https://rei.esprint.tech
Vol. 5 N° 1, enero-junio 2026 (754-773)
ISSN: 2960-8317
754
Artículo de revisión
Inteligencia Artificial Generativa como apoyo para la
personalización de intervenciones terapéuticas para la depresión:
una revisión exploratoria
Generative Artificial Intelligence as a support for the personalization of
therapeutic interventions for depression: a scoping review
Johanna Paola Basantes Insuasti*
Profesional Independiente
Riobamba - Ecuador
jopaola1990@gmail.com
https://orcid.org/0009-0004-6239-6941
Diego Paul Corrales Vargas
Develops Corrales
Latacunga - Ecuador
developscorrales@gmail.com
https://orcid.org/0009-0004-5120-0616
Verónica Alexandra Villa Yánez
Unidad Educativa Pensionado Olivo
Riobamba - Ecuador
veros_alexandra@hotmail.com
https://orcid.org/0000-0003-0731-2384
*Correspondencia:
jopaola1990@gmail.com
Cómo citar este artículo:
Basantes, J., Corrales, D., & Villa, V. (2026).
Inteligencia Artificial Generativa como
apoyo para la personalización de
intervenciones terapéuticas para la
depresión: una revisión exploratoria.
Esprint Investigación, 5(1), 754-773.
https://doi.org/10.61347/ei.v5i1.283
Recibido: 18 de marzo de 2026
Aceptado: 17 de abril de 2026
Publicado: 24 de abril de 2026
Resumen: La depresión constituye un problema prioritario de salud pública y, ante la
heterogeneidad de la respuesta terapéutica y las barreras de acceso, la inteligencia artificial
generativa ha emergido como una alternativa prometedora para apoyar la personalización de
intervenciones clínicas. El objetivo de esta revisión exploratoria fue mapear, sintetizar y
analizar críticamente la evidencia disponible sobre el uso de la inteligencia artificial generativa
en la personalización de intervenciones terapéuticas para la depresión. Se siguieron las
directrices PRISMA-ScR y se realizaron búsquedas en las bases de datos Scopus, PubMed y
Web of Science sin restricciones de idioma ni de año de publicación. Se recuperaron 47
registros, de los cuales, tras la eliminación de duplicados y el proceso de selección por títulos,
resúmenes y texto completo, se incluyeron finalmente 10 estudios originales. Los resultados
mostraron una clara predominancia de chatbots terapéuticos basados en modelos de lenguaje
a gran escala, así como enfoques híbridos con recuperación de información, monitoreo
contextual y aplicaciones multimodales. Asimismo, se identificó que la personalización se
implementó principalmente a través de estrategias dinámicas, contextuales, intraindividuales
y participativas, orientadas al apoyo emocional, la psicoeducación, la activación conductual,
la terapia cognitivo-conductual y la toma de decisiones clínicas. No obstante, persistieron
limitaciones relacionadas con tamaños de muestra reducidos, validación clínica insuficiente,
presencia de sesgos en los datos, necesidad de supervisión humana, desafíos éticos y barreras
de implementación. En conclusión, la inteligencia artificial generativa presenta un potencial
significativo para fortalecer las intervenciones terapéuticas personalizadas en la depresión; sin
embargo, su adopción clínica requiere el fortalecimiento de la robustez metodológica, la
validación en contextos reales y el desarrollo de marcos de seguridad más sólidos.
Palabras clave: Depresión, inteligencia artificial generativa, personalización, psicoterapia
digital, salud mental.
Abstract: Depression constitutes a major public health concern and, given the heterogeneity of
therapeutic response and existing access barriers, generative artificial intelligence has emerged as a
promising alternative to support the personalization of clinical interventions. The objective of this
scoping review was to map, synthesize, and critically analyze the available evidence on the use of
generative artificial intelligence in the personalization of therapeutic interventions for depression. The
PRISMA-ScR guidelines were followed, and searches were conducted in the Scopus, PubMed, and Web
of Science databases without restrictions on language or year of publication. A total of 47 records were
retrieved, of which, after duplicate removal and screening by titles, abstracts, and full texts, 10 original
studies were ultimately included. The results showed a clear predominance of therapeutic chatbots based
on large language models, as well as hybrid approaches incorporating information retrieval, contextual
monitoring, and multimodal applications. Furthermore, personalization was found to be primarily
implemented through dynamic, contextual, intra-individual, and participatory strategies, aimed at
emotional support, psychoeducation, behavioral activation, cognitive behavioral therapy, and clinical
decision-making. However, limitations persisted, including small sample sizes, insufficient clinical
validation, data biases, the need for human supervision, ethical challenges, and implementation
barriers. In conclusion, generative artificial intelligence demonstrates significant potential to enhance
personalized therapeutic interventions for depression; however, its clinical adoption requires
strengthened methodological robustness, validation in real-world settings, and the development of more
robust safety frameworks.
Keywords: Depression, digital psychotherapy, generative artificial intelligence, mental health,
personalization.
Copyright: Derechos de autor 2026 Johanna
Paola Basantes Insuasti, Diego Paul Corrales
Vargas, Verónica Alexandra Villa Yánez.
Esta obra está bajo una licencia internacional
Creative Commons Atribución-
NoComercial 4.0.
Esprint Investigación
https://rei.esprint.tech
Vol. 5 N° 1, enero-junio 2026 (754-773)
ISSN: 2960-8317
Johanna Paola Basantes Insuasti, Diego Paul Corrales Vargas, Verónica Alexandra Villa Yánez 755
1. Introducción
La depresión constituye uno de los principales desafíos de salud pública a nivel mundial, afectando a
millones de personas y generando una carga significativa en términos de discapacidad, calidad de vida
y mortalidad (Chen et al., 2025; Zhao et al., 2025). Se estima que el 4% de la población experimenta
depresión, siendo esta condición más frecuente en mujeres que en hombres (OMS, 2025). Además, su
impacto trasciende el ámbito clínico, ya que incide negativamente en la productividad laboral, las
relaciones sociales y el funcionamiento de los sistemas de salud (Xu et al., 2025).
Los tratamientos tradicionales para este trastorno incluyen intervenciones farmacológicas, como los
antidepresivos, y terapias psicológicas, como la terapia cognitivo-conductual, las cuales tienen como
objetivo reducir los síntomas y mejorar el funcionamiento psicosocial (Gautam et al., 2020; Saelens et
al., 2025). Sin embargo, estas intervenciones presentan limitaciones importantes, entre ellas la
variabilidad en la respuesta terapéutica, la presencia de efectos secundarios, las barreras de acceso y la
escasez de profesionales en salud mental (Gkintoni et al., 2025). Además, los enfoques tradicionales
suelen carecer de un nivel adecuado de personalización para abordar la heterogeneidad de los
pacientes, lo que puede reducir su efectividad en contextos reales (Comai et al., 2025).
En este contexto, la inteligencia artificial (IA) emerge como una herramienta prometedora en el
ámbito de la salud mental, al permitir optimizar procesos de diagnóstico, monitoreo y tratamiento de
diversos trastornos (Cruz-Gonzalez et al., 2025). Las técnicas de aprendizaje automático y
procesamiento de lenguaje natural han demostrado la capacidad de analizar grandes volúmenes de
datos clínicos y conductuales, facilitando la detección temprana de síntomas y la predicción de riesgos
(Ali et al., 2025). Asimismo, la IA ha permitido el desarrollo de intervenciones digitales escalables,
como aplicaciones móviles y plataformas de telepsiquiatría, que contribuyen a ampliar el acceso a
servicios de salud mental (Bobkov et al., 2025; Ni & Jia, 2025).
En los últimos años, la IA generativa ha transformado el panorama de la salud digital al introducir
modelos capaces de generar texto, imágenes y otros tipos de contenido de manera autónoma (Kolding
et al., 2025). En el ámbito de la salud mental, estas tecnologías se han aplicado en chatbots terapéuticos,
sistemas de apoyo emocional y herramientas de psicoeducación, mostrando un potencial significativo
para ofrecer intervenciones personalizadas, accesibles y escalables (Zhang et al., 2025). Asimismo, los
sistemas basados en IA generativa pueden adaptar sus respuestas en tiempo real según el contexto del
usuario, lo que favorece una interacción más natural, dinámica y centrada en el paciente (King et al.,
2023).
