Digital therapeutics con IA: un nuevo marco propone tratamientos que se adaptan en tiempo real al paciente
Las terapias digitales están entrando en una etapa nueva. Durante años, muchas funcionaron como intervenciones relativamente estáticas, con contenidos predefinidos y ajustes limitados. Un artículo reciente publicado en JMIR Medical Informatics plantea que ese modelo ya no alcanza para enfermedades que cambian con el tiempo o requieren seguimiento continuo.
Su propuesta, llamada Dynamic Personalized Optimization (DPO), describe cómo la inteligencia artificial puede ayudar a personalizar y reajustar el tratamiento de forma dinámica según la respuesta de cada paciente.
Del software fijo a una terapia que aprende
El marco DPO se presenta como una estructura funcional para terapias digitales más adaptativas. Su idea central es que el tratamiento no debería seguir siempre la misma ruta.
En cambio, cada intervención debería definirse a partir de una combinación de datos del paciente, evolución clínica, contenido terapéutico previo y retroalimentación obtenida tras cada sesión. Así, la terapia deja de ser un paquete cerrado y pasa a convertirse en un proceso iterativo, capaz de modificarse con cada nuevo dato.
El artículo señala que este enfoque es especialmente relevante en áreas como tinnitus, depresión y deterioro cognitivo leve, donde las necesidades del paciente pueden cambiar a lo largo del tratamiento.
También remarca que muchas terapias digitales actuales todavía carecen de un marco formal para esa personalización en tiempo real.
Más allá del “cuándo”: ahora importa el “qué”
Uno de los aportes más interesantes del modelo es que desplaza el foco desde el momento de la intervención hacia el contenido de la intervención. Los enfoques previos, como las just-in-time adaptive interventions (intervenciones adaptativas oportunas) se concentraban principalmente en decidir cuándo actuar.
El DPO, en cambio, busca decidir qué contenido terapéutico conviene ofrecer en cada etapa.
Para hacerlo, organiza el proceso alrededor de cuatro tipos de datos:
- datos del usuario, como edad, antecedentes y estilo de vida;
- mediciones de estado, como síntomas o resultados de pruebas;
- datos del contenido terapéutico, como formato o tipo de intervención;
- datos de retroalimentación, como puntuaciones, sensaciones reportadas o desempeño en tareas.
La combinación secuencial de estos elementos permite que el sistema aprenda del recorrido individual de cada persona y ajuste la terapia en consecuencia.
Dos formas de elegir la próxima intervención
El artículo describe dos rutas posibles para seleccionar el siguiente paso terapéutico.
La primera consiste en predecir la retroalimentación esperada para cada intervención candidata.
En este caso, la inteligencia artificial analiza secuencias previas de datos del paciente y estima cuál de las opciones disponibles podría generar la mejor respuesta. Aunque esa retroalimentación no equivale de forma directa a un resultado clínico, los autores sostienen que puede funcionar como señal útil para optimizar la experiencia y el compromiso del paciente.
La segunda ruta intenta predecir el estado futuro del paciente.
Aquí el modelo estima cómo podría encontrarse la persona después de recibir una intervención concreta y compara distintos escenarios posibles. La opción seleccionada sería la que más probablemente mejore ese estado respecto de la línea basal.
Según los autores, ambas estrategias evitan tener que definir por adelantado cuál es el mejor contenido terapéutico, algo muy difícil cuando la respuesta depende de cada individuo y del contexto.
Un ejemplo en deterioro cognitivo leve
Para mostrar cómo funcionaría en la práctica, el artículo utiliza el caso del deterioro cognitivo leve. El sistema empieza recogiendo datos como edad, nivel educativo, actividad diaria y patrones de sueño, junto con medidas basales del estado cognitivo, por ejemplo el puntaje en el Mini-Mental State Examination.
A partir de ahí, revisa qué ejercicios cognitivos se ofrecieron antes, cómo respondió el paciente y qué cambios se observaron tras cada sesión.
Con esa información, la IA puede estimar cuál debería ser el próximo ejercicio, ya sea para maximizar la retroalimentación esperada o para mejorar el estado clínico posterior.
Después de cada nueva sesión, los datos vuelven a incorporarse al sistema y el ciclo se repite. La lógica es simple pero potente: el tratamiento se va afinando con el tiempo, en lugar de mantenerse igual para todos.
El papel posible de los grandes modelos de lenguaje
El texto también explora el rol de los large language models en este esquema. No los propone como generadores directos del contenido terapéutico, sino como herramientas analíticas capaces de integrar datos muy heterogéneos.
Las terapias digitales suelen trabajar con notas clínicas, síntomas autorreportados, mediciones numéricas, imágenes o registros longitudinales.
Procesar todo eso de manera conjunta es complejo. Los autores plantean que los modelos avanzados podrían ayudar a organizar, interpretar e integrar esos datos para apoyar la personalización dinámica.
Una promesa atractiva, pero todavía conceptual
El propio trabajo aclara que el DPO es, por ahora, un marco conceptual y no una validación clínica definitiva. El artículo no compara algoritmos ni presenta resultados de eficacia en pacientes reales.
Sí indica que el modelo está en fase de integración piloto en algunos desarrollos industriales y que futuras investigaciones evaluarán su desempeño en contextos concretos.
También subraya que cualquier implementación deberá abordar privacidad, seguridad, transparencia, equidad, ciberseguridad y rendición de cuentas.
Eso hace que el mensaje sea doble.
Por un lado, el modelo ofrece una visión convincente sobre hacia dónde podrían evolucionar las terapias digitales. Por otro, recuerda que la personalización con inteligencia artificial no puede separarse de la validación clínica ni de la gobernanza ética.
Hacia una terapia digital verdaderamente adaptativa
El interés del DPO está en que propone un cambio de lógica. La terapia digital deja de pensarse como una secuencia fija y empieza a entenderse como un sistema en aprendizaje continuo.
Si este enfoque logra validarse en estudios clínicos y desplegarse con garantías regulatorias, podría mejorar tanto la adherencia como la eficacia de las intervenciones digitales.
En un campo donde el abandono y la pérdida de compromiso siguen siendo grandes limitaciones, una terapia capaz de ajustarse al paciente en tiempo real podría marcar una diferencia importante.
Para más detalles puede visitar JMIR Medical Informatics.
0 comentarios