La anhedonia —la dificultad para experimentar o anticipar placer— es uno de los síntomas transdiagnósticos más resistentes al tratamiento y, al mismo tiempo, uno de los peor capturados por las escalas clínicas tradicionales. Un puntaje en un ítem de autorreporte nos dice que algo anda mal, pero poco sobre qué proceso psicológico está fallando: ¿la persona no disfruta de las recompensas cuando las obtiene, no las anticipa, no aprende a predecirlas, o no está dispuesta a esforzarse por conseguirlas?

La psiquiatría computacional es un campo que busca responder preguntas de este tipo usando modelos matemáticos formales —principalmente derivados del aprendizaje por refuerzo (reinforcement learning, RL)— para describir cómo las personas aprenden de las recompensas y los castigos, y cómo ese aprendizaje se altera en distintos cuadros clínicos. En lugar de preguntar únicamente «¿cuánto placer sentís?», estos modelos intentan estimar parámetros subyacentes, como la velocidad con la que alguien actualiza sus expectativas o la sensibilidad con la que responde a una recompensa inesperada.

Este artículo resume qué plantean estos modelos, qué evidencia existe hasta el momento sobre su aplicación a la anhedonia en depresión y esquizofrenia, y cuáles son sus límites actuales para la práctica clínica.

Qué es la psiquiatría computacional aplicada a la anhedonia

La psiquiatría computacional no es una técnica de intervención, sino un enfoque metodológico que usa modelos formales —muchos de ellos tomados de la neurociencia computacional y la economía conductual— para traducir procesos psicológicos en parámetros cuantificables. Aplicado a la anhedonia, este enfoque parte de una idea clave: el placer y la motivación no son un proceso único, sino que pueden descomponerse en subprocesos distintos.

Una revisión reciente de Hall, Browning y Huys (2024) propone justamente esto: diferenciar la anhedonia consumatoria (la experiencia hedónica en el momento de recibir la recompensa) de los procesos de motivación anticipatoria (el deseo o impulso de buscar esa recompensa antes de obtenerla). Según los autores, integrar estos dos componentes dentro de marcos de aprendizaje por refuerzo permite entender por qué dos personas con el mismo puntaje en una escala de anhedonia pueden tener perfiles clínicos y, probablemente, mecanismos subyacentes muy distintos.

Los conceptos básicos del aprendizaje por refuerzo aplicados a la clínica

Los modelos de RL describen cómo un organismo aprende, a partir de la experiencia, a predecir qué acciones conducen a recompensas. Para entender su aplicación a la anhedonia, conviene tener presentes algunos parámetros centrales:

Estos parámetros se estiman habitualmente a partir de tareas computarizadas de toma de decisiones (por ejemplo, tareas de aprendizaje probabilístico en las que el participante debe elegir entre opciones con distinta probabilidad de recompensa), y luego se ajustan a modelos matemáticos que permiten comparar perfiles entre personas o grupos clínicos.

Qué dice la evidencia disponible

Depresión: alteraciones en el procesamiento de recompensas y castigos

Una revisión de Chen y colaboradores (2015) sintetizó estudios computacionales en depresión y encontró alteraciones recurrentes en parámetros de RL asociados a síntomas depresivos, incluida la anhedonia: tasas de aprendizaje modificadas y menor sensibilidad a la recompensa en comparación con grupos sin depresión. Los autores señalan que estas alteraciones no siempre son uniformes entre estudios, lo que sugiere que distintos subtipos de depresión podrían tener firmas computacionales diferentes.

Heterogeneidad en los trastornos del ánimo

En la misma línea, Robinson y Chase (2017) argumentan que los parámetros computacionales derivados de tareas de aprendizaje y decisión podrían captar mejor la heterogeneidad clínica de la anhedonia en trastornos del ánimo que las medidas tradicionales basadas en autorreporte. Esto es relevante porque la anhedonia no se presenta de la misma manera en todos los cuadros depresivos, y un marco dimensional computacional podría ayudar a diferenciar perfiles dentro de un mismo diagnóstico categorial.

Esquizofrenia: anhedonia, avolición y aprendizaje probabilístico

Dowd y colaboradores (2016) aplicaron tareas de aprendizaje por refuerzo probabilístico en personas con diagnóstico de esquizofrenia y hallaron asociaciones específicas entre ciertos parámetros de aprendizaje y la presencia de síntomas negativos, en particular anhedonia y avolición. Este hallazgo es interesante porque sugiere que los mecanismos de aprendizaje alterado podrían ser un correlato más fino de estos síntomas negativos que las escalas clínicas clásicas, aunque se trata de un estudio con muestra acotada y diseño transversal, por lo que no permite establecer causalidad.

Aportes desde la investigación traslacional

Kangas, Der-Avakian y Pizzagalli (2022) integran hallazgos de modelos animales y humanos usando paradigmas de aprendizaje por refuerzo probabilístico, destacando su utilidad para estudiar mecanismos subyacentes a la anhedonia de forma traslacional, es decir, conectando investigación básica en animales con estudios clínicos en personas. Esto es valioso para la investigación biológica de la anhedonia, aunque los propios autores advierten que la validez traslacional directa entre especies no está garantizada.

Un marco transdiagnóstico

Zald y Treadway (2017) sitúan estos hallazgos dentro de un marco más amplio de neuroeconomía y procesamiento de recompensa, proponiendo que el aprendizaje por refuerzo puede ser un puente conceptual útil para entender la anhedonia de manera transdiagnóstica, es decir, como un proceso que atraviesa distintas categorías diagnósticas (depresión, esquizofrenia, otros cuadros) en lugar de ser exclusivo de una sola entidad clínica.

