Una investigación registra diez minutos de conversación de personas que consultan por experiencias psicóticas incipientes. El sistema analiza los cambios de tema, la distribución de ciertas categorías gramaticales y las distancias semánticas entre enunciados. Meses después, los investigadores observan que algunas medidas tomadas al ingreso se asocian con la evolución clínica. El resultado merece atención, porque sugiere que una conducta registrada durante una entrevista puede contener información pronóstica que una lectura corriente del discurso no advierte. Entre esa observación y la afirmación de que un análisis del lenguaje predice una psicosis individual hay, sin embargo, una distancia considerable. Quizá los participantes eran pocos o la entrevista tenía una consigna particular. La relación estadística podría desaparecer en otra población, en otra variedad del idioma o con otro dispositivo de grabación.
La expresión biomarcador lingüístico concentra esa dificultad. La investigación actual la usa para designar medidas acústicas, sintácticas, semánticas o conversacionales asociadas con condiciones clínicas. Un artículo llama biomarcador a la duración de las pausas, otro a la coherencia semántica estimada con vectores y un tercero a una combinación de numerosas variables procesadas por un clasificador. Todas pueden ser observaciones útiles. Su relación con los procesos biológicos y con la experiencia subjetiva es, en cambio, muy variable. El valor de cada una depende de lo que pretende indicar y de la evidencia acumulada para un uso determinado.
El atractivo de estas medidas en psiquiatría tiene que ver con una condición particular de su objeto. El lenguaje es una conducta observable y, al mismo tiempo, la vía principal para conocer experiencias que no pueden medirse directamente. Esa proximidad entre el dato y el fenómeno explica su riqueza y facilita también las confusiones. Un algoritmo puede encontrar una diferencia entre dos grupos sin haber descubierto la enfermedad que supuestamente la explica. Por eso hay que separar las etapas de la investigación y examinar con precisión el sentido de la palabra marcador.
Qué se está llamando biomarcador
La terminología regulatoria da un punto de referencia útil. El recurso BEST, elaborado en colaboración por organismos estadounidenses de investigación y regulación sanitaria, define un biomarcador como una característica definida y medida que indica procesos biológicos normales, procesos patogénicos o respuestas a una exposición o intervención (FDA-NIH Biomarker Working Group, 2016–). Distingue categorías diagnósticas, pronósticas, de seguimiento y de respuesta, entre otras. Esa definición excluye las evaluaciones directas de cómo una persona se siente, funciona o sobrevive, que pertenecen a la categoría de las evaluaciones de resultados clínicos.
Aplicar esta definición al lenguaje plantea un problema genuino. La frecuencia fundamental de la voz, la variabilidad del ritmo articulatorio o una medida de coordinación temporal pueden estudiarse como indicadores fisiológicos mediados por el aparato vocal. Contar cuántas veces alguien dice culpa describe, en cambio, una elección lingüística cuyo significado depende de la situación comunicativa. Llamar bio a ambas cosas porque las produce un organismo crea una categoría demasiado amplia. La literatura habla con frecuencia de marcador digital del lenguaje o de marcador computacional para dejar abierta una relación biológica que todavía no está demostrada.
También cuenta la finalidad. Una medida puede distinguir grupos en una investigación sin permitir un diagnóstico. Otra se relaciona con la gravedad sintomática sin anticipar recaídas. Una tercera ayuda a vigilar cambios dentro de una persona sin ser específica de ninguna enfermedad. Diagnóstico, pronóstico, seguimiento y predicción de respuesta designan preguntas diferentes. Una correlación transversal con la puntuación de una escala deja sin probar que una intervención pueda decidirse mejor con ayuda de esa correlación.
Incluso la palabra objetivo necesita aclaración. Una variable calculada automáticamente puede ser reproducible en ciertas condiciones y depender, a la vez, de elecciones humanas como la consigna de la entrevista, los criterios de transcripción, la selección del modelo, la definición del resultado clínico o el manejo de los datos incompletos. La automatización reduce algunas fuentes de variación e introduce otras. La objetividad del procedimiento, la validez del constructo y la independencia respecto del juicio clínico son propiedades distintas que deben establecerse por separado.