Los modelos generativos son algoritmos diseñados para replicar patrones complejos en los datos
mediante la generación de nuevas muestras que se asemejan al conjunto de datos original (Saish et al.,
2025). De acuerdo con Prasad et al. (2025), los modelos Transformers, Variational Autoencoders
(VAEs), Diffusion Models y Generative Adversarial Networks (GANs) se basan en sólidos principios
matemáticos que les permiten aprender patrones complejos y generar resultados sintéticos de alta
calidad. A continuación, se presentan algunos de los principales fundamentos matemáticos que
sustentan estos modelos:
a) Distribuciones de probabilidad y
estimación de densidad
=
(
;
)
(1)
b) Máxima verosimilitud (MLE)
= arg
log
(
;
)
(2)
Esprint Investigación
https://rei.esprint.tech
Vol. 5 N° 1, enero-junio 2026 (754-773)
ISSN: 2960-8317
Johanna Paola Basantes Insuasti, Diego Paul Corrales Vargas, Verónica Alexandra Villa Yánez 756
c) Modelos de variables latentes e
inferencia variacional (VI)
log
(
)
(
|
)
[
log
(
|
)]
(
|
)
||
(
)
(3)
d) Función objetivo minimax (GANs)
~
(
)
[
log
(
)]
+
~
(
)
log 1
(
)
(4)
e) Mecanismo de autoatención en
Transformers
(
, ,
)
=
(5)
f) Procesos de difusión en modelos
generativos
:
(
|
)
=
;
1
,
(6)
:
(
|
)
=
;
(
,
)
,
(
,
)
(7)
Varios autores abordan la tendencia creciente de la IA generativa desde múltiples perspectivas.
Wang et al. (2025) realizaron una revisión sistemática centrada en la evaluación de modelos de IA
generativa en salud mental, analizando múltiples estudios sobre chatbots y sistemas basados en LLMs.
Los autores encontraron que estas tecnologías muestran un alto potencial para proporcionar apoyo
emocional y facilitar intervenciones terapéuticas; sin embargo, señalan limitaciones relacionadas con
la calidad de la evidencia, la falta de validación clínica robusta y preocupaciones en torno a la
seguridad de los usuarios. Además, subrayan la necesidad de estudios longitudinales que evalúen los
efectos a largo plazo de estas intervenciones.
Asimismo, Li et al. (2023) llevaron a cabo una revisión sistemática y metaanálisis sobre agentes
conversacionales basados en IA para la salud mental. Sus resultados indican que estos sistemas pueden
reducir significativamente los síntomas de depresión y ansiedad, con tamaños de efecto moderados,
especialmente cuando se integran en plataformas móviles y utilizan enfoques multimodales. No
obstante, se identifican limitaciones asociadas a la heterogeneidad metodológica de los estudios, la
falta de estandarización de las intervenciones y la escasez de evidencia longitudinal.
Por su parte, Kolding et al. (2025) desarrollaron una revisión sistemática enfocada en el uso de IA
generativa en psiquiatría, destacando su rápido crecimiento y diversidad de aplicaciones. El estudio
concluye que, aunque estas tecnologías muestran un rendimiento prometedor en tareas como la
evaluación clínica y el apoyo terapéutico, su implementación enfrenta desafíos relacionados con
aspectos éticos, riesgos de sesgo algorítmico y falta de transparencia en los modelos. Asimismo, se
enfatiza la necesidad de involucrar a pacientes y profesionales en el diseño de estas herramientas para
mejorar su aceptación y efectividad.
A pesar del creciente interés en la aplicación de la inteligencia artificial generativa en salud mental,
persiste una brecha en la literatura científica en cuanto a la integración sistemática de evidencia que
aborde específicamente su uso en la personalización de intervenciones terapéuticas para la depresión,
considerando simultáneamente los enfoques tecnológicos, los mecanismos de integración clínica, las
estrategias de personalización y la evidencia sobre efectividad, usabilidad y seguridad.
En este contexto, el presente estudio tiene como objetivo mapear, sintetizar y analizar críticamente
la evidencia disponible sobre el uso de la inteligencia artificial generativa en el diseño e
implementación de intervenciones terapéuticas personalizadas para la depresión, con el fin de
proporcionar una visión comprensiva del estado actual del campo y orientar futuras líneas de
investigación y desarrollo.
Para ello, se plantean las siguientes preguntas de investigación: (1) ¿Qué enfoques de inteligencia
artificial generativa se están utilizando para apoyar intervenciones terapéuticas en depresión?; (2)
Esprint Investigación
https://rei.esprint.tech
Vol. 5 N° 1, enero-junio 2026 (754-773)
ISSN: 2960-8317
Johanna Paola Basantes Insuasti, Diego Paul Corrales Vargas, Verónica Alexandra Villa Yánez 757
¿Cómo se integran los sistemas de inteligencia artificial generativa en dichas intervenciones?; (3) ¿Qué
estrategias de personalización se implementan en estos sistemas para adaptar las intervenciones
terapéuticas a pacientes con depresión?; y (4) ¿Qué limitaciones se reportan con respecto a la adopción
de estos sistemas en el ámbito de la salud mental?
2. Metodología
La presente investigación se desarrolló como una revisión exploratoria (scoping review) siguiendo las
directrices metodológicas establecidas por la extensión PRISMA para revisiones exploratorias
(PRISMA-ScR), con el propósito de mapear sistemáticamente la evidencia disponible. Dado que la
inteligencia artificial generativa (GenAI) ha emergido recientemente en el ámbito de la investigación,
existe una cantidad limitada de literatura consolidada que respalde un enfoque sistemático tradicional
de revisión. En este sentido, se consideró que una revisión exploratoria constituía el enfoque
metodológico más adecuado (Tricco et al., 2018).
Criterios de elegibilidad
Se incluyeron estudios originales que abordaron explícitamente el uso de inteligencia artificial
generativa en el contexto de intervenciones terapéuticas o tratamiento de la depresión, con algún grado
de personalización, adaptación o individualización del proceso terapéutico. Se consideraron
investigaciones empíricas que utilizaron modelos generativos, tales como modelos de lenguaje a gran
escala o sistemas conversacionales avanzados, aplicados a la salud mental o específicamente a la
depresión. No se establecieron restricciones en cuanto al idioma ni al año de publicación, debido al
carácter reciente y emergente del tema, lo que permitió capturar la totalidad de la evidencia disponible
hasta la fecha de consulta (16 de abril de 2024).
Se excluyeron estudios de tipo revisión (sistemáticas, narrativas o metaanálisis), editoriales, cartas
al editor, opiniones, libros, resúmenes de conferencias y documentos sin revisión por pares. Asimismo,
se excluyeron aquellos estudios que, aunque abordaban la inteligencia artificial en salud mental, no
empleaban enfoques generativos o no estaban orientados específicamente a intervenciones
terapéuticas en depresión. También se descartaron aquellos documentos que no pudieron ser
recuperados en texto completo.
Fuentes de información y estrategia de búsqueda
Se emplearon las bases de datos científicas Scopus, PubMed y Web of Science, las cuales fueron
seleccionadas por su amplia cobertura de literatura biomédica, tecnológica y multidisciplinaria de alto
impacto. Estas bases de datos permitieron la recuperación de estudios relevantes indexados en revistas
revisadas por pares, lo que contribuyó a garantizar la calidad y pertinencia de la evidencia incluida en
el análisis.
La estrategia de búsqueda se diseñó a partir de cuatro categorías conceptuales principales:
“inteligencia artificial generativa”, “personalización”, “tratamiento” y “depresión”. La búsqueda se
realizó utilizando el campo de título (TITLE) para los términos relacionados con inteligencia artificial
generativa, con el objetivo de maximizar la especificidad en la recuperación de estudios directamente
enfocados en esta tecnología, mientras que para las demás categorías se empleó el campo título-
resumen-palabras clave (TITLE-ABS-KEY), lo que permitió incrementar la sensibilidad de la búsqueda.
La cadena de búsqueda fue adaptada a las particularidades sintácticas de cada base de datos,
manteniendo la equivalencia conceptual entre términos.
Esprint Investigación
https://rei.esprint.tech
Vol. 5 N° 1, enero-junio 2026 (754-773)
ISSN: 2960-8317
Johanna Paola Basantes Insuasti, Diego Paul Corrales Vargas, Verónica Alexandra Villa Yánez 758
La tabla 1 presenta la estrategia de búsqueda aplicada por base de datos y el número de estudios
recuperados.