Implicancias para la práctica clínica

Es importante ser claros sobre el estado actual de este campo: los modelos de RL aplicados a la anhedonia son, por ahora, principalmente herramientas de investigación. No existe todavía un protocolo validado para uso rutinario en consultorio que reemplace las escalas clínicas habituales. Dicho esto, hay algunas implicancias conceptuales que pueden ser útiles para la práctica:

Limitaciones de la evidencia actual

Varias de las fuentes revisadas aquí son trabajos de revisión o conceptuales más que estudios primarios con datos originales, lo que limita la fuerza de las conclusiones que se pueden extraer. Además, los estudios empíricos disponibles (como el de Dowd et al., 2016) suelen trabajar con muestras clínicas acotadas y diseños transversales, que no permiten establecer relaciones causales ni predecir evolución clínica individual. La heterogeneidad metodológica entre tareas de aprendizaje, modelos matemáticos usados y poblaciones estudiadas también dificulta comparar resultados entre investigaciones. Por último, la traducción directa de hallazgos en modelos animales a la clínica humana —central en el trabajo de Kangas et al. (2022)— requiere cautela adicional.

Conclusiones

Los modelos de aprendizaje por refuerzo ofrecen un marco prometedor para desagregar la anhedonia en procesos más específicos que los que captan las escalas de autorreporte tradicionales, diferenciando por ejemplo el componente consumatorio del motivacional/anticipatorio. La evidencia disponible, proveniente de depresión y esquizofrenia, sugiere que ciertos parámetros computacionales (tasa de aprendizaje, sensibilidad a la recompensa) se asocian de forma consistente con síntomas de anhedonia y avolición, y que este enfoque podría aportar una lectura transdiagnóstica del fenómeno. Sin embargo, se trata todavía de un campo en desarrollo, con estudios mayormente teóricos o de muestra reducida, por lo que su aplicación directa en la evaluación clínica individual no está validada. Para el profesional de la salud mental, el valor actual de este enfoque es sobre todo conceptual: invita a repensar la anhedonia como un fenómeno multicomponente y a seguir de cerca una línea de investigación que podría, en el mediano plazo, enriquecer las herramientas de evaluación disponibles.

Preguntas frecuentes

¿Los modelos de aprendizaje por refuerzo ya se pueden usar en el consultorio para evaluar anhedonia?

No todavía de forma estandarizada. La mayoría de las tareas y modelos descritos en la literatura se usan en contextos de investigación y requieren equipamiento, software y análisis estadístico especializado. No reemplazan las entrevistas clínicas ni las escalas validadas de uso habitual.

¿Qué diferencia hay entre anhedonia consumatoria y anhedonia motivacional?

La anhedonia consumatoria se refiere a la dificultad para experimentar placer en el momento de recibir una recompensa, mientras que la motivacional o anticipatoria implica una menor capacidad de anticipar o desear esa recompensa antes de obtenerla. Hall, Browning y Huys (2024) sostienen que estos dos componentes pueden estar afectados de forma independiente, lo que explicaría parte de la heterogeneidad clínica observada.

¿Esta investigación aplica por igual a depresión y a esquizofrenia?

La evidencia revisada muestra alteraciones en parámetros de aprendizaje por refuerzo tanto en depresión (Chen et al., 2015; Robinson y Chase, 2017) como en esquizofrenia (Dowd et al., 2016), pero los mecanismos específicos y los parámetros afectados no son necesariamente idénticos entre ambos cuadros. Zald y Treadway (2017) proponen un marco transdiagnóstico, aunque esto no implica que la anhedonia sea mecánicamente igual en todas las poblaciones clínicas.

¿Qué tan sólida es la evidencia citada en este artículo?

Es mayormente de calidad media a alta según revisiones narrativas y algunos estudios empíricos con muestras acotadas. No hay todavía metaanálisis cuantitativos ni validación clínica a gran escala, por lo que las conclusiones deben tomarse como orientativas y sujetas a futuras revisiones.

Referencias

  1. Hall, A. F., Browning, M., & Huys, Q. J. M. (2024). The computational structure of consummatory anhedonia. Trends in Cognitive Sciences. https://doi.org/10.1016/j.tics.2024.01.006
  2. Chen, C., Takahashi, T., Nakagawa, S., Inoue, T., & Kusumi, I. (2015). Reinforcement learning in depression: A review of computational research. Neuroscience and Biobehavioral Reviews. https://doi.org/10.1016/j.neubiorev.2015.05.005
  3. Zald, D. H., & Treadway, M. T. (2017). Reward Processing, Neuroeconomics, and Psychopathology. Annual Review of Clinical Psychology. https://doi.org/10.1146/annurev-clinpsy-032816-044957
  4. Robinson, O. J., & Chase, H. W. (2017). Learning and Choice in Mood Disorders: Searching for the Computational Parameters of Anhedonia. Computational Psychiatry. https://doi.org/10.1162/cpsy_a_00009
  5. Dowd, E. C., Frank, M. J., Collins, A., Gold, J. M., & Barch, D. M. (2016). Probabilistic Reinforcement Learning in Patients With Schizophrenia: Relationships to Anhedonia and Avolition. Biological Psychiatry: Cognitive Neuroscience and Neuroimaging. https://doi.org/10.1016/j.bpsc.2016.05.005
  6. Kangas, B. D., Der-Avakian, A., & Pizzagalli, D. A. (2022). Probabilistic Reinforcement Learning and Anhedonia. Current Topics in Behavioral Neurosciences. https://doi.org/10.1007/7854_2022_349