Maestría en Psicología Clínica · 2026

Efectividad y validez de algoritmos de IA y ML en psicología clínica: Revisión sistemática de la literatura empírica (2020-2025)

Resumen

Esta revisión sistemática analiza la literatura empírica publicada entre 2020 y 2025 sobre la aplicación de algoritmos de Machine Learning (ML) en psicología clínica, enfocándose en su efectividad, validez metodológica, consideraciones éticas y aplicabilidad clínica. Los avances en IA y ML han transformado la investigación en salud mental, permitiendo el análisis de grandes volúmenes de datos para apoyar la toma de decisiones terapéuticas basadas en evidencia. Adicionalmente, herramientas como los chatbots y asistentes virtuales, facilitan el acceso a psicoeducación y seguimiento fuera del consultorio clínico, lo acerca a la población a una atención efectiva e información que contribuye a la adherencia a los procesos clínicos, lo que, a su vez, provee de datos importantes a sistemas predictivos en salud pública. Estos sistemas y el análisis de revisiones sistemáticas configuran una fuente nutrida y relevante para evaluar de manera crítica y centralizada información de corte clínico en salud mental. En el desarrollo del presente trabajo se hizo uso de herramientas automatizadas como PRISMA Y CADIMA, que facilitaron la búsqueda y consolidación de datos de investigación, ya que se ha demostrado el alto nivel de evidencia científica en las revisiones sistemáticas, como fuente en la intervención eficaz de trastornos depresivos, ansiosos e incluso en el trastorno de estrés postraumático, y el riesgo suicida en combinación con variables sociales e individuales. Sin embargo, estas herramientas tecnológicas conllevan un reto en diferentes aspectos, que invitan al profesional de psicología a involucrarse en su sistematización y supervisión, ya que se ha demostrado que el uso de estas herramientas junto al acompañamiento del profesional experto aumenta las posibilidades de mejora en los usuarios. Además de la necesidad del acompañamiento por parte del profesional, el sistema planteado lleva consigo otros retos, como la confidencialidad de la información, el sesgo de algoritmos, la atención centrada en la persona, el consentimiento informado, entre otros, que invitan a un acercamiento por parte de la psicología clínica a estos sistemas de datos. Los modelos predictivos basados en IA y ML son de gran ayuda en el campo de la salud, específicamente en el área de la psicología clínica, en especial, cuando se trata de modelos como Random Forest, Gradient Boosting y XGBoost, que basan su desempeño en árboles y capturan patrones de alta complejidad, sin embargo, es importante someter estos modelos al rigor metodológico requerido, a través de técnicas como la validación cruzada, validación externa y un control cuidadoso de datos. Incluso establecer secuencias de trabajo como CONSORT-AI y SPIRIT-AI, no solo garantizan el rigor técnico, sino que estandarizan el proceso de reporte dentro de los ensayos que abordan el uso de IA, en el campo de la psicología. La revisión efectuada evidencia la importancia que están tomando los algoritmos de ML, como herramientas de identificación y predicción dentro de la salud mental, sin embargo es importante contar con mecanismos de tipo metodológico y supervisión profesional, además de mantener principios éticos que mantengan la información segura y confidencialidad de los usuarios, teniendo en cuenta que la IA, puede ser un complemento dentro del cuidado de la salud mental siempre que se integre de manera complementaria, mas no como una herramienta que reemplace el criterio del especialista.