Incluido en la revista Ocronos. Vol. IX. N.º 1–Enero 2026. Pág. Inicial: Vol. IX; N.º 1: 78.2
Autor principal (primer firmante): Laura Juliana Romero Joya
Fecha recepción: 02/01/2026
Fecha aceptación: 06/01/2026
Ref.: Ocronos. 2026;9(1): 78.2
https://doi.org/10.58842/IEDV3976
Autores:
- Laura Juliana Romero Joya
- Gina Marcela Aragón Arregocés
Resumen
- Introducción: La esquizofrenia es un trastorno crónico con altas tasas de recaída (40-80%). La predicción temprana es vital para la intervención preventiva.
- Métodos: Se realizó una revisión sistemática siguiendo directrices PRISMA de estudios publicados entre 2018 y 2024 sobre el uso de Inteligencia Artificial (IA) y fenotipado digital para predecir recaídas. Se analizaron algoritmos de Machine Learning (ML) y Deep Learning (DL) aplicados a datos de smartphones, historias clínicas electrónicas (EHR) y marcadores lingüísticos.
- Resultados: Se incluyeron 25 estudios. Los modelos de redes neuronales recurrentes (LSTM) y la detección de anomalías en datos pasivos (movilidad, sueño) alcanzaron un Área Bajo la Curva (AUC) de entre 0.70 y 0.92. La integración multimodal (texto + sensores) mejoró la precisión predictiva frente a modelos unimodales.
- Conclusiones: La IA demuestra un alto potencial clínico, pero su implementación enfrenta desafíos de generalización y privacidad. Se sugiere el uso de Aprendizaje Federado para mitigar riesgos éticos.
Palabras clave:
Inteligencia artificial; Machine learning; Esquizofrenia; Predicción de recaídas; Fenotipado digital; Aprendizaje Federado.