Saltar al contenido
  • IA clínica
  • evaluación

Ningún algoritmo detecta el riesgo suicida: por qué, con los números

Equipo Gesell12 min de lectura

«La Inteligencia Artificial puede predecir el suicidio con mucha precisión», titula Psyciencia una nota de 2017: un algoritmo que anticiparía los intentos de la semana siguiente «con una impresionante precisión del 92%». Un metaanálisis publicado en PLOS Medicine en 2025, con 53 estudios de aprendizaje automático, responde lo contrario: estos algoritmos son demasiado imprecisos para tamizar o para decidir a quién intervenir primero, y clasifican como de bajo riesgo a más de la mitad de quienes después llegan al hospital por autolesión o mueren por suicidio. La razón es aritmética: cuando el evento es raro, incluso un clasificador muy bueno produce sobre todo falsas alarmas.

Un aviso de alcance: aquí no hay un protocolo de evaluación de riesgo. Cualquier revelación de riesgo, con instrumento o sin él, exige una evaluación clínica inmediata conforme a tu protocolo y tu formación. Si lees esto por ti o por alguien cercano: en México, la Línea de la Vida atiende en el 800 911 2000, gratuita, las 24 horas, los 365 días del año (CONASAMA); ante un peligro inmediato, llama al 911.

Qué midió el estudio detrás del «92%»

Xataka contó la misma historia en marzo de 2017: un algoritmo «capaz de predecir quién va a cometer suicido [sic] en los próximos dos años con un 80 por ciento de exactitud». El estudio de origen es de Walsh, Ribeiro y Franklin, en Clinical Psychological Science, y su resumen desarma el titular.

La muestra: 5,167 adultos que ya tenían en su registro un código de autolesión. La revisión de expertos determinó que 3,250 habían hecho un intento de suicidio (los casos) y 1,917 se habían lesionado sin intención suicida, por accidente o sin que pudiera verificarse (los controles). Lo que se predecía era el intento, no la muerte que anunciaba Xataka. Y el 63% de la muestra eran casos.

Las métricas: un AUC de 0.84, una precision de 0.79 y un recall de 0.95. La cifra de 92% no aparece en el resumen, y no pudimos revisar el texto completo, que es de acceso restringido. La precision es el valor predictivo positivo: de cada 100 personas que el modelo marcó, 79 habían hecho un intento. Suena bien hasta que recuerdas la composición de la muestra: etiquetar a todos como «en riesgo», sin modelo alguno, habría acertado 63 veces de cada 100.

El metaanálisis de 2025, de Spittal y colaboradores, nombra el mecanismo: en los estudios de casos y controles la prevalencia la fija el diseño, a menudo mitad y mitad, de modo que «los altos valores predictivos positivos reportados en algunos estudios pueden ser un artefacto del diseño de casos y controles» (traducción propia, como las demás citas de fuentes en inglés).

Cuatro números que no son el mismo número

Métrica Qué pregunta responde ¿Cambia con la prevalencia?
AUC (área bajo la curva) Si tomo al azar un caso y un no caso, ¿qué tan seguido le da el modelo más puntaje al caso? No
Sensibilidad De quienes sí lo hicieron, ¿a cuántos marcó? No
Especificidad De quienes no, ¿a cuántos dejó sin marcar? No
Valor predictivo positivo (VPP) De quienes marcó, ¿cuántos lo hicieron? Sí, por completo

Tu pregunta clínica —¿esta persona lo va a intentar?— es la última fila: la única que depende de la frecuencia del evento, y la que los titulares omiten. Es la misma lógica por la que un mismo corte del PHQ-9 rinde valores predictivos muy distintos según la prevalencia, como explica la guía para saber si una escala está validada en español.

El patrón no es exclusivo de la divulgación. En el metaanálisis de Large y colaboradores (2018) sobre categorías de alto riesgo en pacientes hospitalizados, el AUC fue de 0.83 y el VPP, de 0.43%. Belsher y colaboradores (JAMA Psychiatry, 2019) revisaron 64 modelos con más de 14 millones de participantes: exactitud global de 0.80 o más en la mayoría y, para muerte por suicidio, un valor predictivo de 0.01 o menos, también en la mayoría. Clasifican bien en conjunto, concluyen, pero su exactitud para predecir un evento futuro «es cercana a 0».

La aritmética, con la tasa de México

El INEGI contabilizó 9,020 suicidios en 2025: una tasa de 6.9 por cada 100 mil habitantes (Estadísticas de Defunciones Registradas, reporte del 10 de noviembre de 2026). Imagina un algoritmo que nadie ha publicado, con 90% de sensibilidad y 90% de especificidad, más generoso que lo que calculó Large (53.1% y 84.2%), aplicado a un millón de personas durante un año:

  1. A esa tasa, 69 de ese millón morirían por suicidio.
  2. El modelo marca a 62 de ellas; se le escapan 7.
  3. De las 999,931 restantes marca por error al 10%: 99,993 personas.
  4. Señala en total a 100,055 personas, de las que 62 mueren por suicidio. VPP: 0.06%, una de cada 1,610 aproximadamente.

