El abandono terapéutico, o dropout, sigue siendo uno de los problemas más frecuentes y menos resueltos de la práctica clínica. Entre un tercio y la mitad de los pacientes que inician un tratamiento psicológico lo interrumpen antes de lo planificado, con el costo que eso implica para el paciente, para el sistema de salud y para el propio profesional. En los últimos años, la promesa de identificar a estos pacientes desde la primera sesión mediante algoritmos de machine learning (ML) generó bastante entusiasmo, tanto en investigación como en foros clínicos.

Pero, ¿qué tan sólida es esa promesa? Este artículo revisa la evidencia disponible sobre modelos predictivos de dropout, distingue lo que estos modelos pueden ofrecer hoy de lo que todavía es especulativo, y propone una lectura crítica orientada a la aplicabilidad real en consultorio, sin caer en el entusiasmo tecnológico ni en el rechazo automático.

Vale aclarar de entrada que ningún modelo de ML reemplaza el juicio clínico ni permite predecir con certeza el comportamiento de un paciente individual. Lo que sí puede aportar, con matices, es información probabilística que complemente —nunca sustituya— la evaluación clínica.

Qué entendemos por predicción de dropout con machine learning

A diferencia de los modelos estadísticos tradicionales (como la regresión logística), los algoritmos de ML —árboles de decisión, random forest, support vector machines, redes neuronales, entre otros— pueden identificar patrones complejos y no lineales entre múltiples variables predictoras: datos sociodemográficos, puntuaciones de cuestionarios administrados en la primera sesión, características del motivo de consulta, historia de tratamientos previos, e incluso variables del propio proceso de admisión.

La lógica detrás de estos modelos es simple en su formulación, aunque compleja en su ejecución: entrenar un algoritmo con datos de pacientes que ya completaron o abandonaron tratamiento, para luego usar ese modelo y predecir la probabilidad de dropout en pacientes nuevos a partir de la información disponible tempranamente.

Por qué la primera sesión es un momento clave

La primera sesión concentra buena parte de las variables asociadas al riesgo de abandono: expectativas del paciente, nivel de motivación inicial, gravedad sintomática, y también aspectos vinculares que empiezan a construirse desde el primer contacto. Intervenir tempranamente —por ejemplo, ajustando la psicoeducación, revisando expectativas o reforzando la alianza— podría, en teoría, reducir el riesgo de interrupción prematura. Esto conecta con lo que ya se discutió en nuestro artículo sobre entrevista motivacional y adherencia al tratamiento, donde la primera entrevista aparece como un momento de intervención posible, no solo de recolección de datos.

Qué dice la evidencia disponible

Giesemann y colaboradores (2023) realizaron un estudio metodológicamente riguroso comparando distintos algoritmos de machine learning, métodos de resampling (técnicas para equilibrar clases desbalanceadas, dado que el dropout suele ser minoritario frente a la finalización) y tamaños muestrales para predecir el abandono terapéutico. El hallazgo central es que la capacidad predictiva varía sustancialmente según estas decisiones metodológicas: no existe “el algoritmo” que resuelva el problema, sino que el desempeño depende de cómo se construye y valida el modelo. Los propios autores señalan que el sobreajuste es un riesgo concreto cuando las muestras son pequeñas, lo que limita seriamente la generalización de los resultados a otros contextos clínicos.

Esta advertencia metodológica se confirma en la revisión sistemática de Rollmann y colaboradores (2023), centrada en el uso de ML dentro de la investigación en psicoterapia psicodinámica ambulatoria. Los autores documentan una expansión notable del uso de estas técnicas para predecir resultados de tratamiento, incluido el dropout, pero también una heterogeneidad metodológica considerable: distintos estudios usan variables predictoras diferentes, criterios de dropout diferentes y estrategias de validación diferentes. Esto hace muy difícil comparar resultados entre estudios o construir un consenso sobre qué variables son realmente robustas.

Variables predictoras identificadas en poblaciones específicas

Más allá de los estudios que aplican ML de forma directa, existe evidencia sobre predictores de dropout en poblaciones clínicas particulares, que resulta relevante para pensar qué variables podrían alimentar futuros modelos predictivos.

En conjunto, estos estudios sugieren que existen variables recurrentes asociadas al riesgo de dropout (gravedad clínica, historia de trauma, características sociodemográficas, expectativas de tratamiento), pero también que la mayoría de la evidencia proviene de poblaciones específicas y no de modelos de ML validados de forma amplia y replicada en distintos contextos.

Limitaciones importantes de la evidencia actual

Antes de pensar en aplicabilidad clínica, es necesario ser honestos sobre las limitaciones que atraviesan este campo de investigación:

Esta situación es comparable, en cierto sentido, a la que discutimos al analizar la predicción actuarial frente al juicio clínico en riesgo suicida: los modelos estadísticos pueden aportar información valiosa a nivel poblacional, pero su traducción a decisiones sobre un paciente individual requiere mucha cautela.