Del fenómeno observado a la variable
Imaginemos que un clínico describe dificultades para sostener un hilo narrativo. Su observación incluye referencias al contexto, como lo que se preguntó, lo que esperaba escuchar el interlocutor, cómo se repararon las ambigüedades y si el hablante pudo volver al tema. Un sistema computacional puede convertirla en la semejanza entre los vectores de frases sucesivas. La operación obliga a decidir qué fragmentos forman una unidad, con qué modelo se representarán y qué umbral expresará una distancia relevante. La variable resultante es legítima y conserva solo una parte del fenómeno inicial.
Con las pausas sucede algo parecido. Una conversación contiene silencios debidos a la búsqueda léxica, la reflexión, la cortesía, la respiración, una dificultad motora, la emoción o la distribución de los turnos. Medir su duración da una buena descripción temporal. Sostener que esa duración mide el enlentecimiento psicomotor exige mostrar que el cambio aparece en condiciones comparables y que una diferencia en la consigna o en la conducta del entrevistador no lo explica mejor. Si lo que se quiere medir es una dificultad pragmática, habrá que analizar además el lugar de la pausa en la secuencia interactiva.
Las variables complejas se alejan todavía más de una interpretación inmediata. Un clasificador puede combinar propiedades de la voz, redes semánticas, densidad léxica y patrones morfosintácticos. Si obtiene un puntaje que discrimina entre pacientes y controles, ese puntaje tampoco identifica por ello un mecanismo unitario. Puede estar aprovechando correlaciones con subgrupos, escolaridad, medicamentos o registros de audio. La pregunta por el constructo persiste aunque el rendimiento predictivo parezca alto.
La tradición de la validez de constructo, formulada de manera influyente por Cronbach y Meehl (1955), orienta aquí el trabajo. Validar una medida exige situarla en una red de hipótesis contrastables. Hay que decir con qué fenómenos debería relacionarse y con cuáles no, cómo debería comportarse ante los cambios y qué resultados debilitarían su interpretación. Un índice semántico destinado a medir desorganización debería mostrar una relación comprensible con evaluaciones clínicas pertinentes y mantenerse distinto de las habilidades lingüísticas normales, de la educación o de la competencia en la lengua empleada. Si predice una etiqueta diagnóstica sin que se sepa qué parte del fenómeno registra, su interpretación queda incompleta.
Biomarcadores y categorías diagnósticas
Una dificultad propia de la investigación psiquiátrica es la construcción del resultado con el que se evalúa el marcador. El diagnóstico clínico suele basarse en entrevistas, historias longitudinales y decisiones nosológicas que integran fuentes diversas. Si el criterio de referencia incluye alteraciones del discurso, un algoritmo entrenado para detectarlas puede reproducir parte del criterio que ya se usó para clasificar a los participantes. La relación entre marcador y diagnóstico será real, aunque no independiente.
Se trata de una circularidad conceptual distinta de la filtración informática de datos. Supongamos que la desorganización del habla contribuye a diagnosticar un trastorno y que después se informa que una medida de desorganización discrimina a las personas diagnosticadas. El estudio habrá mostrado coherencia con un componente del diagnóstico. Que la medida identifique una causa biológica o agregue información útil a la entrevista son cuestiones que siguen abiertas. Para estudiar el incremento diagnóstico haría falta una evaluación de referencia que permita aislar la contribución adicional del dato lingüístico.
El problema se agrava cuando se construyen grupos extremos. Una muestra de personas con esquizofrenia de larga evolución y otra de voluntarios sanos permiten estudiar diferencias, pero se parecen poco a la situación habitual de un profesional que debe distinguir entre depresión con síntomas cognitivos, psicosis incipiente, ansiedad grave, trastorno neurocognitivo o efectos de sustancias. Un modelo que separa grupos claramente distintos puede rendir mucho peor entre pacientes que comparten síntomas. El tipo de comparación debe corresponder a la pregunta clínica. Discriminar casos de controles sanos es una tarea muy distinta del diagnóstico diferencial.
Tampoco existe un patrón lingüístico único para cada diagnóstico. Personas con la misma categoría difieren en estado clínico, trayectoria vital, lengua, nivel educativo, tratamiento, síntomas predominantes y necesidades comunicativas. A la inversa, un mismo rasgo, como una menor producción verbal, puede deberse a depresión, inhibición, deterioro cognitivo, sedación, dolor o la decisión de no responder. Un marcador clínicamente útil tiene que explicar cómo se comporta frente a esa heterogeneidad. La asociación estadística promedio deja sin resolver la interpretación individual.
