Hoy entrevistamos a Reiner Fuentes, un profesional con una sólida base como director de centro de atención psicológica e investigador académico en Chile, enfocado en el bienestar y la detección de riesgo suicida, quien decidió potenciar su perfil a través de la Data Science. Su motivación para cursar el bootcamp en The Bridge, que destaca como uno de los mejores de Europa, fue adquirir habilidades avanzadas en machine learning para predecir fenómenos psicosociales complejos en el mundo real. Actualmente, combina un doctorado en Psicología en la Universitat de Valencia con estas nuevas competencias técnicas, logrando un diálogo de frontera entre su experiencia, la ciencia y la Inteligencia Artificial para facilitar la toma de decisiones en ámbitos críticos como la salud mental y las políticas públicas, un claro ejemplo de cómo la integración de disciplinas abre nuevas puertas profesionales.
Recientemente ha publicado su investigación: Inteligencia Artificial y predicción de la conducta suicida en jóvenes universitarios. Sobre su paso por el bootcamp y su actual proyecto de investigación le preguntamos.
¿Cómo el Bootcamp de Data Science te inspiró o ayudó a abordar un tema tan complejo y ético como este?
El bootcamp me ha ayudado especialmente a comprender el proceso detrás del Machine Learning: no solo a usar herramientas, sino a interpretar con rigor indicadores como la sensibilidad, la especificidad o el valor predictivo de un modelo. Así como también me ha enseñado algo fundamental: que predecir un fenómeno complejo como la conducta suicida exige pensar críticamente sobre los datos. No basta con que un algoritmo funcione bien; hay que preguntarse: ¿de dónde vienen esos datos?, ¿qué sesgos contienen?, ¿y qué significan en la vida real de una persona? La ciencia de datos, aplicada sin esa mirada crítica, puede terminar reproduciendo errores que la investigación en suicidio ya ha cometido en el pasado.
¿Cuál es el rol de los modelos de Machine Learning en la predicción de la conducta, y cuáles son las principales consideraciones éticas que un Data Scientist debe tener en cuenta en proyectos sensibles?
Creo que los modelos de machine learning tienen un potencial enorme para descubrir patrones ocultos: ya sea en entrevistas clínicas —donde el lenguaje, el tono o las pausas pueden revelar estados de crisis— o a nivel poblacional, identificando tendencias geográficas o temporales en intentos o muertes por suicidio. Pero ese potencial solo se vuelve ético y útil si hay una verdadera triangulación entre científicos de datos, investigadores en suicidología y profesionales de salud mental que trabajan en primera línea. Porque un modelo puede estar técnicamente impecable… y aun así ser clínicamente irrelevante o peligroso si no se basa en evidencia actualizada ni va acompañado de un plan de intervención. Por ejemplo: si un algoritmo señala a un estudiante universitario como “en riesgo”, ¿Quién le atiende? ¿Con qué recursos? ¿Con qué criterios clínicos? La ética no está solo en el código, sino en todo el ecosistema que rodea al modelo: consentimiento, privacidad, seguimiento… y, sobre todo, en no reemplazar el juicio humano en decisiones que pueden costar vidas.
El bootcamp de Data Science se centra en Python, Machine Learning y Deep Learning. ¿Hubo alguna herramienta o concepto concreto que aprendiste que te fue directamente útil para estructurar tu investigación?
Sí, sin duda. Aunque mi investigación es teórico-reflexiva y no incluye un modelo empírico, el trabajo con modelos de clasificación y la lógica detrás de los pipelines de datos me ha permitido analizar críticamente los estudios existentes con una mirada mucho más rigurosa. Por ejemplo, el enfoque en calidad y sesgo de los datos, central en cualquier pipeline responsable, me ayudó a cuestionar una práctica común: usar variables psicopatológicas como únicos predictores, ignorando factores contextuales, dinámicos o protectores. En ese sentido, lo que he aprendido en el bootcamp me aporta lenguaje técnico y también una perspectiva crítica de cómo se construye el conocimiento en salud mental cuando se cruza con la lógica algorítmica. Porque al final, un error en el código puede corregirse con una iteración más. Pero cuando un modelo se construye sobre supuestos sin apoyo en la evidencia —por ejemplo, asumir que la ideación suicida es sinónimo de riesgo inminente—, el fallo ya no es técnico: es ético. Y ese tipo de fallo no se corrige con más datos, ni con algoritmos más sofisticados. Se corrige asegurando que la IA dialogue con los avances más actuales de la suicidología y con las mejores prácticas basadas en evidencia. De lo contrario, por más preciso que sea el modelo, termina fallándole a quienes más necesitan ser comprendidos y acompañados, ofreciendo una falsa promesa en prevención de muertes por suicidio.
Tienes un background en Psicología/Psiquiatría y has realizado un bootcamp intensivo en Data Science. ¿Cómo ha cambiado tu visión sobre la resolución de problemas clínicos o de salud mental desde que incorporaste la caja de herramientas de la ciencia de datos?