Aplicabilidad clínica: qué podemos esperar hoy

Con la evidencia actual, sería prematuro y poco riguroso afirmar que existen herramientas de ML listas para incorporarse a la práctica clínica cotidiana con garantías de precisión individual. Sin embargo, esto no significa que el campo carezca de utilidad potencial. Algunas consideraciones prácticas:

Lo que estos modelos pueden aportar (con cautela)

Lo que estos modelos NO pueden ofrecer todavía

En este sentido, el valor de estos modelos hoy es principalmente heurístico y orientador a nivel de servicios de salud, más que una herramienta lista para consultorio individual. Quienes trabajan en instituciones con volumen de datos suficiente podrían beneficiarse de sistemas de alerta temprana, siempre con supervisión clínica y revisión periódica de su desempeño.

Conclusiones

La investigación sobre machine learning aplicado a la predicción del dropout terapéutico está en pleno desarrollo, y muestra resultados prometedores pero todavía inconsistentes entre estudios. La evidencia disponible —incluyendo el trabajo metodológicamente cuidadoso de Giesemann y colaboradores y la revisión sistemática de Rollmann y colaboradores— coincide en señalar que el desempeño predictivo depende críticamente de decisiones metodológicas (algoritmo, resampling, tamaño muestral) y que la generalización a otros contextos clínicos sigue siendo limitada.

Los estudios sobre predictores específicos en poblaciones con trauma o en programas online aportan variables de interés, pero derivan de muestras acotadas y, en varios casos, de métodos estadísticos tradicionales más que de ML propiamente dicho. En conjunto, esto sugiere que estamos ante un campo en construcción, con potencial real pero que todavía no alcanza el nivel de validación necesario para integrarse de forma rutinaria y confiable en la toma de decisiones clínicas individuales.

Para la práctica cotidiana, el mensaje es de cautela informada: vale la pena seguir de cerca este campo, entender sus fundamentos y limitaciones, y evaluar con criterio cualquier herramienta que se presente como “predictor de dropout” antes de incorporarla a la gestión clínica. El juicio profesional, apoyado en la observación de la alianza terapéutica y las señales tempranas de desajuste entre expectativas y tratamiento, sigue siendo insustituible.

Preguntas frecuentes

¿Existen herramientas de machine learning ya validadas para uso clínico directo en Argentina?

No hay evidencia de herramientas de ML para predicción de dropout validadas específicamente en población hispanohablante o en el contexto sanitario argentino. La mayoría de los estudios disponibles proviene de contextos clínicos europeos o norteamericanos, con las limitaciones de generalización ya mencionadas.

¿Puede un algoritmo reemplazar la evaluación clínica de riesgo de abandono?

No. Incluso los estudios con mejor diseño metodológico señalan riesgo de sobreajuste y limitaciones de generalización. El rol de estos modelos, en el mejor de los casos, es complementario al juicio clínico, nunca sustitutivo.

¿Qué variables aparecen más consistentemente asociadas al riesgo de dropout?

Según la evidencia revisada, aparecen con cierta recurrencia variables de gravedad clínica inicial, historia de trauma, expectativas de tratamiento y características sociodemográficas, aunque su peso relativo varía entre poblaciones y estudios, sin que exista todavía un consenso unificado.

Referencias

  1. Giesemann J, Delgadillo J, Schwartz B, Bennemann B, Lutz W. (2023). Predicting dropout from psychological treatment using different machine learning algorithms, resampling methods, and sample sizes. Psychotherapy Research. https://doi.org/10.1080/10503307.2022.2161432
  2. Rollmann I, Gebhardt N, Stahl-Toyota S, Simon J, Sutcliffe M, Friederich HC, Nikendei C. (2023). Systematic review of machine learning utilization within outpatient psychodynamic psychotherapy research. Frontiers in Psychiatry. https://doi.org/10.3389/fpsyt.2023.1055868
  3. Bremer-Hoeve S, van Vliet NI, van Bronswijk SC, Huntjens RJC, de Jongh A, van Dijk MK. (2023). Predictors of treatment dropout in patients with posttraumatic stress disorder due to childhood abuse. Frontiers in Psychiatry. https://doi.org/10.3389/fpsyt.2023.1194669
  4. Al-Asadi AM, Klein B, Meyer D. (2014). Posttreatment attrition and its predictors, attrition bias, and treatment efficacy of the anxiety online programs. Journal of Medical Internet Research. https://doi.org/10.2196/jmir.3513
  5. Murphy RA, Sink HE, Ake GS 3rd, Carmody KA, Amaya-Jackson LM, Briggs EC. (2014). Predictors of treatment completion in a sample of youth who have experienced physical or sexual trauma. Journal of Interpersonal Violence. https://doi.org/10.1177/0886260513504495