La inteligencia artificial podría prevenir los suicidios en adolescentes

Cuando hablamos de la inteligencia artificial pensamos, normalmente, en consciencias digitales cuasi humanas. La ciencia ficción nos ha empujado a ver las cosas así y la espectacularidad de sus narrativas ha horadado nuestra mente hasta hacerse un hueco en ella. No importa que sepamos que todo aquello que cuenta el cine es ficción y que las inteligencia artificiales son algo tan amplio como variado, muy alejadas de las ideas románticas y espeluznantes de la gran pantalla. Precisamente por eso, siempre merece la pena recordar que las famosas IAs son herramientas, por mucho que les llamemos inteligencias artificiales. Imitan comportamientos inteligentes, siendo capaces de abstraer patrones de enormes cantidades de ejemplos y, así, desarrollar sistemas para clasificar imágenes, mejorar archivos de audio, continuar un texto o incluso completar información perdida. Es más, muchas veces se utilizan para tareas que bien podrían ser abordadas por la estadística. La prevención del suicido es un ejemplo.

Sin embargo, para ser justos, la estadística más clásica, aunque tremendamente potente, es más engorrosa para gestionar grandes cantidades de información. En ese caso, la legendaria omnipotencia de la inteligencia artificial se ve restringida a ser un simple acelerador. Tampoco es que eso sea poca cosa, pues nos permite trabajar con muchos más datos en menos tiempo y, por lo tanto, extraer conclusiones más robustas. En una era donde los metadatos abundan y cada vez que nos movemos en la red dejamos cientos de ellos, como si fueran huellas en la nieve, este tipo de aproximaciones se presentan como una panacea. De hecho, la inteligencia artificial y el big data están en auge y lo que nos pueden ofrecer va mucho más allá de simples análisis teóricos. Gracias a un nuevo estudio de la Universidad Johns Hopkins, por ejemplo, una IA ha sido entrenada para predecir con un 91% de aciertos qué jóvenes tienen pensamientos suicidas y así ofrecerles ayuda a tiempo.

Una fórmula para analizarlos a todos

Planteemos la situación poco a poco. Partimos, en este caso, de una encuesta diseñada por psicólogos y otros expertos, que trata de reunir todas aquellas preguntas cuya respuesta podría darnos pistas sobre si un adolescente tiene pensamientos suicidas o no. En total hablamos de unas 300 cuestiones. Por supuesto, entre estas 300 es posible que haya preguntas redundantes y algunas que, aunque intuitivamente parezcan relevantes, puede que no digan absolutamente nada sobre los pensamientos suicidas. Del mismo modo, también es muy probable que haya respuestas mucho más significativas que otras, algunas que nos den pistas más claras, más determinantes.

Dicho de otra forma, hemos de encontrar una regla que nos permita analizar esas respuestas dándole a cada una el valor que se merece y eso es exactamente lo que hacen las fórmulas matemáticas. Por ejemplo y simplificándolo mucho: RespuestaA x 2 + RespuestaD x 3 + Respuesta J. En este sucedáneo de fórmula matemática, elegimos solo tres respuestas de las 300 dándole a la respuesta D el triple de valor y a la respuesta A el doble respecto a la respuesta J. Si la fórmula es buena, me devolverá un número que, en función de su valor, me dirá cómo de posible es que quien haya contestado a esas preguntas tenga pensamientos suicidas. De hecho, para saber que la fórmula funciona bien, suele intentarse predecir con ella algunos casos ya conocidos en los que no solo se saben las respuestas del test, sino que se conoce con certeza si el individuo tenía pensamientos suicidas

Tan solo 20 preguntas

Ahora bien, hacer esto con las 300 preguntas de cada uno de los 179.000 estudiantes encuestados para este estudio es, cuanto menos, engorroso. Aquí es donde entra en juego la inteligencia artificial, que parece haber logrado encontrar una fórmula suficientemente precisa que reduce las 300 preguntas a tan solo 20. Entre ellas, las más determinantes parecían ser las relacionadas con el acoso escolar y cibernético, seguidas de un ambiente familiar de gritos y y discusiones graves. Estas 20 respuestas, correctamente ponderadas, han permitido a la IA predecir los pensamientos suicidas con un 91% de aciertos, esto es: que de cada 10 encuestas analizadas, solo se equivoca en un adolescente a la hora de predecir si tiene pensamientos suicidas o no.

Por un lado, parece evidente que, gracias a esta fórmula, ahora podemos analizar mejor esas encuestas de 300 preguntas para detectar casos de adolescentes con pensamientos suicidas. Sin embargo, eso es pensar muy a corto plazo. A medio plazo, podríamos cambiar las encuestas. ¿Qué necesidad hay de tener a miles de estudiantes respondiendo a 300 preguntas cuando podrían darnos la misma información en 15 veces menos tiempo? Cuanto más rápido se rellene una encuesta más fácil es que los alumnos estén dispuestos a hacerla y más sinceros serán con sus respuestas. Pero es que incluso hay más.

Conocer los factores más importantes para detectar pensamientos suicidas nos permitirán entrenar inteligencias artificiales más sofisticadas que no dependan de encuestas, sino que rastreen las redes, cargadas de información sensible de adolescentes, para detectar a aquellos que podrían necesitar ayuda. De hecho, ya hay proyectos parecidos, aunque todavía muy rudimentarios. Queda mucho por delante, pero sin lugar a duda, estamos en la dirección correcta.

QUE NO TE LA CUELEN:

• El suicidio entre adolescentes es un problema de salud pública de gran importancia y todo lo que sea apostar por medidas preventivas puede ser determinante para ayudarnos a controlar esta tragedia.
• Es importante tener en cuenta que algunos de los indicadores de pensamientos suicidas pueden no ser la causa, simplemente algo que se relaciona con ello. Sea como fuere, no supone una gran diferencia a la hora de predecirlo, aunque sí de abordarlo terapéuticamente.

REFERENCIAS (MLA):

• Weller O, Sagers L, Hanson C, Barnes M, Snell Q, Tass ES (2021) Predicting suicidal thoughts and behavior among adolescents using the risk and protective factor framework: A large-scale machine learning approach. PLoS ONE 16(11): e0258535. https://doi.org/10.1371/journal.pone.0258535