La promesa inicial en la predicción de psicosis
El trabajo de Bedi y colaboradores (2015) se convirtió en un antecedente muy citado. Analizó el habla de 34 jóvenes con alto riesgo clínico de psicosis, cinco de los cuales presentaron una transición durante el seguimiento. Con variables de coherencia semántica y complejidad sintáctica, el modelo clasificó correctamente los desenlaces dentro del procedimiento de evaluación que comunicaron los autores. El resultado atrajo atención precisamente porque sugería que una entrevista en apariencia corriente podía contener información sobre la evolución futura.
Su valor histórico es distinto de una confirmación clínica. Cinco eventos dan muy poca base para estimar con precisión la sensibilidad. La selección de variables y de modelo en una muestra tan reducida puede, además, producir optimismo. La validación que deja fuera a un participante cada vez restringe algunos sesgos, pero es muy distinta de probar un modelo ya fijado en personas reclutadas de manera independiente en otro servicio. El célebre rendimiento perfecto es un hallazgo exploratorio en un contexto específico y no acredita la capacidad de predecir la psicosis en un paciente particular.
Corcoran y colaboradores (2018) estudiaron el problema en cohortes y protocolos adicionales. Comunicaron un 83 % de exactitud en una evaluación dentro de un protocolo, un 79 % en una comparación entre protocolos y un 72 % al distinguir personas con psicosis reciente de controles sanos. Las cifras muestran que parte de la señal puede reproducirse y que el rendimiento es sensible a la población y al procedimiento. Obligan también a precisar qué desenlace se estaba prediciendo en cada comparación. Identificar una transición futura entre personas ya seleccionadas por su alto riesgo es una tarea diferente de detectar un trastorno ya presente frente a controles sanos.
Los estudios de predicción de psicosis son especialmente sensibles a la prevalencia. La probabilidad de transición en una cohorte de alto riesgo es muy distinta de la que se observa en la población general. El valor predictivo positivo de una alerta disminuye cuando el evento es menos frecuente, aunque la sensibilidad y la especificidad se mantengan. Un umbral derivado en una clínica especializada no puede trasladarse sin más a la atención primaria o a una aplicación dirigida a cualquier usuario. El seguimiento desigual y las intervenciones recibidas durante ese periodo pueden alterar, además, la relación entre las variables iniciales y los desenlaces.
De la asociación a la predicción individual
Supongamos, con cifras solo ilustrativas, que una herramienta alcanzara una sensibilidad del 80 % y una especificidad del 85 % para un evento que ocurre en el 5 % de la población evaluada. En mil personas se esperarían unos cincuenta eventos. La prueba señalaría cuarenta verdaderos positivos y clasificaría por error como positivas a unas 143 personas sin el evento. Entre las alertas, solo cerca del 22 % correspondería al desenlace. El mismo modelo tendría un valor predictivo positivo mayor en una cohorte de riesgo basal más alto, sin que hubiera cambiado su capacidad intrínseca de discriminación.
El ejemplo muestra que las métricas no son intercambiables. La sensibilidad indica la proporción de casos que el procedimiento detecta con un umbral dado; la especificidad, la proporción de no casos que excluye correctamente. El área bajo la curva ROC resume la discriminación a través de los umbrales sin decir si las probabilidades estimadas son correctas. La calibración pregunta si, entre las personas a quienes se asigna un riesgo del 20 %, ocurre aproximadamente ese porcentaje de eventos. Cuando la decisión puede causar daño hay que comparar, además, las consecuencias de los falsos positivos y de los falsos negativos.
Un marcador puede ser estadísticamente significativo y tener poco valor para decidir. Si el clínico ya dispone de una entrevista estructurada, de información familiar y de la trayectoria de los síntomas, la pregunta es cuánto mejora el pronóstico al agregar la variable lingüística. Deben compararse modelos con y sin el marcador, idealmente en una población independiente, con medidas de calibración, de utilidad para la decisión y de resultados clínicos. Una ganancia mínima en el área bajo la curva puede carecer de relevancia práctica, mientras que una mejor estratificación de un subgrupo concreto podría ser valiosa. Sin una decisión definida, la expresión utilidad clínica queda demasiado indeterminada.
