https://rei.esprint.tech
Vol. 5 N° 2, julio-diciembre 2026 (529-547)
ISSN: 2960-8317
Artículo de revisión
Graph Machine Learning (GraphML) para la detección temprana
de riesgos para la salud mental: una revisión sistemática de
literatura
Graph Machine Learning (GraphML) for early detection of mental health risks:
a systematic literature review
Jorge Edwin Delgado Altamirano*
Universidad Nacional Mayor de San Marcos
Lima - Perú
Universidad Nacional de Chimborazo
Riobamba - Ecuador
jdelgado@unach.edu.ec
https://orcid.org/0000-0002-6782-806X
Ciro Rodriguez Rodriguez
Universidad Nacional Mayor de San Marcos
Lima - Perú
crodriguezro@unmsm.edu.pe
https://orcid.org/0000-0003-2112-1349
*Correspondencia:
jdelgado@unach.edu.ec
Cómo citar este artículo:
Delgado, J., & Rodriguez, C. (2026). Graph
Machine Learning (GraphML) para la
detección temprana de riesgos para la salud
mental: una revisión sistemática de
literatura. Esprint Investigación, 5(2), 529-547.
https://doi.org/10.61347/10.61347/ei.v5i2.400
Recibido: 5 de mayo de 2026
Aceptado: 5 de octubre de 2026
Publicado: 26 de octubre de 2026
Resumen: La detección temprana de riesgos en salud mental constituye un desafío debido a
la complejidad de las relaciones entre factores clínicos, conductuales y contextuales. El objetivo
de esta investigación fue sintetizar y analizar la evidencia científica sobre la aplicación de
Graph Machine Learning (GraphML) en la detección temprana de riesgos en salud mental,
considerando las arquitecturas utilizadas, los trastornos abordados, las métricas de
desempeño, las estrategias de validación y las principales limitaciones. Se realizó una revisión
sistemática siguiendo las directrices PRISMA 2020, mediante búsquedas en Scopus y Web of
Science de estudios originales publicados entre 2021 y 2026. Tras aplicar los criterios de
elegibilidad y evaluar el riesgo de sesgo mediante la herramienta PROBAST, se incluyeron 27
estudios en la síntesis cualitativa. Los resultados evidenciaron un predominio de arquitecturas
basadas en redes convolucionales de grafos (GCN), seguidas de redes de atención de grafos
(GAT), GraphSAGE y modelos híbridos multimodales, aplicados principalmente a depresión,
ansiedad, estrés e ideación suicida. Las métricas más utilizadas fueron exactitud, F1-score y
área bajo la curva (AUC), con resultados predictivos favorables, especialmente en modelos
que integraron datos clínicos, neuroimágenes, señales fisiológicas e información digital. Sin
embargo, se identificaron limitaciones relacionadas con la validación externa, el desequilibrio
de clases, la heterogeneidad de los datos y la interpretabilidad. Se concluyó que GraphML
presenta potencial para apoyar la detección temprana de riesgos en salud mental, aunque su
aplicación clínica requiere mayor validación multicéntrica, explicabilidad y reproducibilidad
metodológica.
Palabras clave: Aprendizaje automático sobre grafos, depresión, detección temprana, Graph
Machine Learning, redes neuronales sobre grafos.
Abstract: Early detection of mental health risks remains a significant challenge due to the complexity
of relationships among clinical, behavioral, and contextual factors. The objective of this study was to
synthesize and analyze scientific evidence on the application of Graph Machine Learning (GraphML)
for the early detection of mental health risks, considering the architectures employed, disorders
addressed, performance metrics, validation strategies, and main limitations. A systematic literature
review was conducted following the PRISMA 2020 guidelines, using Scopus and Web of Science to
identify original studies published between 2021 and 2026. After applying the eligibility criteria and
assessing the risk of bias using the Prediction Model Risk of Bias Assessment Tool (PROBAST), 27
studies were included in the qualitative synthesis. The findings revealed a predominance of Graph
Convolutional Network (GCN) architectures, followed by Graph Attention Networks (GAT),
GraphSAGE, and multimodal hybrid models, primarily applied to depression, anxiety, stress, and
suicidal ideation. The most frequently reported performance metrics were accuracy, F1-score, and area
under the curve (AUC), with favorable predictive results, particularly in models integrating clinical
data, neuroimaging, physiological signals, and digital information. However, limitations related to
external validation, class imbalance, data heterogeneity, and model interpretability were identified. It
was concluded that GraphML shows potential to support the early detection of mental health risks,
although its clinical application requires stronger multicenter validation, explainability, and
methodological reproducibility.
Keywords: Depression, early detection, graph-based machine learning, graph machine learning, graph
neural networks.
.
Copyright: Derechos de autor 2026 Jorge
Edwin Delgado Altamirano, Ciro Rodriguez
Rodriguez.
Esta obra está bajo una licencia internacional
Creative Commons Atribución-
NoComercial 4.0.
Esprint Investigación
https://rei.esprint.tech
Vol. 5 N° 2, julio-diciembre 2026 (529-547)
ISSN: 2960-8317
Jorge Edwin Delgado Altamirano, Ciro Rodriguez Rodriguez
530
1. Introducción
La detección temprana de riesgos en salud mental constituye una prioridad científica debido a que los
desenlaces clínicos responden a interacciones entre antecedentes médicos, síntomas, factores
psicosociales, trayectorias de atención y biomarcadores (Bollen et al., 2022; Mansoor & Ansari, 2024).
En este contexto, la inteligencia artificial ha adquirido relevancia en el diagnóstico, monitoreo e
intervención de trastornos mentales (Cruz-Gonzalez et al., 2025). Entre sus aplicaciones, el aprendizaje
automático basado en grafos destaca por su capacidad para representar relaciones complejas entre
variables y estructuras de datos no euclidianos (Paul et al., 2024; Weber, 2025).