Tabla 1
Estrategia de búsqueda
Base de datos Cadena de búsqueda Estudios
Scopus
( TITLE ( "generative model" OR "generative artificial intelligence" OR "generative AI" OR
"large language model*" OR "LLM*" OR "ChatGPT" OR "claude" OR "gemini" OR
"llama" ) AND TITLE-ABS-KEY ( "personalized" OR "adaptive" OR "individualized" )
AND TITLE-ABS-KEY ( "therapy" OR "therapeutic intervention*" OR "treatment" OR
"psychotherapy" OR "cognitive behavioral therapy" OR CBT OR "mental health
intervention*" ) AND TITLE-ABS-KEY ( "depression" OR "depressive" ) ) AND ( LIMIT-
TO ( DOCTYPE , "ar" ) )
18
Web of Science
(("generative model"[Title] OR "generative artificial intelligence"[Title] OR "generative
AI"[Title] OR "large language model*"[Title] OR "LLM"[Title] OR "ChatGPT"[Title] OR
"claude"[Title] OR "gemini"[Title] OR "llama"[Title]) AND
("personalized"[Title/Abstract] OR "adaptive"[Title/Abstract] OR
"individualized"[Title/Abstract]) AND ("therapy"[Title/Abstract] OR "therapeutic
intervention*"[Title/Abstract] OR "treatment"[Title/Abstract] OR
"psychotherapy"[Title/Abstract] OR "cognitive behavioral therapy"[Title/Abstract] OR
CBT[Title/Abstract] OR "mental health intervention*"[Title/Abstract]) AND
("depression"[Title/Abstract] OR "depressive"[Title/Abstract]))
14
PubMed
TI=("Generative Model" OR "generative artificial intelligence" OR "generative AI" OR
"large language model*" OR "LLM*" OR "ChatGPT" OR "claude" OR "gemini" OR
"llama") AND TS=("personalized" OR "adaptive" OR "individualized") AND
TS=("therapy" OR "therapeutic intervention*" OR "treatment" OR "psychotherapy" OR
"cognitive behavioral therapy" OR CBT OR "mental health intervention*") AND
TS=("depression" OR "depressive" )
15
Total 47
Proceso de selección de estudios
El proceso de selección de estudios se llevó a cabo en varias etapas. Inicialmente, se realizó la
eliminación de registros duplicados identificados entre las diferentes bases de datos. Posteriormente,
dos revisores evaluaron de manera independiente los títulos y resúmenes de los estudios recuperados,
aplicando los criterios de inclusión y exclusión previamente definidos. Los artículos potencialmente
relevantes fueron sometidos a revisión a texto completo para confirmar su elegibilidad. En los casos
en que surgieron discrepancias entre los revisores, un tercer evaluador intervino para resolverlas y
alcanzar consenso, garantizando así la rigurosidad y transparencia del proceso de selección.
Extracción y síntesis de datos
La extracción de datos se realizó de manera sistemática mediante el uso de una matriz estructurada
diseñada específicamente para este estudio, con el fin de garantizar la consistencia y exhaustividad en
la recopilación de información relevante. Las variables extraídas de cada estudio incluyeron: autor(es)
y año de publicación, país de origen, diseño metodológico, tipo de modelo de inteligencia artificial
generativa utilizado, arquitectura o sistema implementado, tipo de intervención terapéutica,
características de la población o usuarios, tipo y nivel de personalización, fuentes de datos utilizadas,
métricas de evaluación, principales resultados y limitaciones reportadas.
Esprint Investigación
https://rei.esprint.tech
Vol. 5 N° 1, enero-junio 2026 (754-773)
ISSN: 2960-8317
Johanna Paola Basantes Insuasti, Diego Paul Corrales Vargas, Verónica Alexandra Villa Yánez 759
Posteriormente, se llevó a cabo una síntesis narrativa de los datos, en la que se analizaron,
interpretaron y compararon los hallazgos de los estudios incluidos, identificando patrones, tendencias
y relaciones entre variables. El análisis se estructuró mediante una síntesis temática alineada con las
preguntas de investigación, lo que permitió organizar la evidencia de manera coherente y generar una
comprensión integral del estado actual del campo. Este enfoque facilitó un análisis exhaustivo,
sistemático y crítico de la evidencia empírica disponible sobre el uso de la inteligencia artificial
generativa como apoyo para la personalización de intervenciones terapéuticas en la depresión.
3. Resultados
Selección de estudios
El proceso de selección de los estudios se presenta de manera esquemática en la Figura 1, mediante el
diagrama de flujo PRISMA. En la fase de identificación, la búsqueda arrojó inicialmente 47 registros
provenientes de tres bases de datos científicas: 18 de Scopus, 14 de Web of Science y 15 de PubMed.
Posteriormente, se realizó la eliminación de duplicados, lo que resultó en la exclusión de 22 registros
repetidos y dejó un total de 25 estudios únicos para la fase de cribado.
Figura 1
PRISMA flowchart
Durante la etapa de cribado, los 25 registros fueron evaluados mediante la revisión de títulos,
resúmenes y palabras clave, fase en la cual se excluyeron 10 estudios que no contribuían al objetivo del
estudio ni respondían a las preguntas de investigación. Como resultado, 15 estudios fueron
considerados potencialmente elegibles y se procedió a la recuperación de los textos completos.
Registros identificados desde:
Bases de datos
(n = 3)
Scopus (n = 18)
PubMed (n =
15)
Web of Science (
n=14)
Registros (n = 47)
Registros eliminados antes de la
evaluación:
Registros duplicados eliminados (n =
22)
Registros examinados
(n = 25)
Registros excluidos
:
Registros que después de la revisión
de títulos, resumen y palabras clave
no contribuyen al estudio ni
responden
a las preguntas de
investigación (n = 10)
Estudios solicitados para
recuperación
(n = 15)
Estudios no recuperados
(n = 1)
Estudios evaluados para
elegibilidad
(n = 14)
Estudios excluidos:
Revisiones (n = 2)
Cartas al editor (n=2)
Estudios incluidos en la revisión
(n = 10)
Identificación de estudios a través de bases de datos y registros
Identificación
Cribado
Inclusión
Esprint Investigación
https://rei.esprint.tech
Vol. 5 N° 1, enero-junio 2026 (754-773)
ISSN: 2960-8317
Johanna Paola Basantes Insuasti, Diego Paul Corrales Vargas, Verónica Alexandra Villa Yánez 760
Sin embargo, un estudio no pudo ser obtenido, por lo que 14 artículos fueron finalmente evaluados
en su totalidad para determinar su elegibilidad. En la fase de elegibilidad, los 14 estudios fueron
analizados en profundidad de acuerdo con los criterios de inclusión y exclusión establecidos, lo que
permitió una evaluación rigurosa de su pertinencia.
En esta etapa final, se excluyeron 4 artículos adicionales por corresponder a revisiones sistemáticas
y cartas al editor, lo que resultó en un total final de 10 estudios incluidos, los cuales cumplieron con
los criterios de inclusión establecidos y fueron considerados pertinentes para el análisis.
Característica de los estudios
La tabla 2 presenta las características metodológicas y contextuales de los estudios incluidos,
evidenciando una notable heterogeneidad en los diseños de investigación, poblaciones y contextos
geográficos. En términos metodológicos, se observa una predominancia de estudios exploratorios,
descriptivos y pruebas de concepto, junto con algunos ensayos clínicos aleatorizados y estudios
observacionales en entornos reales.
Esta diversidad metodológica refleja el carácter emergente del campo, en el que aún no se ha
consolidado un enfoque experimental homogéneo. Asimismo, se identificó la presencia de estudios
computacionales y de validación retrospectiva, lo que evidencia la integración de metodologías
propias de la ciencia de datos en el ámbito de la salud mental.
En cuanto a la población, existe una amplia variabilidad que abarca desde adolescentes hasta
adultos mayores, así como estudios basados en datos simulados o secundarios. Esta heterogeneidad
sugiere tanto la versatilidad de las aplicaciones de la inteligencia artificial generativa como la ausencia
de criterios estandarizados en la selección de muestras.
Además, los estudios se desarrollaron en diversos contextos geográficos, incluyendo Asia, Europa,
América y África, lo que aporta una perspectiva global, aunque con posibles diferencias en la
aplicabilidad clínica según el contexto sociocultural.
Tabla 2
Características de los estudios incluidos
Autor(es) Tipo de estudio País Población
Kang & Hong (2025) Estudio piloto descriptivo Corea del Sur
20 jóvenes adultos (18–
27 años), 12
mujeres y 8 hombres
Villarreal-Zegarra et
al. (2026)
Estudio transversal Perú
Simulación con 4 investigadores usando
perfiles de usuario (sin pacientes reales)
Habicht et al. (2025)
Estudio observacional en
contexto clínico real
Reino Unido
244 pacientes (150 intervención con IA,
94 control)
McFadyen et al.
(2026)
Ensayo clínico aleatorizado
(RCT)
Estados Unidos
Adultos con media de edad aprox. 40
años en ambos grupos
Kim et al. (2025)
Estudio descriptivo y de
desarrollo
Corea del Sur
244 participantes; proporción mayor de
mujeres en ambos grupos
Fisher et al. (2025) Proof-of-concept Estados Unidos
540 adultos (322 intervención, 218
control)
Esprint Investigación
https://rei.esprint.tech
Vol. 5 N° 1, enero-junio 2026 (754-773)
ISSN: 2960-8317
Johanna Paola Basantes Insuasti, Diego Paul Corrales Vargas, Verónica Alexandra Villa Yánez 761
Kulenovic &
Lagumdzija-
Kulenovic (2025)
Estudio de caso No especificado
Dataset de 3,874 casos de preguntas-
respuestas (adolescentes)
Xu et al. (2025)
Estudio descriptivo
computacional y validación
retrospectiva
Hong Kong y
China
38 adolescentes (13–18 años), subgrupo
con datos de sensores
Huang et al. (2025)
Ensayo clínico aleatorizado
(RCT)
China
Caso clínico individual: mujer adulta
mayor con comorbilidades
Dallison et al. (2025)
Estudio cualitativo
exploratorio
Sudáfrica
100 pacientes con diagnóstico de
depresión
Síntesis de resultados
La tabla 3 presenta una síntesis estructurada de los principales resultados, permitiendo una visión
comparativa e integrada de los enfoques actuales en el uso de inteligencia artificial generativa para la
personalización de intervenciones terapéuticas en la depresión. En particular, se resumen aspectos
clave como las fuentes de datos utilizadas, los modelos y sistemas implementados y los tipos de
intervenciones terapéuticas abordadas.