Una evidencia más amplia y sus límites
Una síntesis publicada en forma anticipada en agosto de 2026 por Tang y colaboradores examinó la exactitud diagnóstica de los sistemas de habla y lenguaje para los trastornos del espectro de la esquizofrenia. Reunió 46 informes correspondientes a 47 conjuntos de datos. En los quince conjuntos aptos para el metaanálisis principal a nivel de paciente frente a controles sanos, la sensibilidad combinada fue de 0,804 y la especificidad de 0,829; el área resumida bajo la curva ROC alcanzó 0,865. Las cifras indican una señal de discriminación que merece estudio. El tamaño mediano de los conjuntos de esa comparación era, con todo, de cien participantes. La heterogeneidad de la sensibilidad resultó, además, considerable.
La interpretación cambia al mirar las comparaciones más cercanas a la práctica asistencial. En un análisis exploratorio de tres conjuntos con controles psiquiátricos o mixtos, tras excluir un estudio basado en diagnósticos autoinformados, la sensibilidad combinada fue de 0,637 y la especificidad de 0,882. Los autores señalaron que ningún conjunto primario aportó una validación externa independiente verificada. La revisión resume lo que permitían los datos elegibles y comparables, sin pronunciarse sobre estudios que quedaron fuera de su selección. Su interés está en el contraste entre el rendimiento interno frente a controles sanos y la incertidumbre sobre el uso diagnóstico real.
Una sensibilidad aceptable en promedio puede repartirse entre contextos de un modo tan disperso que impide extrapolarla. Tampoco cabe suponer que distintos clasificadores miden el mismo fenómeno porque reciben el nombre común de biomarcador de habla. Algunos procesan la voz, otros las transcripciones y otros combinan ambas. Las tareas incluyen entrevistas abiertas, lectura, descripción de estímulos y ejercicios narrativos. Cada procedimiento crea oportunidades y restricciones distintas para observar variaciones. Agrupar resultados exige comprobar primero que los estudios comparten un objeto y una población clínicamente comparables.
La investigación en depresión muestra dificultades parecidas. En un metaanálisis de veinticinco estudios que comparaban pacientes con diagnóstico clínico y controles sanos, Tang y colaboradores (2025) encontraron sensibilidades y especificidades combinadas superiores a 0,80, tanto con modelos de aprendizaje automático tradicional como de aprendizaje profundo. El rendimiento variaba según el tamaño de la muestra, la estrategia de validación, la lengua y los criterios diagnósticos. Las revisiones de este campo deben distinguir los estudios con criterios clínicos verificables de los que usan escalas de autoinforme, etiquetas de bases de datos o muestras seleccionadas. Las puntuaciones de depresión varían con síntomas heterogéneos, mientras que la voz y el discurso responden a muchas otras circunstancias. Que un clasificador distinga dos grupos deja sin demostrar que detecte cambios de la experiencia depresiva o que pueda monitorizar una intervención. Cada aplicación exige formular de nuevo la pregunta.
Verificación, validez analítica y validez clínica
Goldsack y colaboradores (2020) propusieron para las tecnologías de monitorización biométrica un marco llamado V3, que distingue verificación, validación analítica y validación clínica. La distinción resulta especialmente útil para las tecnologías del habla. La verificación examina si el dispositivo y sus componentes generan datos adecuados para el procesamiento previsto. En una grabación, eso obliga a controlar el micrófono, la frecuencia de muestreo, la compresión, el ruido ambiente y la estabilidad de la captura.
La validación analítica pregunta si el procedimiento produce correctamente la medida que dice producir. Si un algoritmo estima la cantidad de pausas, hay que ver cuánto coincide con una referencia apropiada y cómo se comporta con hablantes distintos. Si calcula categorías gramaticales a partir del reconocimiento automático del habla, hay que verificar los errores de transcripción y de etiquetado. Una alta exactitud de clasificación clínica pierde valor si la variable es inestable y cambia con pequeñas modificaciones del micrófono. En ese caso el algoritmo podría estar aprendiendo regularidades accidentales que desaparecen fuera del laboratorio.