Graph Machine Learning (GraphML) comprende un conjunto de métodos de aprendizaje
automático que procesan información organizada en grafos, cuyos nodos representan entidades y
cuyas aristas describen sus relaciones. Estos métodos utilizan mecanismos de propagación de
mensajes, agregación de información vecinal y modelado de dependencias topológicas para identificar
patrones complejos (Weber, 2025; Zhou et al., 2020). Su aplicación resulta especialmente útil cuando
los fenómenos estudiados involucran interacciones entre pacientes, diagnósticos, eventos clínicos y
fuentes heterogéneas de información (Boll et al., 2024). No obstante, su utilidad depende de la
arquitectura empleada, la construcción del grafo, la calidad de los datos y la interpretabilidad de los
resultados (Boll et al., 2024; Paul et al., 2024).
Los riesgos en salud mental comprenden diversos desenlaces clínicos, entre ellos la ideación suicida,
las conductas autolesivas, las recaídas y la evolución crónica de trastornos depresivos, asociados con
sufrimiento psicológico y deterioro funcional (Cripps et al., 2020; Knipe et al., 2022). Su naturaleza
dinámica y multifactorial dificulta la identificación de patrones mediante modelos predictivos
convencionales basados en relaciones estáticas (Nordin et al., 2022). Aunque el aprendizaje automático
ha mostrado resultados prometedores en la predicción de estos riesgos, persisten dificultades
relacionadas con la disponibilidad de información neurobiológica, la validación externa y la
presentación de métricas clínicamente interpretables (Pigoni et al., 2024).
La incorporación de GraphML en la detección temprana de riesgos en salud mental ha despertado interés
por su capacidad para representar redes de interacción entre individuos, síntomas y factores contextuales
(Dong et al., 2021; Vaida & Huang, 2026). Las arquitecturas neuronales basadas en grafos permiten identificar
patrones relacionales en datos de neuroimagen, registros clínicos y plataformas digitales, con aplicaciones en
la identificación de trastornos depresivos (Okesanya et al., 2026). Su capacidad para integrar información
multimodal favorece el desarrollo de modelos predictivos que consideran simultáneamente diferentes
características clínicas y contextuales (Jiang, 2026; Vaida & Huang, 2026). Estas propiedades sustentan su
potencial para contribuir a la identificación anticipada de alteraciones en la salud mental.
Diversas investigaciones han examinado las aplicaciones de la inteligencia artificial en la
identificación y el manejo de trastornos mentales. Okesanya et al. (2026), mediante una revisión
sistemática sobre el trastorno depresivo mayor, identificaron avances en el diagnóstico y la predicción
de resultados clínicos mediante aprendizaje profundo y redes neuronales, aunque señalaron
heterogeneidad metodológica y diferencias en las métricas de evaluación. Por su parte, Park et al.
(2024) analizaron la efectividad de la inteligencia artificial en la detección y el manejo de trastornos
depresivos, destacando su potencial clínico. Sin embargo, los autores identificaron desafíos
relacionados con la validez externa de los modelos y la presencia de sesgos algorítmicos.
Desde una perspectiva poblacional, Ruan et al. (2026) desarrollaron una revisión sobre aplicaciones
del aprendizaje automático en la promoción de la salud mental de adultos mayores, identificando
Esprint Investigación
https://rei.esprint.tech
Vol. 5 N° 2, julio-diciembre 2026 (529-547)
ISSN: 2960-8317
Jorge Edwin Delgado Altamirano, Ciro Rodriguez Rodriguez
531
como principales líneas de investigación la predicción de riesgos y la detección de estados mentales.
Sus hallazgos destacaron la importancia de mejorar la calidad de los datos y la interpretabilidad de los
modelos para favorecer su aplicación clínica. Por otra parte, Razavi et al. (2024) examinaron técnicas
de aprendizaje automático y profundo para detectar, predecir y monitorear el estrés, identificando
aplicaciones de máquinas de vectores de soporte, bosques aleatorios y redes neuronales. Los autores
señalaron resultados prometedores, aunque reconocieron desafíos relacionados con la personalización
de los modelos y el procesamiento de información en tiempo real.
A pesar de los avances descritos, la evidencia científica sobre GraphML aplicada a la detección temprana
de riesgos en salud mental permanece distribuida entre estudios con diferentes arquitecturas, fuentes de
datos, poblaciones y objetivos predictivos. Esta diversidad dificulta establecer comparaciones sistemáticas
sobre el desempeño de los modelos y determinar su aplicabilidad en distintos contextos clínicos. Aunque
las revisiones existentes examinan aplicaciones generales de inteligencia artificial y aprendizaje automático,
resulta necesario integrar específicamente los hallazgos relacionados con las arquitecturas basadas en
grafos. En consecuencia, se requiere una síntesis que permita identificar los enfoques utilizados, los riesgos
abordados, las estrategias de validación y las limitaciones reportadas.
En este contexto, el objetivo de la presente revisión sistemática fue sintetizar y analizar la evidencia
científica disponible sobre la aplicación de Graph Machine Learning en la detección temprana de
riesgos en salud mental, considerando las arquitecturas empleadas, los trastornos abordados, las
métricas de desempeño, los enfoques de validación y las principales limitaciones identificadas. Para
orientar el análisis, se formularon cuatro preguntas de investigación: (1) ¿Qué arquitecturas de
GraphML se han utilizado para la detección temprana de riesgos en salud mental?; (2) ¿Qué trastornos
y riesgos de salud mental se han abordado mediante estas arquitecturas?; (3) ¿Qué métricas de
desempeño y enfoques de validación se han empleado para evaluar los modelos propuestos?; y (4)
¿Cuáles son las principales limitaciones para la aplicación de GraphML en salud mental?
La investigación busca proporcionar una visión integrada del estado de la evidencia científica sobre
el uso de GraphML en la identificación temprana de riesgos en salud mental. Sus resultados permitirán
reconocer las principales tendencias metodológicas, los campos de aplicación y las características de
evaluación de los modelos desarrollados. De esta manera, se pretende aportar fundamentos científicos
que orienten futuras investigaciones hacia diseños transparentes, reproducibles y metodológicamente
consistentes, con potencial para apoyar la detección temprana y la toma de decisiones en salud mental.
2. Metodología
La presente revisión sistemática se desarrolló conforme a las directrices de PRISMA 2020, con el
propósito de favorecer la transparencia y reproducibilidad del proceso de identificación, selección,
evaluación y síntesis de la evidencia científica (Page et al., 2021). El procedimiento metodológico
comprendió la definición de los criterios de elegibilidad, la formulación de las estrategias de búsqueda,
la selección de estudios, la evaluación del riesgo de sesgo y la extracción de información. Finalmente,
se realizó una síntesis narrativa de los hallazgos relacionados con la aplicación de Graph Machine
Learning (GraphML) en la detección temprana de riesgos en salud mental.
