Cómo detectar riesgo de suicidio a través del lenguaje: la herramienta del MIT que analiza conversaciones de crisis

Introducción

Detectar quién está en riesgo de intentar suicidarse es una prioridad crítica para consejeros y equipos clínicos que atienden crisis de salud mental. Investigadores del McGovern Institute for Brain Research del MIT desarrollaron una herramienta de procesamiento del lenguaje diseñada para rastrear señales lingüísticas asociadas a factores de riesgo y estimar, con rapidez, la gravedad del riesgo en conversaciones escritas.

El trabajo fue liderado por Daniel Low —exalumno del grupo Senseable Intelligence dirigido por la investigadora Satra Ghosh— y publicado en el Journal of Psychopathology and Clinical Science. Low colabora actualmente con el Child Mind Institute y como académico visitante en Harvard. Para evaluar la herramienta, el equipo analizó conversaciones reales con consejeros voluntarios de Crisis Text Line, una organización sin fines de lucro que brinda soporte confidencial por mensaje de texto.

Cómo funciona la herramienta: lexicón y modelo predictivo

El enfoque combina dos piezas principales:

• Un lexicón especializado: los investigadores generaron inicialmente una lista mediante herramientas de IA y luego la revisaron manualmente con expertos clínicos. El resultado final asocia palabras y frases específicas con 49 factores de riesgo distintos (por ejemplo, depresión, uso de sustancias, mención de medios letales). Cada factor cuenta con alrededor de 60 términos o expresiones que lo representan.

• Un modelo de aprendizaje automático: el sistema busca en las conversaciones términos del lexicón y, con base en las ocurrencias y su vinculación a factores concretos, estima el nivel de riesgo del interlocutor.

Esta aproximación hace posible no solo asignar una probabilidad de riesgo, sino también identificar qué factores aparecen con mayor fuerza en las conversaciones de mayor gravedad.

Datos y hallazgos principales

El equipo trabajó con un conjunto de aproximadamente 16,000 conversaciones anonimizadas provistas por Crisis Text Line. Las conversaciones ya contaban con evaluaciones de riesgo efectuadas por la organización y fueron clasificadas en tres niveles: no suicida, ideación suicida sin riesgo inminente y riesgo inminente (personas con plan o intención de morir en las próximas 48 horas).

Al aplicar su lexicón y entrenar el modelo, los investigadores lograron predecir con precisión el nivel de riesgo en conversaciones no vistas previamente por el sistema. Más allá de la exactitud global, el análisis permitió priorizar qué factores aparecen con más frecuencia en el grupo de riesgo inminente:

• Las menciones a medios letales (por ejemplo, palabras como “cortar” o “pastillas”) y el uso de sustancias se asociaron fuertemente con el grupo de mayor riesgo.
• Expresiones de ideación suicida activa y autolesiones también tuvieron gran poder predictivo.
• Sintomatologías como ansiedad, trastorno por estrés postraumático y dolor emocional surgieron como predictores intermedios.

Estos resultados coinciden en parte con investigaciones previas, pero ofrecen una ventaja importante: las señales provienen de conversaciones durante la crisis, no de encuestas retrospectivas que dependen de la memoria del paciente.

¿Por qué es útil este enfoque para servicios de crisis?

En contextos donde la demanda de atención supera la oferta de profesionales —algo frecuente en muchas regiones de América Latina—, herramientas que ayuden a priorizar llamadas o mensajes con riesgo inminente pueden mejorar la eficacia de la respuesta. Algunas contribuciones prácticas del estudio:

• Señala qué señales lingüísticas conviene vigilar con prioridad durante una intervención por texto.
• Ofrece una vía escalable para apoyar a voluntarios y equipos clínicos, complementando las evaluaciones humanas.
• Al basarse en terminología ligada a factores específicos, facilita retroalimentación accionable para quienes atienden la crisis.

Limitaciones y consideraciones éticas

Los autores subrayan varias limitaciones que deben tenerse en cuenta antes de adoptar estas herramientas en entornos clínicos o de emergencia:

• Los lexicones no capturan necesariamente el contexto completo: una palabra incluida puede tener un sentido diferente según la frase o la historia previa del interlocutor.
• Pueden existir términos similares no incluidos explícitamente en el lexicón, lo que provoca omisiones.
• Aunque el equipo ha utilizado modelos de lenguaje más grandes en proyectos paralelos, mantienen el lexicón en operación para asegurar el marcado de términos críticos y por consideraciones de privacidad.
• Es imprescindible realizar validaciones adicionales en distintos tipos de poblaciones y formatos de comunicación antes de su implementación amplia.

En términos éticos, cualquier sistema de este tipo plantea preguntas sobre privacidad, consentimiento, manejo de falsos positivos y negativos, y sobre cómo integrar las alertas automatizadas en flujos de atención humanos sin sustituir el juicio clínico.

Relevancia para América Latina

En América Latina, donde el acceso a servicios de salud mental varía mucho entre países y regiones, las soluciones basadas en texto y móviles tienen un potencial significativo. La penetración de teléfonos celulares y el uso extendido de mensajería hacen que la atención por texto sea una alternativa práctica para población joven y rural.

Sin embargo, adaptar e implementar una herramienta desarrollada con datos de otras regiones requiere validar su lexicón y modelo con el lenguaje, expresiones culturales y modismos locales. Palabras y metáforas vinculadas a la desesperanza o al acto suicida pueden variar según el país, y las barreras de estigma pueden afectar cómo se comunican los síntomas.

Conclusión: una herramienta para apoyar, no reemplazar

El estudio del MIT muestra que es posible identificar señales de alto riesgo suicida en conversaciones de texto mediante un lexicón clínicamente validado y un modelo predictivo. La tecnología no pretende sustituir a consejeros o clínicos, sino aportar una capa adicional de detección y priorización en situaciones de alta demanda.

Para que estas soluciones sean útiles y seguras en América Latina, es necesario validar los modelos con datos locales, incorporar salvaguardas éticas y diseñar procedimientos claros para la intervención humana tras una alerta automatizada. Con esas precauciones, la combinación de análisis lingüístico y aprendizaje automático puede convertirse en una herramienta valiosa para mejorar la respuesta a crisis y salvar vidas.