La validación clínica pregunta si la medida se relaciona de manera adecuada con el estado o desenlace que se quiere medir en una población y un contexto definidos. Una correlación publicada es apenas el comienzo. Hacen falta un resultado de referencia pertinente, intervalos de incertidumbre, comparadores clínicos relevantes y evidencia de estabilidad entre contextos. La utilidad clínica añade una pregunta más, la de si usar el resultado para decidir mejora algo importante y a qué costo. Validar una medida y demostrar el beneficio de usarla son etapas relacionadas, aunque distinguibles.
Robin y colaboradores (2020) aplicaron esta lógica a los biomarcadores basados en el habla y recomendaron evaluar factores como los dispositivos, la confiabilidad de las medidas y el contexto clínico. Su propuesta recuerda que un sistema puede fallar antes de llegar a la inferencia psiquiátrica, por ejemplo cuando un cambio en la acústica de una habitación modifica el resultado. En un entorno asistencial pesan más los errores de la cadena completa que el rendimiento aislado de su componente más vistoso.
Los instrumentos metodológicos actuales ayudan a revisar esa cadena. TRIPOD+AI (Collins et al., 2024) orienta el reporte transparente de los modelos de predicción y PROBAST+AI (Moons et al., 2025) permite evaluar su calidad, su riesgo de sesgo y su aplicabilidad. Para los estudios de exactitud diagnóstica con inteligencia artificial, STARD-AI (Sounderajah et al., 2025) propone criterios específicos de reporte. Son guías de reporte y de evaluación crítica que permiten examinar los resultados con un vocabulario común, sin reemplazar la demostración empírica de su validez.
La prueba de otras lenguas
Un sistema entrenado con el inglés no se traslada automáticamente al español ni, menos aún, a todas sus variedades. La sintaxis, las estrategias de referencia, el tempo del habla, la omisión de pronombres y la distribución de las categorías gramaticales varían entre lenguas. Incluso dentro de una misma lengua, la escolaridad y las prácticas de entrevista modifican la producción verbal. La aparente estabilidad de una variable puede deberse a que se trabajó dentro de una población culturalmente homogénea.
Parola y colaboradores (2023) evaluaron catorce medidas computacionales de coherencia en corpus de danés, alemán y chino. Solo una medida de coherencia de segundo orden generalizó de forma consistente entre muestras y lenguas; otras diferencias cambiaron de dirección o no se replicaron. El resultado indica que las distintas operacionalizaciones de la coherencia captan regularidades diferentes, algunas dependientes del material lingüístico y del contexto. La conclusión científica razonable es delimitar el alcance de cada medida antes de atribuirle validez universal.
La dificultad es especialmente visible en español. Los sujetos tácitos, las construcciones perifrásticas, las variaciones en el tratamiento interpersonal y la alternancia entre registros informales y técnicos pueden alterar recuentos que parecen simples. Un sistema que interprete una menor densidad de pronombres personales como rasgo patológico se equivocaría con una propiedad normal de la lengua. También pesan el contacto lingüístico, las comunidades bilingües y las diferencias entre el habla urbana y la rural. Validar una herramienta en un hospital de una ciudad no acredita su funcionamiento en toda América Latina.
Traducir las consignas o usar un modelo llamado multilingüe tampoco resuelve el problema. Hay que examinar si la variable conserva un significado equivalente, si las anotaciones manuales son comparables y si las distribuciones normales están suficientemente representadas. Algunas propiedades pueden requerir modelos específicos para cada lengua. Otras, como las pautas de toma de turnos, obligarán a investigar convenciones interaccionales que no se reducen a la gramática. La comparabilidad debe demostrarse en cada caso.
Cambio longitudinal y diferencias entre personas
La investigación transversal busca diferencias entre grupos. El seguimiento longitudinal abre otra posibilidad, la de examinar si un cambio dentro de una persona se relaciona con una modificación clínicamente relevante. Esta estrategia puede reducir parte de la heterogeneidad estable, porque usa al propio participante como referencia. Un hablante que siempre hace pausas largas puede seguir haciéndolo durante una evolución favorable, mientras otro presenta un aumento marcado respecto de su ritmo habitual. Un umbral poblacional podría pasar por alto el segundo cambio y clasificar erróneamente al primero.