Criterios de inclusión y exclusión
Se incluyeron estudios originales publicados entre 2021 y 2026, disponibles hasta el 6 de mayo de 2026,
que abordaron aplicaciones de Graph Machine Learning, redes neuronales de grafos o arquitecturas
basadas en grafos relacionadas con la detección temprana, predicción de riesgos, evaluación o
Esprint Investigación
https://rei.esprint.tech
Vol. 5 N° 2, julio-diciembre 2026 (529-547)
ISSN: 2960-8317
Jorge Edwin Delgado Altamirano, Ciro Rodriguez Rodriguez
532
diagnóstico de condiciones de salud mental. Se consideraron investigaciones que presentaron
resultados empíricos y reportaron métricas de desempeño, procedimientos de validación o
información metodológica suficiente para evaluar los modelos desarrollados. No se establecieron
restricciones de idioma durante la identificación y selección de las publicaciones.
Se excluyeron los registros duplicados, editoriales, cartas al editor, resúmenes de congresos,
capítulos de libro, tesis y artículos de revisión. También se descartaron investigaciones centradas
exclusivamente en técnicas convencionales de aprendizaje automático o aprendizaje profundo que no
incorporaron estructuras basadas en grafos. Se excluyeron estudios relacionados con enfermedades
neurológicas o biomédicas sin vinculación explícita con riesgos en salud mental. Finalmente, se
eliminaron las publicaciones que no presentaron resultados empíricos, métricas de desempeño o
información metodológica suficiente para su análisis.
Fuentes de información y estrategia de búsqueda
La identificación de los estudios se realizó mediante consultas en las bases de datos Scopus y Web of
Science, seleccionadas por su cobertura multidisciplinaria y disponibilidad de literatura científica
especializada. Estas fuentes permitieron recuperar investigaciones relacionadas con inteligencia
artificial, aprendizaje automático basado en grafos y aplicaciones orientadas a la salud mental. La
búsqueda se limitó a artículos científicos originales, de acuerdo con los criterios de elegibilidad
establecidos. Los registros recuperados constituyeron la base documental para el posterior proceso de
selección y evaluación de los estudios.
La estrategia de búsqueda se estructuró mediante tres categorías conceptuales: aprendizaje
automático basado en grafos, detección temprana y salud mental. Se utilizaron términos en inglés,
operadores booleanos y truncamientos para identificar publicaciones relacionadas con las dimensiones
del estudio. Las consultas se realizaron en los campos de título, resumen y palabras clave, con
adaptaciones específicas a la sintaxis de cada base de datos. Las cadenas de búsqueda empleadas y el
número de registros recuperados se presentan en la tabla 1.
Tabla 1
Estrategia de búsqueda
Base de
datos
Cadena de búsqueda
Estudios
Scopus
TITLE-ABS-KEY("graph machine learning" OR "GraphML" OR "graph neural network*" OR
"GNN" OR "graph convolutional network*" OR "GCN" OR "graph attention network*" OR "GAT"
OR "GraphSAGE") AND TITLE-ABS-KEY("early detection" OR "early diagnosis" OR "risk
prediction" OR "predictive model*" OR "risk assessment" OR screening) AND TITLE-ABS-
KEY("mental health" OR depression OR anxiety OR stress OR suicid* OR "psychological disorder*"
OR "psychiatric disorder*" OR "mental disorder*" OR "mental illness" OR "emotional disorder*")
AND PUBYEAR > 2020 AND PUBYEAR < 2027 AND LIMIT-TO(DOCTYPE, "ar")
83
Web of
Science
TS=("graph machine learning" OR "graphql" OR "graph neural network*" OR "GNN" OR "graph
convolutional network*" OR "GCN" OR "graph attention network*" OR "GAT" OR "GraphSAGE")
AND TS=("early detection" OR "early diagnosis" OR "risk prediction" OR "predictive model*" OR
"risk assessment" OR screening) AND TS=("mental health" OR depression OR anxiety OR stress OR
suicid* OR "psychological disorder*" OR "psychiatric disorder*" OR "mental disorder*" OR "mental
illness" OR "emotional disorder*")
57
Total
140
Nota. Las cadenas se transcribieron a partir de la información proporcionada. En Web of Science se mantuvo el término "graphql" para no
alterar una estrategia cuya ejecución original no se ha comprobado. El filtro de tipo documental fue «Article» y debe verificarse que también
se aplicó el período 2021–2026. Los 140 resultados corresponden a registros recuperados antes de la eliminación de duplicados.
Esprint Investigación
https://rei.esprint.tech
Vol. 5 N° 2, julio-diciembre 2026 (529-547)
ISSN: 2960-8317
Jorge Edwin Delgado Altamirano, Ciro Rodriguez Rodriguez
533
Proceso de selección de estudios
El proceso de selección se desarrolló por etapas, de acuerdo con las recomendaciones de PRISMA 2020.
Inicialmente, los registros identificados en Scopus y Web of Science se exportaron y organizaron para
detectar y eliminar duplicados. Posteriormente, dos revisores examinaron de manera independiente
los títulos y resúmenes, aplicando los criterios de inclusión y exclusión establecidos. Los artículos
potencialmente elegibles se evaluaron mediante la lectura de sus textos completos para determinar su
incorporación definitiva a la revisión.
Durante la evaluación de elegibilidad, se verificó la relación de cada estudio con las aplicaciones de
GraphML y su pertinencia para la detección temprana de riesgos en salud mental. Se consideraron las
características metodológicas, la disponibilidad de resultados empíricos y la información presentada
sobre el desempeño de los modelos. Las discrepancias identificadas entre los dos revisores se
sometieron a la intervención de un tercer evaluador. La decisión final sobre la inclusión de los estudios
se estableció mediante consenso entre los evaluadores.
Evaluación del riesgo de sesgo
La evaluación del riesgo de sesgo se realizó mediante la herramienta Prediction Model Risk of Bias
Assessment Tool (PROBAST), aplicada a los estudios de desarrollo y validación de modelos predictivos.
