IA detecta bipolar disorder en historias clínicas de pacientes con diagnósticos afectivos con AUC 0.93
Preprint de exactitud diagnóstica en medRxiv: modelo en HCE con AUC 0.93, sensibilidad 96.4% y especificidad 84.4%.
IA detecta bipolar disorder en historias clínicas de pacientes con diagnósticos afectivos con AUC 0.93
Original title: Artificial intelligence for detecting bipolar disorder in electronic health records of patients with affective diagnoses: a diagnostic accuracy study
Authors: Eugenio Ferro, Natalia Castaño-Villegas, Manuel F. Esteban Cárdenas, María Gómez Puentes, Carlos Torres-Delgado, Laura Ortiz Calderon, Katherine Monsalve, José Zea
Venue: medRxiv preprint — manuscript ID 2026.05.07.26352679v1
Status: Preprint, under journal review
Headline metrics: n=500 EHRs; validation subset n=100; AUC 0.93; sensitivity 96.4% (95% CI: 87.7–99.0); specificity 84.4% (95% CI: 71.2–92.3); domain-level concordance 91.3% (95% CI: 89.9–92.6); 36.4% of 387 patients without prior bipolar diagnosis newly classified as at risk
Este estudio de exactitud diagnóstica evaluó inteligencia artificial para detectar bipolar disorder 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.
Source
https://www.medrxiv.org/content/10.64898/2026.05.07.26352679v1