Asimismo, se analizan los niveles de personalización alcanzados, las métricas de evaluación
empleadas y los principales hallazgos reportados por los estudios incluidos. Este enfoque permitió
identificar cómo los sistemas de IA generativa adaptan las intervenciones terapéuticas en función de
características individuales de los usuarios, respondiendo directamente al objetivo del estudio.
De manera general, los resultados evidencian que los modelos basados en lenguaje natural,
particularmente los LLMs, son los más utilizados para el desarrollo de intervenciones personalizadas,
principalmente a través de chatbots terapéuticos, sistemas de apoyo emocional y plataformas digitales
de intervención.
Finalmente, la síntesis permitió identificar patrones relevantes, tales como el uso predominante de
datos autorreportados, la integración de múltiples fuentes de información y la implementación de
estrategias de personalización basadas en perfiles de usuario. No obstante, también se identificaron
limitaciones recurrentes, como la falta de validación clínica robusta, la escasa evidencia longitudinal y
preocupaciones relacionadas con la ética y la seguridad, lo cual coincide con las preguntas de
investigación planteadas.
Esprint Investigación
https://rei.esprint.tech
Vol. 5 N° 1, enero-junio 2026 (754-773)
ISSN: 2960-8317
Johanna Paola Basantes Insuasti, Diego Paul Corrales Vargas, Verónica Alexandra Villa Yánez 762
Tabla 3
Matriz de resultados
Autor(es) Fuente de datos
Modelo(s) de IA
generativa
Intervención terapéutica
Nivel de
personalización
Métricas de evaluación Principales resultados
Kang &
Hong (2025)
Corpus de síntomas
psicopatológicos
fundamentado en criterios
DSM-
5 integrados con
OpenAI para detección de
riesgos.
HoMemeTown Dr
CareSam; chatbot de salud
mental que integra el LLM
de ChatGPT 4.0 y
prompting adaptado.
Gratitud guiada, soporte
emocional empático y
detección de riesgos en
salud mental.
Personalización
dinámica basada en la
interacción; adaptación
de respuestas según
emociones expresadas y
retroalimentación sobre
el diario de gratitud.
Triangulación de datos
cuantitativos y cualitativos;
usabilidad, satisfacción y
competencia del chatbot;
positividad, apoyo, empatía,
escucha activa, profesionalismo,
complejidad y personalización.
Alto nivel de aceptación del chatbot,
con puntuaciones elevadas en apoyo,
empatía y escucha activa; la
personalización fue valorada
positivamente, aunque se identificó
margen de mejora para lograr
intervenciones más individualizadas
y contextualmente relevantes.
Villarreal-
Zegarra et
al. (2026)
Datos clínicos integrados
en el sistema, con
almacenamiento de
sesiones previas, escalas
psicológicas y seguimiento
de adherencia.
GPT-4o y Llama 3.1-8B;
agente conversacional sin
fine-tuning ni RAG.
CBT, mindfulness y DBT;
psicoeducación, relajación,
activación conductual,
resolución de problemas y
reestructuración cognitiva.
Personalización
dinámica y contextual
mediante ventana de
contexto, seguimiento
longitudinal y diseño
centrado en el usuario.
Evaluación experta con escala
Likert para tono, claridad,
exactitud, robustez, completitud,
límites, idioma y seguridad;
métricas cuantitativas de
longitud, diversidad léxica,
tokens y costo; análisis de efectos
mixtos.
GPT-
4o mostró mejor desempeño
comunicativo y adaptativo que
Llama 3.1-
8B; ambas plataformas
mantuvieron perfiles de seguridad
comparables, y la personalización
contextual se consideró prometedora
para futuras validaciones clínicas.
Habicht et
al. (2025)
Materiales terapéuticos
asignados por terapeutas y
datos de uso del sistema en
el contexto de NHS Talking
Therapies.
GPT-4 de OpenAI; chatbot
conversacional para apoyo
entre sesiones.
CBT grupal guiada por
profesionales; apoyo a la
resolución de materiales y
ejercicios entre sesiones.
Personalización
interactiva basada en
conversación, con
supervisión clínica
humana y ajuste a las
necesidades del paciente.
Adhesión al tratamiento:
asistencia a sesiones, dropouts,
Did Not Attend; éxito clínico:
mejora fiable, recuperación y
recuperación fiable; uso de la
aplicación.
La herramienta mejoró la adherencia
y se asoció con mejores resultados
clínicos frente a materiales estáticos;
además, los usuarios reportaron una
experiencia más clara, útil y
empática.
McFadyen
et al. (2026)
Cuestionarios basales y
semanales (PHQ-9, GAD-
7), datos de compromiso
con la intervención y
reportes de seguridad de
participantes reclutados
vía Prolific.
LLM no especificado,
gestionado mediante
Limbic Layer; sistema
Limbic Care con capa
cognitiva y clínica.
CBT automatizada con
psicoeducación, ejercicios
estructurados, sesiones
guiadas y soporte
emocional no interventivo.
Personalización
dinámica y adaptativa en
tiempo real según la
interacción del usuario.
Compromiso con materiales,
frecuencia y duración de uso,
síntomas de ansiedad y
depresión, eventos adversos,
WSAS, MSQ, y escalas de
experiencia del usuario.
Se observó mayor compromiso con el
tratamiento que en el control; no
hubo diferencias globales
significativas en síntomas, pero las
sesiones guiadas mostraron
beneficios exploratorios; la seguridad
fue comparable al control.
Esprint Investigación
https://rei.esprint.tech
Vol. 5 N° 1, enero-junio 2026 (754-773)
ISSN: 2960-8317
Johanna Paola Basantes Insuasti, Diego Paul Corrales Vargas, Verónica Alexandra Villa Yánez 763
Autor(es) Fuente de datos
Modelo(s) de IA
generativa
Intervención terapéutica
Nivel de
personalización
Métricas de evaluación Principales resultados
Kim et al.
(2025)
3,874 pares pregunta-
respuesta de NAVER
Knowledge iN,
provenientes del Youth
Cyber Counseling Center
(2014–2024).
GPT-
4o mini para
generación, all-MiniLM-
L12-v2 para embeddings,
FAISS para recuperación y
Gemini 1.5 Flash para
evaluación.
Soporte psicológico
personalizado y
orientación práctica para
adolescentes con
depresión, ansiedad, estrés
y conflictos relacionales.
Personalización
dinámica mediante
RAG, con recuperación
de los tres casos
semánticamente más
similares.
Relevancia, empatía,
comprensibilidad y practicidad
de las respuestas.
Las respuestas generadas fueron más
específicas, empáticas y útiles que las
no aumentadas; el sistema mostró
potencial de escalabilidad y
adecuación cultural para
intervenciones psicológicas en
adolescentes.
Fisher et al.
(2025)
Auto-
reporte diario
ecológico (EMA) y datos
pasivos de smartphone:
acelerómetro, GPS,
movilidad, tiempo fuera de
casa y lugares visitados.
GPT-4o de OpenAI, usado
para puntuar activación
conductual a partir de
texto libre.
Terapia de activación
conductual (Behavioral
Activation, BA) y
monitoreo de mecanismos
conductuales asociados a
depresión.
Personalización
intraindividual basada
en fluctuaciones respecto
a la propia línea base del
paciente.
Activación derivada por LLM,
BADS-SF, SHAPS, CES-D, afecto
positivo y negativo;
concordancia con evaluación
humana y modelos
multivariados.
GPT-4o mostró alta concordancia con
la valoración humana y validez
convergente con otras medidas
digitales; las asociaciones
clínicamente relevantes se dieron
principalmente a nivel
intraindividual, favoreciendo su
utilidad para monitoreo
personalizado.
Kulenovic &
Lagumdzija-
Kulenovic
(2025)
Base de datos estructurada
de medicamentos,
interacciones droga-droga,
droga-condición, droga-
gen, droga-
alimento, y
criterios STOPP/Beers;
además de información
clínica del paciente.
ChatGPT 4.0; herramienta
analítica PT-
TOM para
apoyo a la toma de
decisiones.
Optimización
farmacológica
personalizada para el
tratamiento de depresión
en un paciente geriátrico.
Personalización basada
en perfil clínico y
farmacológico, con
recomendaciones
contextualizadas para
minimizar riesgos.
Número de reacciones adversas a
medicamentos, interacciones
críticas y no críticas,
interacciones con condiciones y
alimentos, y criterios
STOPP/Beers.
