IA detecta trastorno bipolar en historias clínicas de pacientes con diagnósticos afectivos con AUC 0.93

PreprintmedRxiv 2026 · 1 min de lectura
AUC · trastorno bipolar
0.93
500 historias clínicas de pacientes con diagnósticos afectivos
Sensibilidad
96.4%
IC 95% 87.7–99.0
Especificidad
84.4%
IC 95% 71.2–92.3

Preprint de exactitud diagnóstica en medRxiv: modelo en HCE con AUC 0.93, sensibilidad 96.4% y especificidad 84.4%.

Eugenio Ferro, Natalia Castaño-Villegas, Manuel F. Esteban Cárdenas, María Gómez Puentes, Carlos Torres-Delgado, Laura Ortiz Calderon, Katherine Monsalve, José Zea

Este estudio de exactitud diagnóstica evaluó inteligencia artificial para detectar trastorno bipolar en historias clínicas electrónicas de pacientes con diagnósticos afectivos. El conjunto reportado incluyó n=500 HCE y un subconjunto de validación de n=100, siguiendo los estándares STARD 2015 y TRIPOD-AI.

Las métricas principales incluyen AUC 0.93, sensibilidad 96.4% (IC 95%: 87.7–99.0), especificidad 84.4% (IC 95%: 71.2–92.3) y concordancia por dominios 91.3% (IC 95%: 89.9–92.6). Entre 387 pacientes sin diagnóstico bipolar previo, 36.4% fueron clasificados por primera vez como en riesgo.

Resultados de un vistazo

Las cifras principales del paper, en lenguaje sencillo.

Cómo rindió el modelo

Más alto es mejor

Datos: 500 historias clínicas de pacientes con diagnósticos afectivos — medRxiv 2026

Los puntajes en escala de 0 a 1 (AUC, kappa) se dibujan ×100.

Ver las cifras en una tabla
MétricaValorQué significa
AUC · trastorno bipolar0.93500 historias clínicas de pacientes con diagnósticos afectivos
Sensibilidad96.4%IC 95% 87.7–99.0
Especificidad84.4%IC 95% 71.2–92.3

Cómo citar

Eugenio Ferro, Natalia Castaño-Villegas, Manuel F. Esteban Cárdenas, María Gómez Puentes, Carlos Torres-Delgado, Laura Ortiz Calderon, Katherine Monsalve, José Zea. Artificial intelligence for detecting bipolar disorder in electronic health records of patients with affective diagnoses: a diagnostic accuracy study. medRxiv. 2026. https://doi.org/10.64898/2026.05.07.26352679

@article{ferro2026artificial,
  title     = {{Artificial intelligence for detecting bipolar disorder in electronic health records of patients with affective diagnoses: a diagnostic accuracy study}},
  author    = {Eugenio Ferro and Natalia Castaño-Villegas and Manuel F. Esteban Cárdenas and María Gómez Puentes and Carlos Torres-Delgado and Laura Ortiz Calderon and Katherine Monsalve and José Zea},
  journal   = {medRxiv},
  year      = {2026},
  doi       = {10.64898/2026.05.07.26352679},
  url       = {https://www.medrxiv.org/content/10.64898/2026.05.07.26352679v1},
  note      = {Preprint}
}

Más investigación de Arkangel AI

Toda la investigación →

Para hospitales y aseguradoras

Valida estos resultados en tu institución

Probamos el modelo con tus propias historias clínicas y tu equipo, bajo tus reglas de privacidad y gobierno de datos.

Iniciar una colaboración
Leer paperCitar