En aquel momento, se evaluó un modelo para 12 pacientes con depresión moderada. Analizando la actividad cerebral con una caracterización más básica que la que se describirá en la siguiente sección, logramos un 89% de exactitud a nivel muestra, lo que nos confirmó que las ondas eléctricas efectivamente esconden las pistas de este trastorno.
Estos descubrimientos nos dejan una lección clara: las pistas eléctricas de la depresión existen y son universales. Inspirados por estos hallazgos, nuestro proyecto toma lo mejor de estos enfoques —analizando el cerebro estática y dinámicamente— para crear una herramienta precisa, validada con la base de datos PREDICT, y que en un futuro cercano pueda adaptarse para ayudar a la población de nuestro país.
¿Cómo diseñar un método tamiz basado en IA para la detección de Depresión?
El enfoque seguido en nuestro proyecto para la detección de depresión es conocido como aprendizaje supervisado, esto con la idea de dar evidencia de que la IA puede ser usada como base de un método de tamizaje de este padecimiento. En este enfoque se debe conocer de antemano a qué clase pertenecen cada una de las señales cerebrales de los pacientes. Las señales de los pacientes fueron asignadas a las clases depresión o control con base en los valores del cuestionario BDI.
Con la idea de enseñarle a una IA a reconocer la depresión, primeramente, se requieren datos para analizar, en este casos, son los registros eléctricos de 88 personas (44 con depresión y 44 sanos). Posteriormente, necesitamos información impecable y eso no siempre es así ya que la electricidad cerebral es tan sutil que se “ensucia” fácilmente con parpadeos, latidos o movimientos musculares. Nuestro primer paso innovador consistió en usar matemáticas avanzadas para identificar parpadeos y latidos, y con ello silenciar todo el ruido del cuerpo humano, aislando únicamente la actividad eléctrica pura del cerebro. Además, comprimimos inteligentemente esta inmensa cantidad de datos y los dividimos en cientos de pequeñas “ventanas” de cuatro segundos por paciente, transformando horas de registros pesados en un formato ligero, balanceado y libre de ruido.
Con la señal completamente limpia, aplicamos el verdadero corazón de nuestro método: buscar las huellas digitales de la depresión. Como el cerebro es dinámico, lo analizamos usando dos enfoques distintos. El primero toma una “fotografía” estática para ver en qué frecuencias gasta más energía el cerebro, mientras que el segundo graba una “película” para observar cómo cambian la forma y el nivel de caos de sus ondas segundo a segundo. Para hacer esto se divide la actividad cerebral en las 5 bandas de frecuencia cerebrales: Delta, Theta, Alfa, Beta y Gamma, y a cada banda se le aplica la caracterización mencionada. Esto nos permite crear un mapa ultra detallado de 4500 características para cada paciente (8 características estáticas + 7 características dinámicas en las 5 bandas frecuenciales para los 60 canales del EEG). Sin embargo, este mapa es tan detallado que los datos son enormes incluso para una computadora, para solucionar esto utilizamos un algoritmo inteligente externo que funciona como un colador, seleccionando únicamente las pistas clave de la enfermedad. La mejor ventaja de este algoritmo es que nos permite hacer un “mapeo inverso”: el modelo nos dice exactamente en qué zona (canal) de la cabeza, en qué tipo de onda cerebral y en qué característica (dinámica o estática) se están manifestando las huellas de la depresión.
Finalmente, presentamos esta información filtrada a 15 modelos distintos de IA. Para garantizar que el método realmente funcionará en hospitales clínicos y no solo en el laboratorio, entrenamos a la máquina ocultándole siempre a un paciente, usándolo como prueba final para evaluar si lograba diagnosticar a un completo desconocido, es decir, que la IA se evalúa con un paciente totalmente desconocido.
Una parte clave del método es que la computadora no emite un diagnóstico de todo o nada. En su lugar, evalúa una a una las ventanas de cuatro segundos del paciente y realiza una “votación suave” basada en probabilidades (por ejemplo, calculando que una ventana tiene 70% probabilidad de estar sano y 30% de tener depresión). Al promediar la votación de cientos de ventanas, obtenemos un veredicto doblemente matizado, confiable y prometedor para asistir en el cuidado de la salud mental.
Resultados actuales
Para evaluar la eficacia de nuestro método, no nos limitamos a medir los aciertos básicos (exactitud y precisión), sino que sometimos a la IA a exámenes matemáticos mucho más rigurosos: la curva ROC y el F-1 score. La ventaja de usar estas métricas es que garantizan resultados verdaderamente robustos para el ámbito médico. Por un lado, la curva ROC evalúa la capacidad real del modelo para distinguir entre un paciente sano y uno con depresión, incluso en escenarios donde la decisión es dudosa; se califica de 0.5 (cuando el modelo clasifica al azar) a 1 (cuando es un clasificador perfecto). Por otro lado, el F-1 score nos asegura que el sistema sea lo suficientemente sensible para detectar la enfermedad sin generar falsas alarmas al paciente, yendo de 0 (incapaz de identificar la depresión) a 1 (identificación perfecta sin falsos positivos).
Al poner a prueba 15 modelos computacionales distintos, los resultados a nivel paciente fueron extraordinarios. Las herramientas matemáticas directas (modelos lineales como SVM, LDA y Regresión Logística Binaria) fueron prometedores con puntajes ROC de 0.9897, 0.9799 y 0.9881, acompañados de un F-1 score de 0.9247, 0.8889 y 0.9348, respectivamente. Los modelos multicapa inspirados en redes neuronales (como Narrow NN) lograron un excelente 0.9866 en ROC y 0.9348 en F-1; mientras que los sistemas que toman decisiones conjuntas (ensambles como Subspace Discriminant) mantuvieron una alta fiabilidad con un ROC de 0.9499 y un F-1 de 0.9072.
Estos resultados confirman que las computadoras, independientemente del algoritmo usado, son altamente capaces de reconocer el rastro de la depresión en las señales cerebrales. Más allá de emitir un simple diagnóstico, el verdadero potencial de nuestro método radica en que, al combinar esto con la selección de características y el mapeo inverso, podemos rastrear exactamente en qué zonas de la cabeza y en qué tipo de ondas cerebrales se esconde la depresión, brindando una nueva perspectiva objetiva para entender la patología.
Trabajo futuro
Dado que el método ha obtenido buenos resultados para el dataset analizado, surge la interrogante de si puede ser robusto a un escenario de datos desbalanceado, lo cual es el escenario más realista, pues en el mundo clínico real serán más pacientes sanos que depresivos. Asimismo, se debe estudiar el impacto de nuevos datasets con otras propiedades en cuanto número de canales, frecuencias de muestreo, inclusive grupos poblaciones o nacionalidades, entre otras variantes. En este camino se tienen avances con miras a proveer soluciones ad-hoc al contexto mexicano ya que actualmente en el Instituto Nacional de Astrofísica, Óptica y Electrónica (INAOE) nos encontramos grabando datos de señales cerebrales bajo un protocolo aprobado por el comité de bioética de la Benemérita Universidad Autónoma de Puebla (BUAP). El principal interés es trabajar con adultos jóvenes y adolescentes para crear una herramienta que ayude al proceso del diagnóstico oportuno, así como estimar la evolución de los pacientes con el tratamiento a través del tiempo, evitando así problemas posteriores como el bajo rendimiento escolar, el aislamiento social, autolesiones o inclusive el suicidio.