La herramienta redujo los riesgos
farmacológicos y mejoró la
alineación con criterios geriátricos;
recomendó sustituir citalopram por
agomelatina para disminuir riesgos
como caídas y prolongación del QT.
Xu et al.
(2025)
Datos clínicos de 100
pacientes con depresión:
demografía, historia
clínica, uso de
psicofármacos, escalas
SDS, SAS, HAMD, HAMA
y protocolos de rTMS.
GPT-3.5-turbo, GPT-4o-
mini, LLaMA-3.2-3B,
LLaMA-3.3-70B-Instruct;
embeddings Bge-large-en-
v1.5 y otros modelos;
esquema RAG.
Recomendación
personalizada de
protocolos de estimulación
magnética transcraneal
repetitiva (rTMS) para
depresión resistente y
MDD.
Personalización basada
en recuperación
semántica de casos
clínicos similares y
razonamiento
contextualizado.
Exactitud de la recomendación:
modo de estimulación,
intensidad y duración.
La mejor combinación fue Bge-large-
en-v1.5 + GPT-4o-mini, alcanzando
78.18% de precisión; el uso de más
ejemplos mejoró la recomendación y
la interpretabilidad clínica.
Esprint Investigación
https://rei.esprint.tech
Vol. 5 N° 1, enero-junio 2026 (754-773)
ISSN: 2960-8317
Johanna Paola Basantes Insuasti, Diego Paul Corrales Vargas, Verónica Alexandra Villa Yánez 764
Autor(es) Fuente de datos
Modelo(s) de IA
generativa
Intervención terapéutica
Nivel de
personalización
Métricas de evaluación Principales resultados
Huang et al.
(2025)
Interacciones reales con
usuarios durante el
experimento; no se
describe una base de
entrenamiento específica.
GPT-
4o optimizado con
zero-shot learning y chain-
of-thought.
Consejería psicológica
integrativa para depresión,
con selección dinámica de
técnicas terapéuticas.
Personalización
dinámica basada en el
análisis del problema del
usuario y selección de
enfoque terapéutico
apropiado.
Cumplimiento, profesionalismo,
entendimiento emocional y
empatía, consistencia y
coherencia, y seguridad.
El sistema mejoró habilidades
conversacionales y redujo síntomas
depresivos en un ensayo controlado;
no obstante, el profesionalismo y la
persistencia de efectos a largo plazo
siguieron siendo limitados.
Dallison et
al. (2025)
Contenidos co-creados por
adolescentes en talleres con
IA generativa; materiales
previos de la app
Kuamsha.
ChatGPT (gpt-3.5-turbo-
0301), MidJourney v4 y
Soundful.
Terapia de activación
conductual en una app
narrativa gamificada para
adolescentes.
Personalización
interactiva dirigida por
el usuario mediante co-
diseño de historias,
imágenes y música.
Análisis temático cualitativo,
experiencia del usuario, disfrute,
autonomía, percepción estética,
relevancia cultural y
consideraciones éticas.
La co-creación con IA generó alta
aceptación, disfrute y sentido de
propiedad; la mayoría prefirió
contenidos generados por IA,
aunque se requirió apoyo humano
para formular prompts y fortalecer la
integración terapéutica explícita.
Nota. LLM = large language model; CBT = cognitive behavioral therapy; DBT = dialectical behavior therapy; RAG = retrieval-augmented generation; EMA = ecological momentary assessment; PHQ-9 = Patient
Health Questionnaire-9; GAD-7 = Generalized Anxiety Disorder-7; BADS-SF = Behavioral Activation for Depression Scale – Short Form; SHAPS = Snaith-Hamilton Pleasure Scale; CES-D = Center for
Epidemiologic Studies Depression Scale; WSAS = Work and Social Adjustment Scale; MSQ = Mini Sleep Questionnaire; SDS = Self-Rating Depression Scale; SAS = Self-Rating Anxiety Scale; HAMD = Hamilton
Depression Rating Scale; HAMA = Hamilton Anxiety Rating Scale; rTMS = repetitive transcranial magnetic stimulation; DDI = drug-drug interaction; DCI = drug-condition interaction; DGI = drug-gene
interaction; DFI = drug-food interaction; STOPP = Screening Tool of Older Persons’ Prescriptions; Beers = Beers Criteria; DNA = Did Not Attend; BA = Behavioral Activation
Esprint Investigación
https://rei.esprint.tech
Vol. 5 N° 1, enero-junio 2026 (754-773)
ISSN: 2960-8317
Johanna Paola Basantes Insuasti, Diego Paul Corrales Vargas, Verónica Alexandra Villa Yánez 765
Principales enfoques de inteligencia artificial generativa como apoyo a la personalización de
intervenciones terapéuticas en depresión
El enfoque predominante correspondió al uso de chatbots terapéuticos basados en modelos de lenguaje
a gran escala (LLMs), los cuales constituyeron la aplicación más extendida en los estudios analizados.
Estos sistemas emplearon modelos como GPT-4 o GPT-4o para generar interacciones conversacionales
orientadas al apoyo emocional, la psicoeducación y la entrega de intervenciones terapéuticas
estructuradas.
Ejemplos representativos incluyeron el chatbot HoMemeTown Dr CareSam basado en ChatGPT 4.0
(Kang & Hong, 2025), el agente conversacional basado en GPT-4 para apoyo entre sesiones terapéuticas
(Habicht et al., 2025) y el sistema optimizado con GPT-4o mediante técnicas de prompting avanzado
(Huang et al., 2025). Estos desarrollos evidenciaron una tendencia hacia la automatización del
acompañamiento terapéutico.
Asimismo, se identificaron enfoques que integraron IA generativa con arquitecturas híbridas
basadas en recuperación aumentada (RAG) y sistemas multimodales, con el objetivo de mejorar la
precisión, contextualización y personalización de las respuestas (Kim et al., 2025; Xu et al., 2025). Estas
arquitecturas permitieron incorporar conocimiento externo y contexto clínico relevante.
Además, se observó el uso de IA generativa como herramienta de apoyo clínico y analítico,
particularmente para el análisis de datos y la personalización basada en evidencia (Fisher et al., 2025;
Kulenovic & Lagumdzija-Kulenovic, 2025; McFadyen et al., 2026). Finalmente, se identificó un
enfoque emergente basado en entornos creativos y multimodales orientados a fomentar la
participación del usuario (Dallison et al., 2025), lo que amplió el alcance de estas tecnologías más allá
del lenguaje.
Integración de los sistemas de IA generativa en intervenciones terapéuticas
La integración de los sistemas de inteligencia artificial generativa en intervenciones terapéuticas para
la depresión se realizó principalmente a través de interfaces conversacionales que actuaron como
extensiones o complementos del proceso terapéutico. Estas interfaces facilitaron la entrega de
contenidos clínicos, el acompañamiento emocional y la continuidad del tratamiento.
En varios estudios, los modelos generativos fueron incorporados como chatbots que interactuaron
directamente con los pacientes, proporcionando apoyo entre sesiones, guiando ejercicios terapéuticos
y reforzando estrategias clínicas previamente definidas (Habicht et al., 2025; Huang et al., 2025; Kang
& Hong, 2025; Villarreal-Zegarra et al., 2026). Este tipo de integración evidenció su potencial como
complemento a la terapia tradicional.
Adicionalmente, esta integración se extendió hacia sistemas híbridos y contextos clínicos más
complejos, donde la IA generativa funcionó como un componente dentro de arquitecturas más amplias
de apoyo terapéutico y toma de decisiones (Dallison et al., 2025; Fisher et al., 2025; Kim et al., 2025;
Kulenovic & Lagumdzija-Kulenovic, 2025; McFadyen et al., 2026; Xu et al., 2025).
En este sentido, se evidenció una tendencia hacia la integración progresiva de estas tecnologías en
ecosistemas digitales de salud, lo que sugiere un cambio en los modelos tradicionales de atención hacia
enfoques más digitales, continuos y personalizados.
Esprint Investigación
https://rei.esprint.tech
Vol. 5 N° 1, enero-junio 2026 (754-773)
ISSN: 2960-8317
Johanna Paola Basantes Insuasti, Diego Paul Corrales Vargas, Verónica Alexandra Villa Yánez 766
Estrategias de personalización para adaptar intervenciones terapéuticas en pacientes con
depresión
La personalización en estos sistemas se implementó mediante cuatro patrones principales. El primero
correspondió a la personalización dinámica basada en la interacción, donde el sistema ajustó sus
respuestas en función de los mensajes, emociones o necesidades expresadas por el usuario (Huang et
al., 2025; Kang & Hong, 2025; McFadyen et al., 2026).
Este enfoque representó la forma más frecuente de personalización observada, al permitir una
adaptación conversacional en tiempo real. En segundo lugar, se identificó la personalización
contextual basada en memoria clínica o recuperación de información (Kim et al., 2025; Villarreal-
Zegarra et al., 2026; Xu et al., 2025), donde la IA incorporó historial y contexto acumulado.