Esta herramienta permitió examinar aspectos metodológicos relacionados con cuatro dominios:
participantes, predictores, resultados y análisis. La valoración consideró las características de las
poblaciones estudiadas, la selección de variables predictoras, la definición de los desenlaces y los
procedimientos estadísticos empleados. Los resultados de esta evaluación se utilizaron para
interpretar la solidez metodológica de la evidencia incluida en la revisión.
Extracción y síntesis de datos
La extracción de información se realizó mediante una matriz diseñada para organizar
sistemáticamente las características de los estudios incluidos. Se registraron el autor, año de
publicación, país, diseño metodológico, tamaño y características de la población, fuentes de datos,
trastornos o riesgos de salud mental y arquitecturas de GraphML utilizadas. También se recopilaron
las técnicas de preprocesamiento, los procedimientos de validación, las métricas de desempeño y los
principales resultados obtenidos. Finalmente, se incorporaron las limitaciones y conclusiones
relevantes para facilitar la comparación e interpretación de la evidencia.
Posteriormente, se desarrolló una síntesis narrativa orientada a describir, comparar e interpretar los
hallazgos de los estudios seleccionados. La información se organizó mediante categorías temáticas
relacionadas con las preguntas de investigación, considerando las arquitecturas de GraphML, los trastornos
y riesgos analizados, las métricas de desempeño y los enfoques de validación. También se examinaron las
limitaciones metodológicas y las dificultades reportadas para la aplicación de estos modelos en contextos de
salud mental. Esta organización permitió identificar tendencias y diferencias entre los estudios, así como
integrar la evidencia disponible sobre su potencial para la detección temprana de riesgos.
3. Resultados
El proceso de selección se desarrolló conforme a las directrices de PRISMA 2020. En la fase de
identificación se recuperaron 140 registros, de los cuales 83 procedieron de Scopus y 57 de Web of
Science. Tras eliminar 42 duplicados, se conservaron 98 registros para el cribado de títulos y
Esprint Investigación
https://rei.esprint.tech
Vol. 5 N° 2, julio-diciembre 2026 (529-547)
ISSN: 2960-8317
Jorge Edwin Delgado Altamirano, Ciro Rodriguez Rodriguez
534
resúmenes. De estos, 58 fueron excluidos por incumplir los criterios de elegibilidad, mientras que 40
se consideraron potencialmente relevantes.
De los 40 documentos seleccionados para recuperación, seis no pudieron obtenerse a texto
completo. En consecuencia, se evaluó la elegibilidad de 34 artículos, de los cuales siete fueron excluidos
por presentar un riesgo de sesgo alto, según la valoración metodológica reportada. Finalmente, 27
estudios se incorporaron a la síntesis cualitativa de la revisión sistemática. La Figura 1 presenta las
etapas de identificación, cribado, recuperación y selección, junto con el número de registros
correspondiente a cada fase.
Figura 1
Diagrama de flujo PRISMA
Evaluación del riesgo de sesgo
La evaluación metodológica comprendió 34 estudios potencialmente elegibles mediante la
herramienta PROBAST. Según la clasificación presentada en la revisión, 11 investigaciones fueron
consideradas de riesgo bajo, 16 de riesgo moderado y siete de riesgo alto. Estas últimas fueron
excluidas de la síntesis final, por lo que se conservaron 27 estudios para el análisis de los resultados.
Registros identificados desde:
Bases de datos (n = 2)
Scopus (n = 83)
Web of Science (n = 57)
Registros (n = 140)
Registros eliminados antes de la
evaluación:
Registros duplicados eliminados (n =
42)
Registros examinados
(n = 98)
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 = 58)
Estudios solicitados para
recuperación
(n = 40)
Estudios no recuperados
(n = 6)
Estudios evaluados para
elegibilidad
(n = 34)
Estudios excluidos:
Registros con alto riesgo de sesgo
(n = 7)
Estudios incluidos en la revisión
(n = 27)
Identificación de estudios a través de bases de datos y registros
Identifica
ción
Cribado
Inclusión
Esprint Investigación
https://rei.esprint.tech
Vol. 5 N° 2, julio-diciembre 2026 (529-547)
ISSN: 2960-8317
Jorge Edwin Delgado Altamirano, Ciro Rodriguez Rodriguez
535
La figura 2 presenta la distribución de las categorías reportadas y permite identificar la composición
metodológica de la evidencia seleccionada.
Figura 2
Evaluación del riesgo de sesgo mediante PROBAST
Arquitecturas GraphML y riesgos de salud mental abordados
Los 27 estudios incluidos examinaron diferentes arquitecturas de aprendizaje automático basado en
grafos aplicadas a problemas de clasificación, detección y predicción relacionados con la salud mental.
Las investigaciones utilizaron datos de neuroimagen, señales fisiológicas, registros clínicos,
información académica y plataformas digitales. Entre las arquitecturas identificadas destacaron las
redes convolucionales de grafos (GCN), las redes de atención de grafos (GAT), GraphSAGE y los
modelos híbridos. La tabla 2 presenta las características de los datos, los riesgos analizados, los
modelos utilizados y los principales resultados de cada investigación.
Tabla 2
Trastornos de salud mental y arquitecturas GraphML
Estudio
Riesgo o trastorno
Arquitectura
GraphML
Principal resultado reportado
Shi et al. (2025)
Ansiedad, depresión y estrés
PsyGraph-SSL
Superó los modelos comparativos en
precisión, F1 y AUC.
Mo et al. (2025)
Ansiedad
ASF-MDGNC
Exactitud del 93,48 % y AUC del 94,58 %.
Patro et al. (2026)
Estrés
Att-MSR-
GraphSAGE
Exactitud del 96,10 % y F1 del 94,21 %.
Chen et al. (2024)
Trastorno del espectro autista
DeepASD
Mejoras reportadas del 13,25 % en
exactitud y del 7,69 % en AUC.
Liu (2024)
Depresión
WGRNN
F1-micro del 67,6 % y F1-macro del 65,2 %.
He et al. (2024)
Depresión
DPD Net
Coeficiente de concordancia de 0,682.
Li et al. (2023)
Autismo, depresión y trastorno
bipolar
FSL-BrainNet
Mejoras de exactitud y AUC frente a los
modelos comparativos.