La comparación longitudinal plantea, sin embargo, sus propias dificultades. La persona aprende la tarea, recuerda la consigna, gana confianza y puede recibir tratamientos que alteran la velocidad, el sueño, la coordinación o la motivación. Si la conversación se registra unas veces por teléfono y otras en una sala silenciosa, la serie incluye variación instrumental. Los estados clínicos tienen, además, escalas temporales distintas. El cansancio puede cambiar en horas, el ánimo en días y una trayectoria de deterioro cognitivo a lo largo de meses o años.
Para estudiar el seguimiento hay que establecer de antemano qué cambio es relevante y cómo se identificará de manera independiente. Una medida lingüística podría ser un indicador sensible, aunque inespecífico, de alteración general. Su utilidad dependería entonces del contexto, porque advertir una desviación para iniciar una evaluación es muy distinto de diagnosticar una recaída concreta. La interpretación temporal mejora si se conserva una línea de base personal y se conoce la variabilidad esperable de la medida, siempre que esa línea de base se haya obtenido con procedimientos comparables.
Hay que estudiar también la relación entre la variación natural y el cambio clínicamente significativo. Si un indicador oscila mucho en días asintomáticos, una pequeña diferencia es una evidencia muy débil de empeoramiento. La confiabilidad longitudinal obliga a estimar cuánto cambio supera el ruido de medición y la fluctuación ordinaria. Una presentación gráfica de una serie temporal, por atractiva que sea, deja esa estimación por hacer.
Sesgos de selección, filtración y atajos del modelo
Los conjuntos de datos clínicos rara vez se forman por muestreo aleatorio. Quienes aceptan ser grabados pueden diferir de quienes rehúsan participar. Los casos más graves podrían producir registros de peor calidad y algunas personas pueden quedar excluidas porque hablan demasiado poco. Si esos patrones se relacionan con el resultado clínico, el conjunto analizado deja de representar a la población original. El sesgo de selección puede modificar tanto las variables lingüísticas como su aparente capacidad predictiva.
La filtración de información ocurre cuando datos que deberían quedar fuera del entrenamiento influyen en el desarrollo del modelo. Si una misma persona aporta entrevistas al entrenamiento y a la prueba, el sistema puede aprender a reconocer su estilo individual y confundirlo con un patrón clínico. Algo parecido sucede si se reparten fragmentos de una misma conversación entre conjuntos supuestamente independientes. En una validación pronóstica sería igualmente inapropiado incluir variables obtenidas después del momento en que se pretende predecir.
Hay atajos menos visibles. Un conjunto de pacientes puede proceder de entrevistas telefónicas y otro de sesiones presenciales, de modo que un clasificador acústico quizá aprenda a distinguir canales de grabación. Si las muestras se obtienen en instituciones diferentes, puede captar diferencias entre entrevistadores o un vocabulario institucional propio. Tales variables pueden sostener un rendimiento interno impresionante sin aportar información alguna sobre psicopatología. La evaluación debe comprobar si el modelo sigue funcionando cuando esos factores se equilibran o cuando se traslada a contextos nuevos.
La elección del umbral también puede introducir optimismo. Probar numerosos conjuntos de características y conservar el que obtiene el mejor resultado en una muestra pequeña convierte el conjunto de evaluación en parte del desarrollo. Estimar el rendimiento fuera de la muestra exige separar realmente la selección, el ajuste y la prueba, con procedimientos adecuados al tamaño y a la dependencia de los datos. Cuando un modelo está fijado, su evaluación externa debe conservar esa configuración antes de examinar los resultados nuevos.
Consecuencias prácticas y derechos del paciente
El lenguaje contiene información íntima y difícil de separar de una identidad. Un fragmento puede revelar relaciones familiares, acontecimientos biográficos, conflictos laborales y nombres de terceros. Una narración puede ser reconocible por sus circunstancias aunque se supriman los identificadores evidentes. Por eso la investigación de marcadores lingüísticos debe justificar qué material se conserva, quién puede acceder a él y qué datos pueden compartirse con proveedores externos. Un sistema que procesa audio y transcripciones en una infraestructura ajena abre problemas adicionales de control de la finalidad y de reutilización.