Un tercer patrón correspondió a la personalización basada en el perfil clínico e intraindividualidad
(Fisher et al., 2025; Kulenovic & Lagumdzija-Kulenovic, 2025), en la que la adaptación se construyó a
partir de la línea base del paciente, su evolución clínica y características específicas, lo que permitió
recomendaciones más seguras y relevantes.
Finalmente, se identificó la personalización participativa o de co-diseño (Dallison et al., 2025),
donde el usuario participó activamente en la creación y ajuste de contenidos terapéuticos. En conjunto,
estos enfoques evidenciaron un desarrollo progresivo desde ajustes básicos hacia sistemas más
complejos y centrados en el usuario.
Limitaciones en la adopción de estos sistemas basados en IA generativa
Se identificaron múltiples limitaciones reportadas en los estudios incluidos, las cuales fueron
agrupadas en dimensiones metodológicas, técnicas, clínicas, éticas y de implementación. La Tabla 4
sintetiza estas limitaciones, organizándolas según su naturaleza, descripción y los estudios que las
reportaron.
En términos metodológicos, se evidenciaron limitaciones relacionadas con tamaños de muestra
reducidos, diseños no experimentales y falta de validación clínica robusta, lo que restringe la
generalización de los resultados. Asimismo, se observaron inconsistencias en la efectividad clínica,
particularmente en la sostenibilidad de los efectos terapéuticos.
Desde el punto de vista técnico, se identificaron problemas como sesgos en los datos, ausencia de
información multimodal, y limitaciones propias de los modelos generativos, incluyendo
alucinaciones y respuestas inconsistentes. Estas limitaciones afectaron la confiabilidad y seguridad
de los sistemas.
Finalmente, se destacaron desafíos éticos y de implementación, tales como problemas de
privacidad, necesidad de supervisión humana, barreras regulatorias, costos operativos y falta de
integración con sistemas de salud. En conjunto, estos hallazgos evidenciaron que, aunque
prometedores, estos sistemas aún requieren avances significativos para su adopción clínica segura y
efectiva.
Esprint Investigación
https://rei.esprint.tech
Vol. 5 N° 1, enero-junio 2026 (754-773)
ISSN: 2960-8317
Johanna Paola Basantes Insuasti, Diego Paul Corrales Vargas, Verónica Alexandra Villa Yánez 767
Tabla 4
Limitaciones reportadas por los autores
Limitación Descripción Autor(es)
Tamaño de muestra
reducido y baja
generalización
Estudios con muestras pequeñas o no
representativas que limitan la extrapolación de
resultados a poblaciones más amplias.
Kang & Hong (2025); Fisher et al. (2025); Xu et al.
(2025b)
Falta de validación clínica
robusta
Evaluaciones en entornos simulados o ausencia
de ensayos clínicos controlados que confirmen
eficacia en contextos reales.
Villarreal-Zegarra et al. (2026); Xu et al. (2025b);
McFadyen et al. (2026)
Limitaciones en diseño
metodológico
Estudios observacionales, falta de control o
ausencia de grupos control adecuados.
Habicht et al. (2025); McFadyen et al. (2026)
Efectividad clínica limitada
o inconsistente
Resultados no significativos o efectos
terapéuticos de corta duración en algunos
contextos.
McFadyen et al. (2026); Huang et al. (2025)
Dependencia de datos y
sesgos
Uso de datasets limitados o sesgados que
afectan la representatividad y desempeño del
modelo.
Kim et al. (2025); Huang et al. (2025); Dallison et
al. (2025)
Falta de datos
multimodales y contexto
clínico completo
Uso de datos clínicos parciales sin integrar
dimensiones biológicas o contextuales
relevantes.
Xu et al. (2025b); Fisher et al. (2025)
Limitaciones técnicas de los
modelos (alucinaciones,
inconsistencia)
Generación de respuestas erróneas,
inconsistentes o potencialmente dañinas por
parte de los LLMs.
Kang & Hong (2025); McFadyen et al. (2026)
Falta de personalización
avanzada
Ausencia de técnicas como fine-tuning o RAG
que mejoren la adaptación clínica.
Villarreal-Zegarra et al. (2026)
Necesidad de supervisión
humana
Los sistemas no son completamente autónomos
y requieren validación o guía clínica para su uso
seguro.
Habicht et al. (2025); Fisher et al. (2025); Dallison
et al. (2025)
Problemas de usabilidad y
dependencia del usuario
Necesidad de entrenamiento o apoyo para
interactuar eficazmente con los sistemas.
Dallison et al. (2025)
Costos operativos y
escalabilidad
Alto costo de modelos avanzados y desafíos
para implementar sistemas a gran escala.
Villarreal-Zegarra et al. (2026)
Falta de integración con
sistemas de salud
Ausencia de interoperabilidad con historias
clínicas y sistemas sanitarios formales.
Kang & Hong (2025); Villarreal-Zegarra et al.
(2026)
Barreras regulatorias y
normativas
Necesidad de cumplir regulaciones sanitarias
para su adopción clínica formal.
Villarreal-Zegarra et al. (2026); Habicht et al.
(2025)
Problemas éticos y de
privacidad
Riesgos asociados al manejo de datos sensibles,
consentimiento y seguridad del paciente.
Kang & Hong (2025); Fisher et al. (2025); Huang
et al. (2025); Dallison et al. (2025)
Limitaciones en la relación
terapéutica
Dificultad para replicar la alianza terapéutica y
el profesionalismo clínico en IA.
Huang et al. (2025); Habicht et al. (2025)
Falta de sostenibilidad de
efectos terapéuticos
Beneficios clínicos que no se mantienen en el
tiempo sin intervención continua.
Huang et al. (2025)
Esprint Investigación
https://rei.esprint.tech
Vol. 5 N° 1, enero-junio 2026 (754-773)
ISSN: 2960-8317
Johanna Paola Basantes Insuasti, Diego Paul Corrales Vargas, Verónica Alexandra Villa Yánez 768
4. Discusión
El presente estudio tuvo como objetivo mapear, sintetizar y analizar críticamente la evidencia existente
sobre el uso de la inteligencia artificial generativa en la personalización de intervenciones terapéuticas
para la depresión. A través de una revisión exploratoria, se identificaron patrones emergentes y vacíos
de investigación en un campo aún incipiente y en rápida evolución. Este enfoque permitió no solo
describir el estado actual del conocimiento, sino también problematizar sus alcances y limitaciones.
Los hallazgos muestran que la IA generativa se ha consolidado principalmente a través de sistemas
conversacionales basados en modelos de lenguaje a gran escala, integrados como herramientas
complementarias dentro de intervenciones terapéuticas digitales. Asimismo, se evidenció una
transición progresiva hacia enfoques más complejos, que incorporan recuperación de información,
monitoreo en tiempo real y personalización contextual. Sin embargo, la personalización identificada
continúa siendo mayoritariamente reactiva y limitada, lo que restringe su impacto clínico potencial.
En este sentido, persisten desafíos estructurales relevantes, relacionados con la validación clínica,
la seguridad, la escalabilidad y la integración en sistemas de salud. Estos hallazgos sugieren que, si
bien la IA generativa presenta un alto potencial transformador, su implementación aún no alcanza un
nivel de madurez suficiente para su adopción clínica generalizada.
Los resultados de este estudio son consistentes con revisiones sistemáticas recientes que destacan el
papel central de los chatbots basados en IA generativa en salud mental. Zhang et al. (2025) reportaron
que los chatbots generativos representan la aplicación más extendida en intervenciones psicológicas
digitales, mostrando efectos positivos modestos en la reducción de síntomas depresivos. Este hallazgo
refuerza la evidencia de que dichas herramientas poseen utilidad clínica inicial, aunque con impacto
aún limitado.
Estos resultados son coherentes con los obtenidos en el presente estudio, donde los sistemas
conversacionales constituyen el enfoque predominante para la implementación de intervenciones
terapéuticas. No obstante, la predominancia de este enfoque también evidencia una posible
dependencia excesiva de soluciones conversacionales, lo que podría restringir la exploración de
enfoques multimodales más integrales.
Asimismo, la integración de la IA generativa como complemento del tratamiento clínico coincide
con la evidencia reportada en la literatura reciente. Cruz-Gonzalez et al. (2025) destacan que la IA en
salud mental se ha utilizado principalmente en tres dominios: diagnóstico, monitoreo e intervención,
funcionando como un soporte para los profesionales de la salud. Esta convergencia sugiere una
tendencia hacia modelos de atención híbridos, donde la IA no reemplaza al clínico, sino que amplifica
sus capacidades.
De manera similar, Olawade et al. (2024) enfatizan que estas tecnologías permiten ampliar el acceso
a servicios de salud mental, pero requieren integración con sistemas clínicos existentes y supervisión
humana para garantizar su efectividad y seguridad. Este planteamiento respalda los resultados
obtenidos, donde la IA generativa se posicionó como una herramienta complementaria más que
sustitutiva dentro de los modelos de atención.