Carter y colaboradores (2017), al metaanalizar escalas clínicas de riesgo, lo dijeron en una línea: «la prevalencia impone un techo al VPP».

Spittal publicó el mismo cálculo para poblaciones distintas, con una razón de verosimilitud positiva (LR+, sensibilidad entre uno menos la especificidad) de 10, apenas por encima de las que encontró en algoritmos reales, de 6.5 a 9.9:

Población (ejemplos del metaanálisis) Prevalencia anual VPP con LR+ de 10
Suicidio, población general 0.01% 0.10%
Suicidio tras alta de hospitalización psiquiátrica 0.5% 4.8%
Autolesión, población general 1.5% 13.2%
Suicidio tras alta hospitalaria por autolesión 2.0% 16.9%
Autolesión tras alta de hospitalización psiquiátrica 6.5% 41.0%
Autolesión tras alta hospitalaria por autolesión 16% 65.6%

La única fila que llega a dos aciertos de cada tres describe autolesiones, no suicidios, de personas dadas de alta tras ser atendidas en un hospital por autolesión. Y aun con la prevalencia de la cuarta fila, entre 30 pacientes esperarías 0.6 muertes por suicidio al año: ningún consultorio junta casos para saber si un puntaje le funciona.

Cuando el modelo es de verdad bueno

Simon y colaboradores (American Journal of Psychiatry, 2018) entrenaron un modelo con expedientes de siete sistemas de salud estadounidenses: 2,960,929 pacientes, más de 10 millones de consultas de salud mental especializada y 313 predictores. Su estadístico C, equivalente al AUC, fue de 0.861 para muerte por suicidio tras una consulta de salud mental.

Del 5% de pacientes con el puntaje más alto, el 5.4% intentó suicidarse y el 0.26% murió por suicidio en los 90 días siguientes. Dicho al revés: el 94.6% de los marcados no tuvo un intento registrado en ese plazo y el 99.74% no murió por suicidio. Y ese 5% superior concentró el 48% de las muertes por suicidio: la otra mitad quedó fuera de él.

Los autores concluyen, con razón, que su modelo supera con amplitud a las herramientas existentes. Eso no lo vuelve útil para decidir sobre una persona concreta.

La mitad que no se ve: los falsos negativos

La discusión pública se fija en las falsas alarmas; el daño clínico más serio está del otro lado. Según el resumen de Spittal, los algoritmos clasifican como de bajo riesgo a «más de la mitad» de las personas que después llegan al hospital por autolesión o mueren por suicidio.

Una etiqueta de «riesgo bajo» que sale de un sistema tiene un efecto que una intuición no tiene: se escribe, se archiva y parece objetiva. Con los instrumentos pasa igual, como recoge la guía para documentar una evaluación de riesgo suicida: en un estudio de seguimiento, el 71.6% de los suicidios correspondió a pacientes que habían contestado «para nada» al ítem 9 de su PHQ-9 más reciente. Un negativo no descarta nada; un negativo con apariencia de cálculo, todavía menos.

Por qué la próxima versión no lo arregla

Tres razones estructurales, todas en Spittal:

  1. El techo es la prevalencia. Los únicos escenarios teóricos con un VPP clínicamente útil serían una LR+ de 50 o más con una prevalencia anual de al menos 6.5%, o una LR+ de 20 o más con al menos 16%.
  2. Subir una métrica baja la otra. Casi cualquier forma de lograr una LR+ alta exige una especificidad de 97% o más; entonces la sensibilidad cae y la mayoría de los casos queda como de bajo riesgo.
  3. La ventana útil es corta, y en ventanas cortas la prevalencia baja. La predicción importa más entre las 24 o 48 horas y los 30 días posteriores a un alta. En su ejemplo, la autolesión tras un alta psiquiátrica pasa de 6.5% en un año a 2.1% en cuatro semanas, y con LR+ de 20 el VPP queda en 30%.

Nada de esto depende de la técnica: un modelo de lenguaje que lea tus notas o los mensajes de un paciente es otro clasificador, y su VPP obedece a la misma fórmula (cómo responde un chatbot a alguien en crisis es otro problema, tratado en la guía sobre pacientes que consultan a ChatGPT entre sesiones). Tampoco lo arregla el volumen de datos: Franklin y colaboradores (2017), con 365 estudios, vieron que la capacidad predictiva no había mejorado en 50 años, y Spittal, con 35 millones de registros, la encuentra «no mejor que las escalas tradicionales de evaluación de riesgo». De sus 53 estudios, 30 son de Estados Unidos, uno de España y ninguno de América Latina.