El uso clínico cambia también el significado social de una conversación. Una persona puede aceptar hablar de su experiencia para recibir ayuda sin esperar que cada vacilación se convierta en un puntaje de riesgo. El consentimiento formal deja abierta la pregunta ética por las expectativas razonables de quien habla y por su posibilidad real de objetar. Grabar para investigar, registrar para atender, extraer indicadores con fines de seguimiento y usarlos para adoptar decisiones institucionales son actividades distintas.
Las consecuencias de un falso positivo son especialmente serias cuando la etiqueta expresa una probabilidad de psicosis, de recaída o de peligro. Una alerta puede influir en la derivación, la vigilancia, la documentación y la percepción que la persona tiene de sí misma. Un falso negativo, en cambio, puede generar una confianza infundada si se cree que el algoritmo descarta una condición. Ninguna de estas consecuencias se calcula con la sensibilidad y la especificidad. Dependen de cómo responde la institución al resultado, de la posibilidad de corregirlo y de la manera de comunicar la incertidumbre.
Un marcador usado como segunda fuente de información, sujeto a revisión y con límites explícitos, ocupa un lugar muy distinto del de un puntaje presentado como dictamen. La intervención humana tiene que ser sustantiva. El profesional necesita saber qué dato se usó, en qué población se validó la herramienta, cómo se explican sus errores y qué peso merece frente al resto de la evaluación. Invocar genéricamente la «supervisión humana» resulta vacío si el sistema impide cuestionar sus conclusiones.
Un programa de investigación clínicamente defendible
Supongamos que un equipo quiere estudiar una medida de continuidad discursiva como posible indicador de cambios relevantes en pacientes ambulatorios con antecedentes de psicosis. Antes de reunir miles de muestras debe formular una pregunta delimitada, por ejemplo si el indicador agrega información para detectar un empeoramiento clínico durante las cuatro semanas siguientes en personas que ya sigue un servicio. El resultado de interés es el empeoramiento, porque el diagnóstico ya se conoce y el objetivo es el seguimiento. También deben quedar definidos el horizonte temporal y la respuesta prevista ante una señal.
Un primer estudio podría estimar la confiabilidad de la medida en condiciones controladas, revisar a mano las transcripciones y cuantificar cuánto varía según la duración del relato, el entrevistador y la calidad de la grabación. Después podría investigarse si la medida se relaciona longitudinalmente con una evaluación clínica independiente, evitando que la misma característica discursiva haga a la vez de predictor y de criterio de resultado. Construir un modelo predictivo exigiría especificar su comparador, que incluiría los síntomas recientes, los antecedentes de recaída, el funcionamiento y otras variables disponibles antes del pronóstico.
La fase de evaluación debería usar participantes reclutados en otro periodo o en otra institución, sin modificar la definición del indicador. Habría que analizar su calibración, su desempeño en distintos subgrupos lingüísticos y su utilidad incremental frente a una estrategia clínica razonable. Una fase posterior podría examinar si comunicar el resultado al equipo mejora los desenlaces sin generar intervenciones innecesarias. Si las pruebas iniciales fracasan, el resultado negativo también informa, porque delimita el contexto en que la medida no cumple su propósito.
Un programa así es más exigente que entrenar un clasificador y también más preciso. Convierte un resultado algorítmico en una hipótesis clínica examinable. Permite, además, abandonar los modelos excesivamente complejos cuando una variable sencilla y transparente cumple mejor la tarea.
El lugar adecuado de los marcadores lingüísticos
Las investigaciones actuales justifican estudiar el lenguaje como fuente de mediciones cuantitativas sobre la comunicación y sobre algunos estados clínicos. Han mostrado asociaciones reproducibles en ciertos contextos y resultados prometedores para problemas específicos. Han documentado también la fragilidad de muchas medidas entre lenguas, las dificultades de validación externa y la caída del rendimiento frente a comparadores psiquiátricos. En octubre de 2026, esa combinación de hallazgos no permite tratar los clasificadores lingüísticos estudiados como pruebas diagnósticas de uso rutinario y general.