En cuanto a las estrategias de personalización, los hallazgos evidencian una brecha significativa
entre el potencial teórico de la IA generativa y su aplicación práctica. Aunque los modelos generativos
pueden adaptar respuestas en función del contexto conversacional, la mayoría de los sistemas carecen
de integración profunda con datos clínicos, biomarcadores o información longitudinal, lo que limita
su capacidad de personalización real (Wang et al., 2025).
Esprint Investigación
https://rei.esprint.tech
Vol. 5 N° 1, enero-junio 2026 (754-773)
ISSN: 2960-8317
Johanna Paola Basantes Insuasti, Diego Paul Corrales Vargas, Verónica Alexandra Villa Yánez 769
Asimismo, estudios sobre agentes conversacionales destacan que la personalización suele limitarse
a ajustes superficiales basados en entradas del usuario, sin alcanzar un nivel de medicina
verdaderamente personalizada o de precisión (Jabir et al., 2023). Esto coincide con los resultados del
presente estudio, donde la personalización se basó principalmente en interacción dinámica,
recuperación de contexto o adaptación intraindividual, sin integración de modelos clínicos robustos.
Desde una perspectiva crítica, estos hallazgos ponen de manifiesto la necesidad de avanzar hacia
enfoques más integrales, que combinen IA generativa con datos clínicos estructurados, sensores
digitales y sistemas de historia clínica electrónica. La evolución hacia modelos multimodales y
longitudinales podría constituir un elemento clave para el desarrollo de intervenciones terapéuticas
verdaderamente personalizadas.
Limitaciones
El presente estudio presenta algunas limitaciones que deben ser consideradas al interpretar sus
resultados. La búsqueda se restringió a las bases de datos Scopus, Web of Science y PubMed, lo que
podría haber limitado la identificación de estudios relevantes indexados en otras fuentes, afectando
potencialmente la exhaustividad de la evidencia recopilada.
Asimismo, el tema abordado corresponde a un campo emergente, caracterizado por un desarrollo
reciente y una rápida evolución tecnológica, lo que implica que la evidencia disponible es aún limitada,
heterogénea y en constante expansión. Esta situación dificulta la consolidación de conclusiones
definitivas y comparaciones estandarizadas entre estudios.
Finalmente, el bajo número de estudios incluidos reflejó tanto la novedad del área como la escasez
de investigaciones empíricas robustas, lo que limita la generalización de los hallazgos. En este sentido,
se hace evidente la necesidad de desarrollar estudios longitudinales, ensayos clínicos controlados y
marcos de evaluación estandarizados.
En consecuencia, futuras investigaciones deberán centrarse en validar clínicamente estas
tecnologías, mejorar su integración en sistemas de salud y fortalecer sus capacidades de
personalización, con el fin de consolidar el potencial de la inteligencia artificial generativa en la
intervención terapéutica de la depresión.
5. Conclusiones
Los enfoques de inteligencia artificial generativa identificados evidenciaron una clara convergencia
hacia sistemas conversacionales basados en modelos de lenguaje a gran escala, los cuales se
consolidaron como el eje central de las intervenciones analizadas, complementados por arquitecturas
híbridas con recuperación de información y, en menor medida, por aplicaciones multimodales y de
apoyo clínico. La evidencia sugiere que el campo se encuentra aún en una fase exploratoria, aunque
ya se observa una transición progresiva desde chatbots genéricos hacia soluciones más
contextualizadas, adaptativas y clínicamente orientadas.
La integración de estos sistemas en las intervenciones terapéuticas se ha producido principalmente
como un soporte complementario a la atención clínica, ya sea mediante acompañamiento entre
sesiones, entrega de ejercicios terapéuticos, orientación psicológica o apoyo en la toma de decisiones.
Las estrategias de personalización observadas se basaron predominantemente en la adaptación
dinámica a la interacción del usuario, el aprovechamiento del contexto conversacional, la utilización
de memoria clínica o recuperación de información, la adaptación intraindividual y el co-diseño de
contenidos terapéuticos, lo que refleja un avance gradual hacia modelos más centrados en el paciente.
Esprint Investigación
https://rei.esprint.tech
Vol. 5 N° 1, enero-junio 2026 (754-773)
ISSN: 2960-8317
Johanna Paola Basantes Insuasti, Diego Paul Corrales Vargas, Verónica Alexandra Villa Yánez 770
No obstante, las principales limitaciones reportadas incluyeron tamaños de muestra reducidos,
validación clínica insuficiente, dependencia de datos sesgados o limitados, necesidad de supervisión
humana, riesgos asociados a la privacidad, altos costos de implementación, problemas de escalabilidad
y desafíos regulatorios. En consecuencia, aunque la inteligencia artificial generativa presenta un
potencial significativo en el ámbito de la salud mental, su adopción clínica aún requiere el
fortalecimiento de la robustez metodológica, la validación en contextos reales y el desarrollo de marcos
éticos y de seguridad más sólidos.
En términos prospectivos, se hace imprescindible avanzar hacia estudios longitudinales, ensayos
clínicos controlados y modelos multimodales integrados, que permitan consolidar la evidencia
científica y optimizar la personalización terapéutica. Asimismo, la integración efectiva con sistemas de
salud y la participación activa de profesionales clínicos serán factores determinantes para garantizar
una implementación segura, ética y sostenible, posicionando a la IA generativa como un componente
clave en el futuro de las intervenciones en salud mental.
Referencias
Ali, M., Ali, S., Abbas, Q., Abbas, Z., & Lee, S. (2025). Artificial intelligence for mental health: A
narrative review of applications, challenges, and future directions in digital health. Digital
Health, 11, 20552076251395548. https://doi.org/10.1177/20552076251395548
Bobkov, A., Cheng, F., Xu, J., Bobkova, T., Deng, F., He, J., Jiang, X., Khuzin, D., & Kang, Z. (2025).
Telepsychiatry and artificial intelligence: A structured review of emerging approaches to
accessible psychiatric care. Healthcare, 13(11), 1348. https://doi.org/10.3390/healthcare13111348
Chen, X., Li, F., Zuo, H., & Zhu, F. (2025). Trends in prevalent cases and disability-adjusted life-years
of depressive disorders worldwide: Findings from the Global Burden of Disease study from
1990 to 2021. Depression and Anxiety, 2025(1), 5553491. https://doi.org/10.1155/da/5553491
Comai, S., Manchia, M., Bosia, M., Miola, A., Poletti, S., Benedetti, F., Nasini, S., Ferri, R., Rujescu, D.,
Leboyer, M., Licinio, J., Baune, B. T., & Serretti, A. (2025). Moving toward precision and
personalized treatment strategies in psychiatry. International Journal of
Neuropsychopharmacology, 28(5), pyaf025. https://doi.org/10.1093/ijnp/pyaf025
Cruz-Gonzalez, P., He, A., Lam, E., Ng, I., Li, M., Hou, R., Chan, J., Sahni, Y., Guasch, N., Miller, T.,
Lau, B., & Vidaña, D. (2025). Artificial intelligence in mental health care: A systematic review
of diagnosis, monitoring, and intervention applications. Psychological Medicine, 55, e18.
https://doi.org/10.1017/S0033291724003295
Dallison, S., Moffett, B., Makhubela, P., Nkuna, T., Pozuelo, J. R., Heerden, A. van, & O’Mahen, H.
(2025). Using generative AI to co-design digital mental health interventions with adolescents
in rural South Africa: Qualitative thematic analysis of participatory workshops. Journal of
Medical Internet Research, 27(1), e73535. https://doi.org/10.2196/73535
Fisher, H., Jaffe, N., Rahimi-Eichi, H., Forbes, E., Pizzagalli, D., Baker, J., & Webb, C. (2025). Measuring
activation during behavioral activation therapy: A proof-of-concept study using smartphone
sensors and LLM-derived ratings in adolescents with anhedonia. NPP—Digital Psychiatry and
Neuroscience, 3(1), 24. https://doi.org/10.1038/s44277-025-00045-w
Gautam, M., Tripathi, A., Deshmukh, D., & Gaur, M. (2020). Cognitive behavioral therapy for
depression. Indian Journal of Psychiatry, 62(Suppl 2), S223.
https://doi.org/10.4103/psychiatry.IndianJPsychiatry_772_19
Esprint Investigación
https://rei.esprint.tech
Vol. 5 N° 1, enero-junio 2026 (754-773)
ISSN: 2960-8317
Johanna Paola Basantes Insuasti, Diego Paul Corrales Vargas, Verónica Alexandra Villa Yánez 771
Gkintoni, E., Vassilopoulos, S., & Nikolaou, G. (2025). Next-generation cognitive-behavioral therapy
for depression: Integrating digital tools, teletherapy, and personalization for enhanced mental
health outcomes. Medicina, 61(3), 431. https://doi.org/10.3390/medicina61030431
Habicht, J., Dina, L., McFadyen, J., Stylianou, M., Harper, R., Hauser, T., & Rollwage, M. (2025).
