El estudio SWARTS-DA, protocolizado por investigadores surcoreanos y publicado en BMJ Open, evaluará si los datos recolectados desde smartphones y relojes inteligentes permiten desarrollar modelos de predicción precisos para detectar depresión y ansiedad en adultos. El estudio combinará algoritmos de aprendizaje automático con fenotipos digitales multimodales.
Introducción
La depresión y los trastornos de ansiedad son causas principales de discapacidad a nivel mundial, y su detección temprana sigue siendo un desafío clínico. Con la expansión del acceso a dispositivos digitales personales, ha surgido el concepto de fenotipado digital, que utiliza datos de sensores para inferir estados de salud mental. Corea del Sur, país con alta penetración tecnológica, es un entorno propicio para investigar el potencial diagnóstico de estas herramientas. El estudio SWARTS-DA fue diseñado como un protocolo observacional para evaluar si los datos pasivos recolectados desde smartphones y relojes inteligentes pueden ser utilizados para predecir síntomas depresivos y ansiosos mediante modelos estadísticos y de aprendizaje automático.
Enfoque y Resultados esperados
El protocolo fue desarrollado por el Departamento de Psiquiatría del Ajou University Hospital, en Suwon, Corea del Sur. Se planea reclutar hasta 2.500 participantes, con un mínimo de 1.000, de entre 19 y 59 años, sin restricciones diagnósticas iniciales, quienes usarán sus teléfonos inteligentes y dispositivos portátiles durante al menos 12 semanas.
Los datos digitales incluirán variables fisiológicas (frecuencia cardíaca, temperatura), conductuales (actividad, sueño, llamadas, uso de apps, geolocalización), y ambientales (ruido, iluminación). Estos serán capturados mediante la plataforma “PixelMood”, desarrollada por el equipo investigador, que integra información desde Android, Apple Watch y Galaxy Watch.
Los participantes responderán escalas clínicas estandarizadas al inicio y en puntos intermedios del seguimiento (PHQ-9, GAD-7, PROMIS Global-10). Los datos serán analizados mediante regresión logística, árboles de decisión, modelos random forest y otros algoritmos de machine learning. El objetivo es construir modelos predictivos capaces de discriminar síntomas moderados a severos de ansiedad y depresión, con evaluación de métricas como sensibilidad, especificidad, AUROC y F1-score.
El protocolo contempla además el uso de EMA (Ecological Momentary Assessment) para correlacionar estados emocionales momentáneos con los datos digitales recolectados pasivamente.
Discusión y Conclusión
El estudio SWARTS-DA representa un paso metodológico relevante en el desarrollo de modelos no invasivos para la detección de trastornos afectivos mediante tecnologías de uso cotidiano. Si bien los dispositivos personales ya generan grandes volúmenes de datos, su aplicación clínica aún requiere validación metodológica rigurosa, evaluación de sesgos, protección de la privacidad y estandarización de marcos éticos.
Como se trata de un protocolo y no de resultados clínicos, aún no se pueden extraer conclusiones definitivas sobre la eficacia de los modelos. Sin embargo, los autores plantean que, de validarse, estas herramientas podrían integrarse en estrategias de monitoreo continuo, diagnóstico temprano o incluso intervenciones personalizadas en salud mental comunitaria.
El enfoque multimodal y el uso de aprendizaje automático reflejan una tendencia creciente hacia la psiquiatría digital, aunque aún resta comprobar si este tipo de modelos serán realmente aplicables a gran escala y sostenibles fuera del contexto de investigación.