Los investigadores pudieron predecir la gravedad de la depresión para las personas blancas, pero no para las personas negras, utilizando modelos informáticos estándar basados en el lenguaje para analizar las publicaciones de Facebook. Las palabras y frases asociadas con la depresión, como los pronombres en primera persona y las palabras que describen emociones negativas, fueron alrededor de tres veces más predictivas de la gravedad de la depresión para las personas blancas que para las personas negras. El estudio, publicado en Proceedings of the National Academy of Sciences, es coescrito por investigadores de la Universidad de Pennsylvania en Philadelphia, y el Instituto Nacional sobre el Abuso de Drogas (NIDA, por su sigla en inglés). El NIDA es parte de los Institutos Nacionales de Salud (NIH, por su sigla en inglés), y también financió el estudio.
Si bien investigaciones anteriores han indicado que el lenguaje de las redes sociales puede ofrecer información útil como parte de las evaluaciones de salud mental, los hallazgos de este estudio apuntan a posibles limitaciones en la difusión de esta práctica resaltando las diferencias demográficas clave en el lenguaje utilizado por las personas con depresión. Los resultados también destacan la importancia de incluir diversos conjuntos de datos para garantizar la precisión a medida que se desarrollan modelos de aprendizaje automático, una aplicación de modelos de lenguaje de inteligencia artificial (IA).
"A medida que la sociedad explora el uso de la IA y otras tecnologías para ayudar a brindar la atención de salud mental que tanto necesitamos, debemos asegurarnos de que nadie sea olvidado o presentado inadecuadamente", dijo Nora Volkow, MD, directora del NIDA. "Los conjuntos de datos más diversos son esenciales para garantizar que las disparidades en la atención médica no se perpetúen con la IA y que estas nuevas tecnologías puedan ayudar a adaptar intervenciones de atención médica más efectivas".
El estudio reclutó a 868 participantes que dieron su consentimiento y que se identificaron como negros o blancos. Este demostró que los modelos capacitados en el lenguaje de Facebook utilizado por los participantes blancos con depresión autoevaluada mostraron un fuerte rendimiento predictivo cuando se probaron en los participantes blancos. Sin embargo, cuando los mismos modelos fueron capacitados en el lenguaje de Facebook de los participantes negros, estos tuvieron un desempeño deficiente cuando se probaron en los participantes negros, y mostraron solo un rendimiento ligeramente mejor cuando se probaron en participantes blancos.
Si bien la gravedad de la depresión se asoció con un mayor uso de pronombres en primera persona del singular en los participantes blancos (como "yo", "mi", "mío"), esta correlación estuvo ausente en los participantes negros. Además, las personas blancas usaron más lenguaje para describir los sentimientos de pertenencia ("tipo raro", "asqueroso"), autocrítica ("caótico", "desastre"), ser un extraño ansioso ("aterrorizado", "incomprendido"), autodesprecio ("inútil", "basura") y desesperación ("mendigar", "hueco") a medida que aumentaba la gravedad de la depresión, pero no hubo tal correlación para las personas negras. Durante décadas, los médicos han sido conscientes de las diferencias demográficas en la forma en que las personas expresan los síntomas depresivos, y este estudio ahora demuestra cómo esto puede desarrollarse en las redes sociales.
Los modelos basados en el lenguaje son prometedores como herramientas personalizadas, escalables y asequibles para detectar trastornos de salud mental. Por ejemplo, el lenguaje autorreferencial excesivo, como el uso de pronombres en primera persona, y las emociones negativas, como el lenguaje autocrítico, a menudo se consideran indicadores clínicos de depresión. Sin embargo, ha habido una notable ausencia de deferencia racial y étnica en la evaluación de los trastornos mentales a través del lenguaje, una exclusión que conduce a modelos informáticos inexactos. A pesar de la evidencia que demuestra que los factores demográficos influyen en el lenguaje que usan las personas, los estudios anteriores no han explorado sistemáticamente cómo la raza y el origen étnico influyen en la relación entre la depresión y la expresión del lenguaje.
Los investigadores establecieron este estudio para ayudar a cerrar esta brecha. Ellos analizaron publicaciones anteriores en Facebook de personas negras y blancas que informaron sobre la gravedad de la depresión a través del Cuestionario de Salud del Paciente (Patient Health Questionnaire o PHQ-9), una herramienta estándar de autoevaluación utilizada por los médicos para detectar una posible depresión. Los participantes dieron su consentimiento para compartir sus actualizaciones de estatus de Facebook. Los participantes eran principalmente mujeres (el 76%) entre 18 y 72 años. Los investigadores emparejaron a los participantes negros y blancos por edad y sexo, de modo que los datos de los dos grupos fueran comparables.
