Estudio de modelos de lenguaje (LLMs) para la deteccion de riesgo de psicosis

Resumen

La identificación temprana de riesgo de psicosis representa un desafío importante para la psiquiatría computacional. Investigaciones previas han demostrado que el análisis automatizado del discurso, mediante técnicas como el Análisis Semántico Latente (LSA) y el etiquetado de partes del discurso (POS-tagging), puede predecir la transición a la psicosis con notable precisión. No obstante, estos enfoques dependen de representaciones lingüísticas tradicionales y modelos de aprendizaje automático clásicos. Este trabajo tiene como objetivo reevaluar transcripciones de entrevistas clínicas, previamente etiquetadas, utilizando modelos de lenguaje de gran escala (LLMs) contemporáneos, incluyendo Gemini 2.5 flash y pro, DeepSeek y GPT-5-mini. Se analizaron distintos enfoques de clasificación (zero-shot y few-shot) y se  evaluó su desempeño no solo mediante métricas estándar como la matriz de confusión, sino priorizando el costo esperado para mitigar el impacto del desbalance de clases inherente a la muestra. Los resultados revelan una alta sensibilidad de los modelos ante variaciones en el few-shot y permiten comparar su capacidad para capturar patrones lingüísticos sutiles frente a los métodos tradicionales reportados originalmente. Estos hallazgos subrayan el potencial de los LLMs como herramientas de apoyo diagnóstico y contribuyen a la discusión sobre la implementación de tests clínicos objetivos en el campo de la salud mental.