Generative AI–enabled therapy support tool for improved clinical outcomes and patient
engagement in group therapy: Real-world observational study. Journal of Medical Internet
Research, 27(1), e60435. https://doi.org/10.2196/60435
Huang, F., Ding, H., Li, S., Han, N., Di, Y., Liu, X., Zhao, N., Li, L., & Zhu, T. (2025). Self-help AI
psychological counseling system based on large language models and its effectiveness
evaluation. Acta Psychologica Sinica, 57, 2022. https://doi.org/10.3724/SP.J.1041.2025.2022
Jabir, A., Martinengo, L., Lin, X., Torous, J., Subramaniam, M., & Car, L. (2023). Evaluating
conversational agents for mental health: Scoping review of outcomes and outcome
measurement instruments. Journal of Medical Internet Research, 25(1), e44548.
https://doi.org/10.2196/44548
Kang, B., & Hong, M. (2025). Development and evaluation of a mental health chatbot using ChatGPT
4.0: Mixed methods user experience study with Korean users. JMIR Medical Informatics, 13(1),
e63538. https://doi.org/10.2196/63538
Kim, J., Kim, S., Ahn, J., & Lee, S. (2025). LLM-based response generation for Korean adolescents: A
study using the NAVER Knowledge iN Q&A dataset with RAG. Healthcare Informatics Research,
31(2), 136–145. https://doi.org/10.4258/hir.2025.31.2.136
King, D., Nanda, G., Stoddard, J., Dempsey, A., Hergert, S., Shore, J., & Torous, J. (2023). An introduction
to generative artificial intelligence in mental health care: Considerations and guidance. Current
Psychiatry Reports, 25(12), 839–846. https://doi.org/10.1007/s11920-023-01477-x
Kolding, S., Lundin, R. M., Hansen, L., & Østergaard, S. D. (2025). Use of generative artificial
intelligence (AI) in psychiatry and mental health care: A systematic review. Acta
Neuropsychiatrica, 37, e37. https://doi.org/10.1017/neu.2024.50
Kulenovic, A., & Lagumdzija-Kulenovic, A. (2025). Minimizing STOPP and Beers criteria risks in PIM
treatments using PM-TOM and ChatGPT: A case study. En Envisioning the future of health
informatics and digital health (pp. 149–153). IOS Press. https://doi.org/10.3233/SHTI250067
Li, H., Zhang, R., Lee, Y., Kraut, R., & Mohr, D. (2023). Systematic review and meta-analysis of AI-
based conversational agents for promoting mental health and well-being. npj Digital Medicine,
6(1), 236. https://doi.org/10.1038/s41746-023-00979-5
McFadyen, J., Habicht, J., Dina, L., Harper, R., Hauser, T., & Rollwage, M. (2026). Increasing
engagement with cognitive-behavioral therapy (CBT) using generative AI: A randomized
controlled trial (RCT). Communications Medicine, 6(1), 129. https://doi.org/10.1038/s43856-025-
01321-8
Ni, Y., & Jia, F. (2025). A scoping review of AI-driven digital interventions in mental health care:
Mapping applications across screening, support, monitoring, prevention, and clinical
education. Healthcare, 13(10), 1205. https://doi.org/10.3390/healthcare13101205
Olawade, D., Wada, O., Odetayo, A., David-Olawade, A., Asaolu, F., & Eberhardt, J. (2024). Enhancing
mental health with artificial intelligence: Current trends and future prospects. Journal of
Medicine, Surgery, and Public Health, 3, 100099. https://doi.org/10.1016/j.glmedi.2024.100099
Esprint Investigación
https://rei.esprint.tech
Vol. 5 N° 1, enero-junio 2026 (754-773)
ISSN: 2960-8317
Johanna Paola Basantes Insuasti, Diego Paul Corrales Vargas, Verónica Alexandra Villa Yánez 772
Organización Mundial de la Salud (OMS). (2025, agosto 29). Depressive disorder (depression).
https://www.who.int/news-room/fact-sheets/detail/depression
Prasad, S., Ravikumar, C., Natha, P., & Pau, G. (2025). Exploring the mathematical foundations of
generative AI models: VAEs, GANs, transformers, and DMs. IEEE Access, 13, 217962–218009.
https://doi.org/10.1109/ACCESS.2025.3647861
Saelens, J., Gramser, A., Watzal, V., Zarate, C. A., Lanzenberger, R., & Kraus, C. (2025). Relative
effectiveness of antidepressant treatments in treatment-resistant depression: A systematic
review and network meta-analysis of randomized controlled trials. Neuropsychopharmacology,
50(6), 913–919. https://doi.org/10.1038/s41386-024-02044-5
Saish, N., Jayashree, J., & Vijayashree, J. (2025). Mathematical foundations and applications of
generative AI models. En N. R. Vajjhala, S. S. Roy, B. Taşcı, & M. E. Hoque Chowdhury (Eds.),
Generative artificial intelligence (AI) approaches for industrial applications (pp. 19–45). Springer
Nature Switzerland. https://doi.org/10.1007/978-3-031-76710-4_2
Tricco, A., Lillie, E., Zarin, W., O’Brien, K., Colquhoun, H., Levac, D., Moher, D., Peters, M., Horsley,
T., Weeks, L., Hempel, S., Akl, E., Chang, C., McGowan, J., Stewart, L., Hartling, L., Aldcroft,
A., Wilson, M., Garritty, C., … Straus, S. (2018). PRISMA extension for scoping reviews
(PRISMA-ScR): Checklist and explanation. Annals of Internal Medicine, 169(7), 467–473.
https://doi.org/10.7326/M18-0850
Villarreal-Zegarra, D., Paredes-Gonzales, Y., Dámaso-Román, A., Quiñones-Inga, J., Centeno-Terrazas,
G., & Lozada, Y. (2026). Development, system design, safety, and performance metrics of a
conversational agent for reducing depressive and anxious symptoms based on a large language
model: The MHAI study. PLOS ONE, 21(3), e0344939.
https://doi.org/10.1371/journal.pone.0344939
Wang, L., Bhanushali, T., Huang, Z., Yang, J., Badami, S., & Hightow-Weidman, L. (2025). Evaluating
generative AI in mental health: Systematic review of capabilities and limitations. JMIR Mental
Health, 12(1), e70014. https://doi.org/10.2196/70014
Xu, J., Han, Z. R., Lv, X., Chen, L., Mao, N., Gao, M. M., Zhang, H., Hu, Y., Qin, S., Gross, J. J., & Zhang,
Z. (2025a). A scalable mental health intervention for depressive symptoms: Evidence from a
randomized controlled trial and large-scale real-world studies. npj Digital Medicine, 8(1), 491.
https://doi.org/10.1038/s41746-025-01888-5
Xu, L., Xie, H., Tao, X., Qin, S. J., Wang, F. L., Gururajan, R., Elangovan, S., & Shen, Y. (2025b).
Personalized rTMS treatment recommendation with retrieval-augmented LLM reasoning.
Brain Informatics, 12(1), 29. https://doi.org/10.1186/s40708-025-00275-w
Zhang, Q., Zhang, R., Xiong, Y., Sui, Y., Tong, C., & Lin, F.-H. (2025). Generative AI mental health
chatbots as therapeutic tools: Systematic review and meta-analysis of their role in reducing
mental health issues. Journal of Medical Internet Research, 27(1), e78238.
https://doi.org/10.2196/78238
Zhao, L., Lou, Y., Tao, Y., Wang, H., & Xu, N. (2025). Global, regional and national burden of
depressive disorders in adolescents and young adults, 1990–2021: Systematic analysis of the
global burden of disease study 2021. Frontiers in Public Health, 13.
https://doi.org/10.3389/fpubh.2025.1599602
Esprint Investigación
https://rei.esprint.tech
Vol. 5 N° 1, enero-junio 2026 (754-773)
ISSN: 2960-8317
Johanna Paola Basantes Insuasti, Diego Paul Corrales Vargas, Verónica Alexandra Villa Yánez 773
Transparencia
Conflicto de interés
Los autores declaran que no existen conflictos de interés de naturaleza alguna como parte de la
presente investigación.
Fuente de financiamiento
Los autores financiaron completamente la investigación.
Contribución de autoría
Johanna Paola Basantes Insuasti: Conceptualización, metodología, validación, análisis formal,
investigación, gestión de datos, visualización, redacción - preparación del borrador original, redacción
- revisión y edición, financiamiento, recursos, supervisión.
Diego Paul Corrales Vargas: Conceptualización, metodología, software, validación, análisis formal,
investigación, gestión de datos, redacción - preparación del borrador original, redacción - revisión y
edición, financiamiento, administración del proyecto, recursos, supervisión.
Verónica Alexandra Villa Yánez: Conceptualización, análisis formal, investigación, gestión de datos,
redacción - preparación del borrador original, redacción - revisión y edición, financiamiento, recursos.
Los autores contribuyeron activamente en el análisis de los resultados, revisión y aprobación del
manuscrito final.