Fu et al. (2025)
Depresión
GAT
multimodal
MAE de 5,26 y CCC de 0,555.
Kanakala et al. (2025)
Diversos riesgos de salud
mental
MindFusionNet
Exactitud del 98,68 %.
Priyadarshana et al.
(2025)
Depresión y gravedad
depresiva
GEM
Mejoras reportadas en F1 y clasificación de
gravedad.
Liu et al. (2025)
Ideación suicida
GCN semántico
Superó varios clasificadores
convencionales.
Kim y Sohn (2022)
Depresión en adultos mayores
GAT
Identificación de anomalías conductuales.
Chen et al. (2026)
Depresión mayor y recurrente
MAF-GNN
Mejoras reportadas del 2,8 % y 4,1 % en
11
16
7
Bajo riesgo
Riesgo moderado
Alto Riesgo
0 2 4 6 8 10 12 14 16 18
Bajo riesgo Riesgo moderado Alto Riesgo
Esprint Investigación
https://rei.esprint.tech
Vol. 5 N° 2, julio-diciembre 2026 (529-547)
ISSN: 2960-8317
Jorge Edwin Delgado Altamirano, Ciro Rodriguez Rodriguez
536
exactitud.
Wang et al. (2026)
Depresión ansiosa y no ansiosa
MAMF-GCN
Exactitud del 98,12 % y AUC de 0,9867.
Polowczyk et al.
(2026)
Diversos trastornos mentales
Apriori-GAT y
BERT
Mejor rendimiento global frente a los
modelos individuales.
Kim et al. (2025)
Depresión mayor
MSGNN, GIN y
GAT
Precisión promedio reportada de 0,882 ±
0,021.
Jena et al. (2026)
Depresión, ansiedad y otros
riesgos
CNSGL
Exactitud de 0,925 y F1 de 0,923.
Liu et al. (2025)
Respuesta al tratamiento
antidepresivo
LGCIF-GNN
AUC de 0,78 en validación interna y 0,72
en externa.
Ibitoye et al. (2025)
Adicción digital, ansiedad y
depresión
GCN
Exactitud del 80,3 % y ROC-AUC de 0,89.
Yokotani et al. (2025)
Ansiedad social
GraphSAGE
F1 de 0,717.
Lin et al. (2025)
Crisis psicológica
GCN
Exactitud de 0,987; se reportaron
dificultades de sensibilidad.
Du (2023)
Riesgos psicológicos
estudiantiles
GCN espectral
Exactitud del 78,24 % y F1 de 0,5048.
Li et al. (2022)
Trastorno del espectro autista
TE-HI-GCN
Mejoras reportadas en exactitud y AUC.
Zhu et al. (2023)
Depresión mayor
DGCNN
Exactitud del 72,1 % y AUC de 0,788.
Cao et al. (2021)
Trastorno del espectro autista
DeepGCN
Exactitud del 73,7 %.
Zhou et al. (2025)
Depresión mayor
DGCN
Exactitud del 82,5 % y AUC de 0,869.
Kavitha y Shakkeera
(2026)
Estrés fisiológico y psicológico
2D-CNN-
GACL-ECGNet
F1 entre el 92,8 % y el 98,7 %, según el
conjunto de datos.
Nota. Se presenta una síntesis de los resultados declarados. Para la versión definitiva deben conservarse las características de los datos y los
tamaños muestrales, y verificarse las atribuciones bibliográficas de cada estudio.
Los resultados evidenciaron una presencia destacada de arquitecturas GCN y sus variantes, utilizadas
principalmente para analizar conectividad cerebral, datos multimodales y relaciones entre
características clínicas. Las arquitecturas GAT incorporaron mecanismos de atención para identificar
relaciones relevantes, mientras que GraphSAGE permitió representar interacciones entre usuarios y
estructuras de vecindad. También se identificaron modelos híbridos que combinaron grafos con
transformadores, mecanismos de atención y técnicas de aprendizaje multimodal. Estas diferencias
reflejaron la diversidad de enfoques utilizados para representar información relacional en problemas
de salud mental.
En cuanto a los trastornos estudiados, la depresión y sus diferentes manifestaciones constituyeron
el principal campo de aplicación de GraphML. También se identificaron investigaciones relacionadas
con ansiedad, estrés, ideación suicida, autolesión, trastorno bipolar y trastornos del neurodesarrollo.
Los modelos se aplicaron tanto a datos clínicos y neurobiológicos como a información conductual
obtenida mediante plataformas digitales. Esta distribución mostró una concentración de
investigaciones en problemas depresivos, acompañada de aplicaciones orientadas a otros riesgos
psicológicos y psiquiátricos.
Métricas de desempeño y enfoques de validación
Las investigaciones utilizaron diferentes indicadores para evaluar el desempeño de las arquitecturas
GraphML. Las métricas se organizaron en siete familias conceptuales, entre las que destacaron las
medidas de clasificación, las curvas ROC y precisión-recall, los indicadores de regresión y las medidas
de calibración. Según las frecuencias declaradas en el documento, las métricas de clasificación
estuvieron presentes en el 63 % de los estudios y las medidas basadas en curvas ROC/PR en el 59 %.
La tabla 3 resume las familias identificadas, sus principales indicadores y la frecuencia porcentual
reportada.
Esprint Investigación
https://rei.esprint.tech
Vol. 5 N° 2, julio-diciembre 2026 (529-547)
ISSN: 2960-8317
Jorge Edwin Delgado Altamirano, Ciro Rodriguez Rodriguez
537
Tabla 3
Métricas de desempeño
Familia conceptual
Métricas específicas
Frecuencia
reportada
Clasificación binaria y
multiclase
Accuracy, precision, recall, F1-score, sensibilidad y
especificidad
63 %
Curvas ROC/PR
AUC y AUPRC
59 %
Regresión y variables continuas
MAE, RMSE, CCC y R²
15 %
Correlación y acuerdo
Kappa, MCC y balanced accuracy
11 %
Ranking y recuperación
Hits@k, MR, MRR y Top-N
11 %
Calibración
Brier score, ECE y log loss
7 %
Otros indicadores
G-mean, FPR y AVP
7 %
Nota. Se conservaron los porcentajes declarados originalmente. Antes de publicar, deben verificarse las frecuencias absolutas sobre los 27
estudios. Las categorías no son mutuamente excluyentes.