Los hallazgos del estudio desafían las suposiciones sobre el vínculo entre el uso de ciertas palabras y la depresión, particularmente entre los participantes negros. Los investigadores señalan que las prácticas clínicas actuales en salud mental que no han tenido en cuenta los matices raciales y étnicos pueden ser menos relevantes, o incluso irrelevantes, para las poblaciones históricamente excluidas de la investigación en salud mental. También plantean la hipótesis de la posibilidad de que la depresión no se manifieste en el lenguaje de la misma manera para algunas personas negras: por ejemplo, el tono o la velocidad en la que habla, en lugar de la selección de palabras, pueden relacionarse más con la depresión entre esta población.
"Nuestra investigación representa un paso adelante en la construcción de modelos de lenguaje más inclusivos. Debemos asegurarnos de que los modelos de IA incluyan todas las voces para que la tecnología sea justa para todos", dijo Brenda Curtis, Ph.D., MsPH, jefe de la Unidad de Tecnología e Investigación Traslacional en la Sección de Medicina Traslacional de la Adicción en el Programa de Investigación Intramuros del NIDA y uno de las autores principales del estudio. "Prestar atención a los matices raciales en la forma en que se expresa la salud mental permite a los profesionales médicos comprender mejor cuándo un individuo necesita ayuda y proporcionar intervenciones más personalizadas".
Los autores indican que los estudios futuros deberán examinar las diferencias entre otras razas y características demográficas, utilizando varias plataformas de redes sociales. También advierten que el lenguaje de las redes sociales no es análogo al lenguaje cotidiano, y que se debe tener en cuenta en el trabajo futuro sobre modelos basados en el lenguaje.
"Es importante tener en cuenta que el lenguaje de las redes sociales y los modelos de IA basados en el lenguaje no pueden diagnosticar trastornos de salud mental, ni son sustitutos de los psicólogos o terapeutas, pero sí revelan una inmensa promesa para ayudar en la detección e informar las intervenciones personalizadas", dijo Sunny Rai, Ph.D., investigador postdoctoral en Ciencias de la Computación y la Información en la Universidad de Pensilvania y autor principal del estudio. "Se necesitan muchas mejoras antes de que podamos integrar la IA en la investigación o la práctica clínica, y el uso de datos diversos y representativos es uno de los más críticos".
Para conocer más sobre los programas de tratamiento de sustancias y salud mental en su área, llame a la línea de ayuda nacional gratuita y confidencial 1-800-662-HELP (4357) o visite FindTreatment.gov (página en inglés). Cualquier persona que necesite ayuda con los primeros pasos en la búsqueda de ayuda puede encontrar orientación en FindSupport.gov.
Si usted o alguien que conoce está en crisis y necesita ayuda inmediata, llame a la Línea 988 de Prevención del Suicidio y Crisis marcando 988. Conozca más sobre la prevención del suicidio y las formas en que puede ayudar a alguien que podría estar en riesgo de autolesionarse.
Reference:
- S Rai, et al. Key Language Markers of Depression on Social Media Depend on Race (Los marcadores lingüísticos clave de la depresión en las redes sociales dependen de la raza). . The Proceedings of the National Academy of Sciences. DOI: 10.1073/pnas.2319837121 (2024).
Acerca del Instituto Nacional sobre el Abuso de Drogas (NIDA): El NIDA es parte de los Institutos Nacionales de la Salud, del Departamento de Salud y Servicios Humanos de los Estados Unidos. El NIDA apoya la mayor parte de la investigación a nivel mundial sobre los aspectos de salud relacionados con el consumo de drogas y la adicción. El Instituto lleva a cabo una gran variedad de programas para informar a la política, mejorar la práctica y avanzar en la ciencia de la adicción. Para más información sobre el NIDA y sus programas, visite https://nida.nih.gov/es/
Acerca de los Institutos Nacionales de la Salud (NIH): Los NIH, la agencia de investigación médica del país incluye 27 Institutos y Centros y es un componente del Departamento de Salud y Servicios Humanos de los Estados Unidos. Los NIH son la agencia federal principal que conduce y apoya la investigación médica básica, clínica y traslacional, y están investigando las causas, los tratamientos y las curas de enfermedades tanto comunes como raras. Para más información sobre los NIH y sus programas, visite www.salud.nih.gov
Acerca de los trastornos por consumo de sustancias: Los trastornos por consumo de sustancias son afecciones crónicas y tratables de las cuales las personas se pueden recuperar. En 2022, más de 49 millones de personas en los Estados Unidos padecían de al menos un trastorno por consumo de sustancias. Los trastornos por consumo de sustancias se definen en parte por el consumo continuado de sustancias a pesar de las consecuencias negativas. También es un trastorno recurrente, en el que los periodos de abstinencia (no consumir sustancias) pueden ir seguidos por un regreso al consumo. El estigma puede hacer que las personas con trastornos por consumo de sustancias sean menos propensas a buscar tratamiento. Utilizar el lenguaje preferido puede ayudar a informar con precisión sobre el consumo de sustancias y la adicción. Vea la guía del NIDA disponible en línea.
NIH… Transformación de Descubrimientos en Salud
