PREVIA, de NYU Langone, detecta el riesgo de TEPT a partir de relatos de emergencias

NYU Langone Health anunció el 9 de noviembre de 2026 que su conjunto de modelos de IA PREVIA analizó relatos de traumas atendidos en urgencias para estimar el riesgo de trastorno de estrés postraumático (TEPT) al cabo de un mes. En un estudio con 145 pacientes, la mejor configuración registró una sensibilidad del 95,4 %. Este sistema experimental de detección está diseñado para identificar a pacientes en riesgo sin añadir un cuestionario extenso de salud mental al proceso de admisión en urgencias.

El artículo de Nature Communications, publicado también el 9 de noviembre, informa de un AUROC del 78,5 % y una precisión del 46,8 % en tres particiones de validación cruzada, y pide que el sistema se valide en cohortes independientes de mayor tamaño. La sensibilidad mide la proporción de casos de TEPT posteriores que se detectan; la precisión, la proporción de pacientes señalados que realmente desarrollaron TEPT; y el AUROC resume la capacidad de las puntuaciones para distinguir entre ambos resultados. Esa precisión implica que muchos resultados positivos del cribado serían falsos positivos, lo que podría aumentar el tiempo que el personal dedica al seguimiento, la carga para los pacientes y los costos de asignación de recursos, aunque el siguiente paso normalmente sería una evaluación breve y no una intervención invasiva.

PREVIA está diseñado para responder a una carencia práctica: según el estudio, solo alrededor del 28 % de los departamentos de urgencias de Estados Unidos realizan pruebas de detección del TEPT de forma sistemática y, de estos, solo dos tercios utilizan cuestionarios validados. Las evaluaciones habituales compiten con las necesidades médicas inmediatas, en un contexto en el que el personal clínico suele disponer de unos 15–20 minutos por paciente. El primer mes después del trauma es un periodo crucial para identificar los casos, porque para entonces muchos pacientes ya no están en contacto con el hospital.

La autora principal, Katharina Schultebraucks, codirectora de psiquiatría computacional en NYU Grossman School of Medicine, afirmó: «PREVIA puede funcionar como una herramienta de detección basada en IA que identifica a los pacientes en riesgo y explica por qué, sin añadir tiempo al proceso de admisión en las concurridas salas de urgencias».

Del relato junto a la cama a una puntuación de riesgo

Los coordinadores de investigación pidieron a pacientes de dos centros de traumatología de nivel 1 de la ciudad de Nueva York que describieran el suceso que los llevó al departamento de urgencias. Los participantes se incorporaron al estudio en las 24 horas posteriores al trauma y dispusieron de hasta tres minutos para responder mientras un iPad grababa un video. Los relatos tenían una media de alrededor de 374 palabras. Whisper transcribió el habla de los pacientes y el personal de investigación, hablante nativo de inglés, revisó las transcripciones. Los resultados de TEPT al cabo de un mes se determinaron mediante la Escala de TEPT administrada por el clínico para el DSM-5, una entrevista diagnóstica clínica.

PREVIA procesa cada transcripción en tres capas. En la primera, Llama y Mistral evalúan de forma independiente los síntomas tempranos de estrés postraumático, las reacciones durante el suceso traumático, los factores de riesgo y los factores protectores. DeepSeek concilia sus ocho evaluaciones en resúmenes estructurados, mientras que las puntuaciones numéricas de los dos modelos se promedian con la misma ponderación. Un evaluador final combina los resúmenes con la edad, el sexo, el tipo de trauma y los datos sobre la prevalencia del TEPT para generar una puntuación de riesgo de 0 a 100 y una explicación breve.

El proceso utiliza instrucciones de cero ejemplos, sin entrenar parámetros ni realizar ajuste fino con la muestra del estudio. Se utilizó la validación cruzada para optimizar y evaluar el umbral de clasificación.

Rendimiento frente a modelos más simples y un especialista

El artículo informa que, en muchas métricas, el rendimiento general de PREVIA es ampliamente comparable al de configuraciones individuales de cero ejemplos de O3, Llama y Mistral, y que su ventaja más clara está en la sensibilidad. En el caso del TEPT subumbral —es decir, síntomas clínicamente significativos que no alcanzan el umbral diagnóstico completo—, PREVIA obtuvo una sensibilidad del 89,7 % y una puntuación F1 del 69,4 %, una medida combinada de precisión y sensibilidad.

El estudio presenta una comparación aparte de 30 relatos seleccionados al azar y estratificados para incluir nueve casos de TEPT; en ella, PREVIA registró una sensibilidad del 100 % y un AUROC del 84,4 %. Un médico de urgencias registró una sensibilidad del 88,9 % y un AUROC del 83,9 %; ambos obtuvieron una precisión del 50 %. El médico tenía más de 24 años de experiencia en medicina de urgencias y experiencia especializada en investigación sobre el TEPT. El diseño con un solo evaluador no permite determinar si la comparación se puede generalizar a distintos niveles de experiencia y entornos clínicos.

Requisitos de validación e implementación

Los participantes eran adultos de habla inglesa, médicamente estables y de entre 18 y 80 años; las mujeres representaban el 31 % de la muestra. Se excluyó a los pacientes médicamente inestables, lo que podría dejar fuera a algunos de los pacientes con mayor riesgo de TEPT crónico. Los autores señalan que el trabajo futuro deberá incluir pruebas en otros idiomas, el estudio de la evolución del TEPT a más largo plazo, las comorbilidades como la depresión y la integración con el criterio clínico y los flujos de trabajo de urgencias.

Los autores proponen un flujo de trabajo clínico que combina una breve grabación de audio con esas variables demográficas y relacionadas con el trauma extraídas de la historia clínica electrónica, y luego devuelve una puntuación de riesgo y una explicación sin requerir intervención adicional del personal clínico. El estudio no demostró que este tipo de cribado mejore los resultados de los pacientes. PREVIA se ejecutó en un entorno de computación de alto rendimiento que cumple con la HIPAA y utiliza GPU NVIDIA A100. El alojamiento en servidores propios permite mantener el control sobre los datos de los pacientes, pero la adopción depende de que los hospitales dispongan de infraestructura informática y de gobernanza adecuada.

El repositorio público de PREVIA ofrece el proceso completo y las instrucciones para modelos de pesos abiertos que se ejecutan localmente, además de cinco narraciones ficticias para una demostración integral. Las narraciones clínicas identificables y las evaluaciones psiquiátricas siguen restringidas por motivos de privacidad y consentimiento, por lo que la demostración permite probar el funcionamiento, pero no reproducir los resultados cuantitativos del artículo.

La contribución inmediata de PREVIA es un método de cribado que puede evaluarse de forma independiente y que se basa en una consulta de urgencias rutinaria y en resultados evaluados por profesionales clínicos. Su valor clínico depende ahora de una validación independiente: de que mantenga su sensibilidad en cohortes más amplias, de que los servicios puedan gestionar los falsos positivos y de que los hospitales puedan incorporar la grabación, el seguimiento y la computación segura sin interrumpir la atención de urgencias.