Las métricas de exactitud, precisión, sensibilidad y F1 constituyeron indicadores frecuentes para evaluar
la capacidad de clasificación de los modelos. Por su parte, el AUC permitió examinar la discriminación
entre categorías, mientras que los indicadores de regresión se utilizaron en estudios orientados a estimar
variables continuas. Las medidas de calibración y otros indicadores especializados presentaron una
menor frecuencia de uso. La diversidad de métricas dificultó la comparación directa entre modelos
evaluados con poblaciones, conjuntos de datos y procedimientos metodológicos diferentes.
Las estrategias de validación incluyeron procedimientos de validación cruzada, particiones de
entrenamiento y prueba, evaluación externa y experimentos complementarios de generalización. Estas
técnicas se emplearon para estimar el desempeño predictivo de las arquitecturas y examinar su
comportamiento frente a diferentes configuraciones de datos. También se identificaron investigaciones
que utilizaron estudios de ablación, optimización de hiperparámetros y comparaciones con modelos de
referencia. La tabla 4 presenta las estrategias identificadas y los estudios asociados a cada procedimiento.
Tabla 4
Estrategias de validación
Estrategia
Características
Estudios reportados
Validación cruzada estratificada de
10 pliegues
Conservó las proporciones de las clases durante las
particiones.
Chen et al. (2026); Wang et al. (2026); Kim et
al. (2025); Cao et al. (2021); Zhou et al. (2025).
Validación cruzada de 10 pliegues
Utilizó diez particiones rotativas para
entrenamiento y evaluación.
Li et al. (2023); Polowczyk et al. (2026); Lin et
al. (2025); Zhu et al. (2023).
Validación cruzada de 5 pliegues
Aplicó cinco particiones rotativas.
He et al. (2024); Kanakala et al. (2025); Chen
et al. (2026).
Entrenamiento, validación y
prueba
Separó los datos para ajustar y evaluar los modelos.
Patro et al. (2026); He et al. (2024); Fu et al.
(2025).
División entrenamiento-prueba
Empleó subconjuntos independientes para
entrenamiento y evaluación.
Mo et al. (2025); Liu et al. (2025); Du (2023);
Jena et al. (2026).
Validación interna y externa
Evaluó el desempeño con datos internos y externos.
Liu et al. (2025).
Leave-One-Site-Out
Evaluó la generalización utilizando centros
excluidos del entrenamiento.
Kim et al. (2025); Zhou et al. (2025).
Generalización y ablación
Examinó el aporte de componentes y
configuraciones del modelo.
Patro et al. (2026); Li et al. (2023); Kavitha y
Shakkeera (2026).
Optimización de hiperparámetros
Ajustó parámetros y configuraciones del modelo.
Jena et al. (2026); Yokotani et al. (2025).
Evaluación comparativa
Contrastó los resultados con modelos de referencia.
Chen et al. (2026); Kim y Sohn (2022);
Kavitha y Shakkeera (2026).
Sin validación claramente
especificada
No se identificó una descripción suficiente del
procedimiento.
Shi et al. (2025); Liu (2024); Ibitoye et al.
(2025).
Nota. Se eliminaron referencias repetidas dentro de una misma categoría. Un estudio pudo utilizar varias estrategias, por lo que las
categorías no fueron excluyentes. Las atribuciones deben comprobarse con los artículos originales.
Esprint Investigación
https://rei.esprint.tech
Vol. 5 N° 2, julio-diciembre 2026 (529-547)
ISSN: 2960-8317
Jorge Edwin Delgado Altamirano, Ciro Rodriguez Rodriguez
538
Los resultados mostraron una variedad de procedimientos para estimar el desempeño de los modelos
GraphML. La validación cruzada y las particiones independientes de entrenamiento y prueba se
identificaron entre las estrategias utilizadas, mientras que algunos estudios incorporaron evaluaciones
multicéntricas o conjuntos externos. Los experimentos de ablación permitieron examinar componentes
específicos de las arquitecturas, aunque no sustituyeron la validación predictiva independiente. Estas
diferencias metodológicas deben considerarse al interpretar la capacidad de generalización y la posible
aplicabilidad clínica de los resultados.
Principales limitaciones para la aplicación de GraphML en salud mental
Las investigaciones incluidas reportaron limitaciones relacionadas con la disponibilidad de datos, la
construcción de los grafos, la interpretabilidad de los modelos y los procedimientos de validación.
Estas dificultades se agruparon en siete categorías temáticas para facilitar su análisis y comparación.
Las limitaciones identificadas comprendieron aspectos metodológicos, tecnológicos y clínicos que
condicionaron la interpretación del desempeño de las arquitecturas. La tabla 5 presenta cada categoría,
sus principales características y sus implicaciones para la aplicación de GraphML en salud mental.
Tabla 5
Limitaciones de los modelos GraphML
Limitación
Descripción
Implicaciones
Generalización externa
limitada
El desempeño obtenido en determinados conjuntos de
datos no necesariamente se mantuvo en otras poblaciones.
Restringió la transferibilidad de los modelos
a contextos clínicos diferentes.
Tamaño muestral y
representatividad
Se identificaron muestras pequeñas, poblaciones
específicas y desequilibrios entre clases.
Incrementaron el riesgo de sobreajuste y
dificultaron la detección de casos
minoritarios.
Dependencia de datos
multimodales
Algunos modelos necesitaron integrar simultáneamente
neuroimágenes, texto, señales fisiológicas o información
conductual.
Las modalidades ausentes, incompletas o
ruidosas pudieron afectar su
funcionamiento.
Interpretabilidad limitada
Determinadas arquitecturas presentaron dificultades para
explicar las variables y relaciones asociadas con sus
predicciones.
Limitaron la comprensión y evaluación
clínica de las decisiones automatizadas.
Complejidad
computacional
Los modelos incorporaron múltiples capas, mecanismos de
atención y procedimientos de fusión.
Incrementaron los requisitos
computacionales y las necesidades de
infraestructura.
Sensibilidad a la
construcción del grafo
El rendimiento dependió de la definición de nodos, aristas,
umbrales y relaciones de conectividad.
Introdujo variabilidad metodológica y
dificultades de reproducción.