Antes veía la salud mental en un nivel enmarcado en contexto de psicoterapia donde cada persona, pareja o familia es un mundo único. Y sigo creyendo eso. Pero ahora también veo el potencial de la ciencia de datos para detectar señales tempranas a escala: no sólo para “etiquetar” a las personas, sino también para orientar políticas públicas, priorizar recursos de prevención o identificar factores protectores que funcionan en contextos reales. La IA quizás no va a resolver un fenómeno tan complejo como el suicidio, pero sí puede ayudarnos a construir sistemas más inteligentes y más humanos. Y eso claro, requiere hablar ambos lenguajes: mirar la inteligencia artificial con ojos clínicos, y la clínica con una mirada informada por los datos.
¿Qué supuso el apoyo de la beca en tu desarrollo profesional y cómo te ha permitido llegar a logros como esta publicación?
La Beca Harinera ha sido una oportunidad muy valiosa para mi. No solo me dio acceso a una formación de excelente calidad, sino que me conectó con un ecosistema que valora la innovación con propósito, donde el talento se pone al servicio de problemas reales. Ese entorno me ha inspirado a cruzar fronteras disciplinarias… y eso en buena medida, es también el espíritu del paper.
En tu artículo mencionas que el foco en la predicción de la ideación suicida no es el indicador más eficaz para prevenir el suicidio. Desde el punto de vista del Machine Learning, ¿qué tipo de datos o variables consideras que serían más predictivos o robustos que la mera ideación para un modelo de IA?
Es contraintuitivo, pero la evidencia es clara: la ideación suicida no es el mejor predictor del suicidio. Por tres razones clave. Primero, porque solo alrededor del 1% de las personas con ideación suicida fallece por suicidio al año —una tasa apenas superior al azar. Segundo, porque la ideación no nos dice cuándo alguien podría actuar. Y tercero, porque es un estado extremadamente fluctuante: alguien puede no tener pensamientos suicidas en un momento… y entrar en crisis minutos después. Por eso, los modelos del futuro deben alejarse del autoreporte de ideación y enfocarse en indicadores más estables y predictivos, un buen ejemplo son los componentes del Síndrome de Crisis Suicida: que se compone de desesperanza aguda, pérdida de control respecto a los pensamientos, hiperactivación emocional e aislamiento social. La evidencia sugiere que estos indicadores pueden detectarse incluso sin que la persona mencione deseos de morir y tienen buena capacidad predictiva de intentos de suicidios en contextos clínicos.
¿Cuál es esa capacidad humana no reemplazable en la evaluación del riesgo suicida inminente, según tu investigación? Y, concretamente, ¿cómo debería un sistema de IA diseñado por un ingeniero generar una alerta para asegurarse de que el caso pasa a una intervención humana de forma eficaz?
La discusión del reemplazo de humanos por la inteligencia artificial siempre es un tema muy interesante. En el campo de la evaluación del riesgo suicida, lo irremplazable definitivamente es la respuesta emocional del evaluador humano, es decir esa intuición que surge por empatía, la experiencia y la conexión humana. Algunos estudios muestran que cuando un evaluador humano siente angustia o desconexión al hablar con una persona en riesgo, eso predice mejor el riesgo inminente que muchas variables objetivas, claramente un sistema de inteligencia artificial no puede replicar eso. Por eso en este artículo tomo una posición firme que delimita su rol. La IA nos puede colaborar con el nivel de riesgo estimado, variables clave que lo sustentan, pero tanto el protocolo de derivación inmediata a un profesional humano y la toma de decisiones autónomas sobre el abordaje de riesgo suicida inminente, es una responsabilidad que debe ser humana.
En el artículo hablas de la necesidad de incluir variables de "Suicidología Positiva" . Desde tu formación en Data Science, ¿cómo se traduciría eso en un dataset? ¿Qué fuentes de datos no tradicionales o qué técnicas de Procesamiento de Lenguaje Natural (NLP) serían necesarias para capturar y medir esos factores protectores?
En general, hay cierto énfasis por buscar relaciones entre mala salud mental y conductas suicidas, aún cuando es esperable considerar que si alguien tiene síntomas de salud mental puede estar en mayor vulnerabilidad emocional esto no implica necesariamente que estos síntomas nos informen quién está en mayor riesgo de suicidio. De hecho en los últimos 50 años, no se ha identificado ninguna configuración de síntomas que nos permita decir con claridad quién está en mayor riesgo. En este sentido, mirar indicadores positivos implica no sólo la incorporación de variables en un dataset, como resiliencia, apoyo social o bienestar psicológico, sino un cambio de paradigma: dejar de preguntarnos únicamente “¿Qué está roto?” y comenzar a indagar “¿Qué sostiene la vida? por así decirlo. Desde la ciencia de datos, esto se puede traducir en diseñar modelos que no solo detecten riesgo, sino que también identifiquen fortalezas. Porque prevenir el suicidio no se trata solo de predecir lo que no funciona, sino también de reconocer y potenciar aquello que mantiene la vida en las personas y los grupos humanos, que en otras palabras se podría conceptualizar como los intentos de vivir, esos esfuerzos que incluso en medio del sufrimiento pueden potenciar una conexión real, bienestar y soporte social y claro, contactar con aquello que consideramos valioso puede ser tremendamente protector.