Una clasificación por etapas ayuda a evitar tanto el entusiasmo prematuro como el rechazo indiscriminado. Una variable puede estar en fase de descubrimiento, contar con validación analítica, mostrar una asociación clínica replicada o haber demostrado utilidad en una decisión concreta. Cada etapa habilita afirmaciones diferentes. Llamar biomarcador a una señal todavía exploratoria puede ser una convención de investigación, siempre que se explicite que su calificación clínica y regulatoria aún no está establecida.
El desarrollo más fértil probablemente surja de preguntas modestas y bien formuladas sobre qué aspecto del discurso cambia, en quién, con qué tarea, durante cuánto tiempo y con qué consecuencias para una decisión. El resultado puede ser una medida útil que nunca llegue a ser un instrumento diagnóstico, o un hallazgo científicamente informativo que no se use en la clínica. Cómo se integra un dato de este tipo en el razonamiento clínico es el problema de la lectura siguiente.
Referencias
- Bedi, G., Carrillo, F., Cecchi, G. A., et al. (2015). Automated analysis of free speech predicts psychosis onset in high-risk youths. npj Schizophrenia, 1, 15030. https://doi.org/10.1038/npjschz.2015.30
- Collins, G. S., Moons, K. G. M., Dhiman, P., et al. (2024). TRIPOD+AI statement: Updated guidance for reporting clinical prediction models that use regression or machine learning methods. BMJ, 385, e078378. https://doi.org/10.1136/bmj-2023-078378
- Corcoran, C. M., Carrillo, F., Fernández-Slezak, D., et al. (2018). Prediction of psychosis across protocols and risk cohorts using automated language analysis. World Psychiatry, 17(1), 67–75. https://doi.org/10.1002/wps.20491
- Cronbach, L. J., & Meehl, P. E. (1955). Construct validity in psychological tests. Psychological Bulletin, 52(4), 281–302. https://doi.org/10.1037/h0040957
- FDA-NIH Biomarker Working Group. (2016–). BEST (Biomarkers, EndpointS, and other Tools) Resource. National Center for Biotechnology Information. https://www.ncbi.nlm.nih.gov/books/NBK338448/
- Goldsack, J. C., Coravos, A., Bakker, J. P., et al. (2020). Verification, analytical validation, and clinical validation (V3): The foundation of determining fit-for-purpose for Biometric Monitoring Technologies (BioMeTs). npj Digital Medicine, 3, 55. https://doi.org/10.1038/s41746-020-0260-4
- Moons, K. G. M., Damen, J. A. A., Kaul, T., et al. (2025). PROBAST+AI: An updated quality, risk of bias, and applicability assessment tool for prediction models using regression or artificial intelligence methods. BMJ, 388, e082505. https://doi.org/10.1136/bmj-2024-082505
- Parola, A., Lin, J. M., Simonsen, A., et al. (2023). Speech disturbances in schizophrenia: Assessing cross-linguistic generalizability of NLP automated measures of coherence. Schizophrenia Research, 259, 59–70. https://doi.org/10.1016/j.schres.2022.07.002
- Robin, J., Harrison, J. E., Kaufman, L. D., Rudzicz, F., Simpson, W., & Yancheva, M. (2020). Evaluation of speech-based digital biomarkers: Review and recommendations. Digital Biomarkers, 4(3), 99–108. https://doi.org/10.1159/000510820
- Sounderajah, V., Guni, A., Liu, X., et al. (2025). The STARD-AI reporting guideline for diagnostic accuracy studies using artificial intelligence. Nature Medicine, 31(10), 3283–3289. https://doi.org/10.1038/s41591-025-03953-8 (corrección publicada en 2026: https://doi.org/10.1038/s41591-026-04570-9)
- Tang, X., Huang, C., Wu, D., et al. (2025). Diagnostic accuracy of traditional and deep learning methods for detecting depression based on speech features: A systematic review and meta-analysis. BMC Psychiatry, 25, 1190. https://doi.org/10.1186/s12888-025-07628-z
- Tang, X., Chen, J., Huang, Y., & Yao, Q. (2026). Clinical speech AI for schizophrenia: Diagnostic accuracy of speech- and language-based digital biomarkers in a PRISMA-DTA systematic review and meta-analysis. International Journal of Medical Informatics, 222, 106690. Publicación electrónica anticipada: 29 de agosto de 2026. https://doi.org/10.1016/j.ijmedinf.2026.106690