Limitaciones clínicas,
éticas y regulatorias
Se identificaron restricciones relacionadas con la validación
clínica y el tratamiento de información sensible.
Condicionaron las posibilidades de
implementación en entornos asistenciales.
Nota. Las categorías se sintetizaron a partir de la información proporcionada. Las referencias correspondientes deben reincorporarse tras
verificar su concordancia con los 27 estudios incluidos.
La generalización externa limitada y las características de los conjuntos de datos constituyeron
obstáculos relevantes para interpretar los resultados de los modelos. Las muestras reducidas, el
desequilibrio entre categorías y la heterogeneidad de las fuentes de información condicionaron las
evaluaciones predictivas. Por otra parte, la construcción de grafos y la selección de relaciones entre
nodos introdujeron diferencias metodológicas entre investigaciones. Estas condiciones dificultaron la
comparación directa del desempeño y la extrapolación de resultados a poblaciones distintas de las
utilizadas durante el desarrollo de los modelos.
Las limitaciones tecnológicas estuvieron relacionadas con la complejidad computacional, la
integración de múltiples fuentes y las dificultades de interpretación de determinadas arquitecturas. En
el ámbito clínico, las investigaciones identificaron desafíos relacionados con la validación
Esprint Investigación
https://rei.esprint.tech
Vol. 5 N° 2, julio-diciembre 2026 (529-547)
ISSN: 2960-8317
Jorge Edwin Delgado Altamirano, Ciro Rodriguez Rodriguez
539
independiente, la explicación de las predicciones y la utilización de información sensible. Estos factores
evidenciaron diferencias entre el rendimiento obtenido durante la experimentación y las condiciones
necesarias para su aplicación asistencial. En conjunto, los resultados permitieron reconocer los
principales aspectos metodológicos y técnicos que condicionaron el uso de GraphML en la detección
temprana de riesgos en salud mental.
4. Discusión
La presente revisión sistemática permitió sintetizar y analizar la evidencia científica sobre la aplicación
de Graph Machine Learning (GraphML) en la detección temprana de riesgos en salud mental. Los
resultados evidenciaron un predominio de arquitecturas basadas en GCN, GAT y modelos híbridos
multimodales, aplicados principalmente a la depresión, ansiedad, estrés e ideación suicida. Estas
arquitecturas mostraron resultados predictivos favorables mediante indicadores como exactitud, F1-
score y AUC, especialmente en investigaciones que integraron diferentes fuentes de información. Sin
embargo, las diferencias entre poblaciones, conjuntos de datos y procedimientos de validación
impidieron establecer la superioridad general de una arquitectura sobre las demás.
Los hallazgos coincidieron con investigaciones que destacaron el avance de las redes neuronales
basadas en grafos en aplicaciones biomédicas y de salud mental. Vaida y Huang (2026) señalaron que
estas arquitecturas favorecieron la integración de información clínica multimodal mediante la
representación de relaciones complejas entre pacientes, síntomas, biomarcadores y factores
contextuales. Esta perspectiva fue consistente con los estudios analizados, en los que la combinación
de neuroimágenes, señales fisiológicas, textos y datos conductuales permitió representar diferentes
dimensiones de los problemas de salud mental. En consecuencia, el principal aporte de GraphML se
relacionó con su capacidad para integrar información heterogénea y modelar dependencias que
podrían resultar difíciles de representar mediante enfoques convencionales.
En relación con los trastornos abordados, se identificó una concentración de investigaciones
orientadas a la depresión, seguida de aplicaciones relacionadas con ansiedad, estrés y otros riesgos
psicológicos. Fisher et al. (2026) destacaron las aplicaciones del procesamiento del lenguaje natural y
el aprendizaje automático en la detección de indicadores asociados con la depresión. Por su parte,
Pinge et al. (2024) identificaron el potencial de los dispositivos portátiles y sensores fisiológicos para la
detección y el monitoreo del estrés. Estos antecedentes coincidieron con la diversidad de fuentes de
información encontrada en la revisión y evidenciaron que las aplicaciones de GraphML se extendieron
desde el análisis de señales fisiológicas hasta la identificación de patrones conductuales y lingüísticos
relacionados con la salud mental.
El análisis de las métricas de desempeño evidenció una utilización frecuente de indicadores de
clasificación, principalmente exactitud, sensibilidad, precisión, F1-score y AUC, lo que reflejó el
predominio de modelos orientados a diferenciar categorías diagnósticas o niveles de riesgo. No
obstante, los resultados obtenidos en diferentes investigaciones no fueron directamente comparables
debido a las variaciones en el tamaño muestral, la distribución de clases y las características de los
conjuntos de datos. La menor presencia de indicadores de calibración limitó la información disponible
sobre la correspondencia entre las probabilidades predichas y los riesgos observados. Por tanto, la
interpretación del rendimiento predictivo requirió considerar tanto la capacidad discriminativa de los
modelos como las condiciones metodológicas utilizadas para evaluarlos.
Otro hallazgo relevante fue la incorporación de mecanismos de explicabilidad y modelado de
relaciones causales en determinadas arquitecturas GraphML. Chan et al. (2025) identificaron
Esprint Investigación
https://rei.esprint.tech
Vol. 5 N° 2, julio-diciembre 2026 (529-547)
ISSN: 2960-8317
Jorge Edwin Delgado Altamirano, Ciro Rodriguez Rodriguez
540
variabilidad en los biomarcadores neurofuncionales asociados con trastornos psiquiátricos, lo que
evidenció desafíos para establecer patrones reproducibles mediante redes neuronales basadas en
grafos. Por su parte, Moser et al. (2024) examinaron estrategias de aprendizaje profundo explicable
aplicadas a la detección del estrés mediante sensores portátiles. Estos aportes permitieron reconocer
que la interpretabilidad constituye una dimensión relevante del desarrollo de modelos predictivos,
especialmente cuando sus resultados se utilizan para identificar factores asociados con alteraciones
psicológicas o fundamentar decisiones clínicas.