Lo que dicen las guías, y lo que hacen los sistemas de salud

La recomendación más explícita es británica. La guía NG225 del NICE sobre autolesión, publicada el 7 de septiembre de 2022, dice en su sección 1.6:

«1.6.1 No uses herramientas y escalas de evaluación de riesgo para predecir un suicidio futuro o la repetición de la autolesión.»

«1.6.3 No uses la estratificación global del riesgo en bajo, medio o alto para predecir un suicidio futuro o la repetición de la autolesión.»

Las recomendaciones 1.6.2 y 1.6.4 extienden la prohibición a decidir quién recibe tratamiento o es dado de alta, y la 1.6.6 pide a cambio una formulación del riesgo en toda evaluación psicosocial. El comité lo justificó así: los daños de estratificar, «incluida la implicación de que el riesgo es estático en lugar de dinámico», superan sus beneficios como herramienta de comunicación o complemento de la evaluación clínica. Es una guía inglesa sobre autolesión, pero descansa en una aritmética que no cambia de país.

Hay sistemas de salud que sí operan modelos predictivos, con otra pregunta. En el programa REACH VET de la Administración de Salud de Veteranos de Estados Unidos, un algoritmo señala al 0.1% de mayor riesgo de cada sitio para que clínicos designados revisen su tratamiento y lo busquen. Su evaluación (McCarthy y colaboradores, 2021), con 173,313 personas, lo asoció con más planes de seguridad y menos hospitalizaciones psiquiátricas e intentos de suicidio, sin diferencias en la mortalidad por suicidio. Un programa nacional usa el modelo para añadir atención a un grupo; tú, con 30 pacientes, necesitarías que te dijera algo sobre una persona.

Qué preguntarle a quien te ofrezca «detección de riesgo»

Si un proveedor, una aseguradora o la clínica donde colaboras te propone un sistema que «detecta» o «predice» riesgo suicida, cinco preguntas separan la evidencia del folleto:

«¿Cuál es el valor predictivo positivo, y medido con qué prevalencia? El AUC o la “precisión” a secas no me sirven.»

«¿El estudio fue de cohorte o de casos y controles?»

«¿Qué proporción de los intentos o de los suicidios quedó en el grupo de bajo riesgo?»

«¿En qué población y en qué idioma se validó? ¿Hay datos de pacientes en México?»

«¿Qué hace el sistema con un resultado negativo: lo escribe en el expediente?»

La última es la que más pesa. Una alerta de más te cuesta tiempo; una tranquilidad falsa archivada como dato puede costar mucho más, y queda en un expediente con tu firma.

Lo que sí puede hacer una herramienta

Un sistema puede, sin pretender predecir, evitar que se pierda lo que el paciente dijo. Una respuesta distinta de «para nada» en el ítem 9 del PHQ-9, o un sí en la Escala Columbia (C-SSRS), no predice nada: obliga a una evaluación clínica, y esa evaluación —tu formulación, tu razonamiento, tu plan— es lo que se documenta.

Gesell no calcula una probabilidad de suicidio ni asigna a tus pacientes un puntaje predictivo de riesgo: con estas tasas base ese número sería sobre todo ruido, y su silencio, una tranquilidad falsa. Si un paciente marca el ítem 9 del PHQ-9 o un ítem de la C-SSRS, levanta una alerta para que evalúes; en la C-SSRS la alerta lleva además un nivel de triage, de bajo a emergencia, que sale de una regla fija sobre qué ítems se marcaron. Es una etiqueta del tipo que NICE pide no usar para predecir: ordena la urgencia de tu revisión y no estima una probabilidad. En el plan Profesional, si la IA lee en tu nota firmada algo que sugiere riesgo, te lo propone, con una gravedad orientativa, para que lo revises antes de aceptarlo. Ninguno de los dos avisos dice quién lo va a intentar, y que no aparezca ninguno no significa riesgo bajo. Lo que se hace con eso sigue siendo, como en el mapa de lo que la IA puede y no puede hacer en psicoterapia, trabajo humano.

Referencias

Comparte este artículo

¿Listo para dedicar menos tiempo a documentar?

gesell.ai transforma tus notas de sesión en documentación clínica profesional — SOAP, DAP, BIRP o GIRP — y genera planes de tratamiento con objetivos SMART.

Prueba gesell.ai

¿Tienes una duda sobre tu consulta?

Cómo documentar un caso, qué formato te conviene o cómo encaja Gesell en tu práctica: escríbenos y te respondemos.

Escríbenos

Sobre el autor

Equipo Gesell

Contenido clínico y de producto escrito por el equipo de gesell.ai junto a psicólogos clínicos certificados.

← Volver al blog