En cuanto a los procedimientos de validación, los estudios incluidos utilizaron principalmente
validación cruzada y particiones de entrenamiento y prueba, mientras que la evaluación con conjuntos
de datos externos fue menos frecuente. Esta distribución evidenció que una parte importante del
desempeño reportado procedió de evaluaciones internas, cuyas condiciones no necesariamente
reprodujeron la variabilidad existente en contextos asistenciales. Aunque algunos modelos
incorporaron validaciones multicéntricas y experimentos de generalización, persistieron diferencias en
los criterios empleados para evaluar su estabilidad. En este sentido, la validación externa representó
un elemento fundamental para interpretar la capacidad de transferencia de las arquitecturas GraphML
entre poblaciones, instituciones y escenarios clínicos.
Los resultados también permitieron identificar limitaciones metodológicas y éticas relacionadas con
la implementación de inteligencia artificial en salud mental. Vidal et al. (2025) señalaron que los
sistemas de inteligencia artificial podían reproducir sesgos asociados con datos desequilibrados y
poblaciones insuficientemente representadas, comprometiendo la equidad de sus predicciones. Por su
parte, Ali et al. (2023) identificaron desafíos generales vinculados con la calidad de los datos, la
transparencia y la implementación de herramientas de inteligencia artificial en el sector sanitario. Estas
observaciones coincidieron con las limitaciones encontradas en la revisión, particularmente la
generalización externa restringida, la dependencia de datos multimodales y la sensibilidad del
desempeño a los procedimientos utilizados para construir los grafos.
La revisión evidenció que la construcción del grafo constituyó un componente metodológico
determinante, debido a que la selección de nodos, aristas, umbrales de similitud y mecanismos de
conectividad influyó en la representación de las relaciones analizadas. Estas decisiones condicionaron la
información disponible para el aprendizaje y pudieron generar diferencias entre modelos desarrollados
con fuentes de datos semejantes. De igual manera, las arquitecturas que integraron mecanismos de
atención, múltiples capas o información multimodal presentaron mayores exigencias de procesamiento
y configuración. Por consiguiente, la complejidad arquitectónica debió interpretarse conjuntamente con
los beneficios predictivos reportados y las condiciones necesarias para reproducir los resultados.
La presente revisión presentó limitaciones que debieron considerarse al interpretar sus hallazgos. La
búsqueda bibliográfica se restringió a Scopus y Web of Science, por lo que pudieron omitirse
investigaciones disponibles en otras fuentes de información científica. La heterogeneidad de los diseños,
poblaciones, arquitecturas y métricas dificultó la comparación directa de los resultados, mientras que la
disponibilidad limitada de validaciones externas restringió las conclusiones sobre aplicabilidad clínica.
Además, la información incompleta sobre calibración, procedimientos de validación y explicabilidad en
determinados estudios condicionó la evaluación conjunta de su solidez metodológica.
A partir de los hallazgos identificados, futuras investigaciones podrían profundizar en el desarrollo
y evaluación de grafos dinámicos capaces de representar cambios temporales en síntomas,
comportamientos y factores psicosociales. También resultó pertinente fortalecer la validación externa,
la transparencia en la construcción de grafos y la evaluación de indicadores clínicamente
Esprint Investigación
https://rei.esprint.tech
Vol. 5 N° 2, julio-diciembre 2026 (529-547)
ISSN: 2960-8317
Jorge Edwin Delgado Altamirano, Ciro Rodriguez Rodriguez
541
interpretables. En aplicaciones relacionadas con ideación suicida, monitoreo conductual y análisis de
información digital, se reconoció la importancia de considerar la privacidad, la protección de datos y
los posibles sesgos algorítmicos. Estas líneas de investigación permitirían profundizar en la evaluación
de GraphML como herramienta complementaria para la detección temprana y el apoyo a la toma de
decisiones en salud mental.
5. Conclusiones
La presente revisión sistemática evidenció que las arquitecturas basadas en GCN y sus variantes fueron
las más utilizadas para la detección temprana de riesgos en salud mental, seguidas de GAT, GraphSAGE
y modelos híbridos multimodales. Estas tecnologías permitieron representar relaciones complejas entre
variables clínicas, conductuales, fisiológicas y contextuales, favoreciendo la identificación de patrones
asociados con diferentes condiciones psicológicas. Sus aplicaciones se concentraron principalmente en
depresión, ansiedad, estrés e ideación suicida, con menor presencia de investigaciones relacionadas con
trastornos del espectro autista, trastorno bipolar y aislamiento social.
Los modelos analizados presentaron resultados predictivos favorables, evaluados principalmente
mediante exactitud, F1-score y AUC, complementados con sensibilidad, especificidad y, en menor
proporción, indicadores de regresión y calibración. Las estrategias de evaluación más utilizadas
comprendieron validación cruzada y divisiones de entrenamiento y prueba, mientras que la validación
externa multicéntrica fue menos frecuente. Aunque los resultados evidenciaron el potencial de
GraphML para identificar patrones relacionados con riesgos en salud mental, la heterogeneidad de las
métricas, poblaciones y procedimientos de validación limitó la comparación directa entre arquitecturas
y la interpretación de su aplicabilidad clínica.
Las principales limitaciones identificadas comprendieron la escasa validación externa, los tamaños
muestrales reducidos, el desequilibrio entre clases, la dependencia de información multimodal y las
dificultades de interpretabilidad de determinadas arquitecturas. Estos factores condicionaron la
generalización de los resultados y evidenciaron diferencias entre el desempeño experimental y las
exigencias de su aplicación en entornos asistenciales. En consecuencia, la consolidación de GraphML
como herramienta complementaria para la detección temprana de riesgos en salud mental requiere
fortalecer la validación prospectiva y multicéntrica, la explicabilidad de los modelos y la
estandarización de procedimientos metodológicos reproducibles, considerando también la protección
de datos y las implicaciones éticas de su utilización.
Esprint Investigación
https://rei.esprint.tech
Vol. 5 N° 2, julio-diciembre 2026 (529-547)
ISSN: 2960-8317
Jorge Edwin Delgado Altamirano, Ciro Rodriguez Rodriguez
542
Referencias
Ali, O., Abdelbaki, W., Shrestha, A., Elbasi, E., Alryalat, M., & Dwivedi, Y. (2023). A systematic
literature review of artificial intelligence in the healthcare sector: Benefits, challenges,
methodologies, and functionalities. Journal of Innovation & Knowledge, 8(1), 100333.
https://doi.org/10.1016/j.jik.2023.100333
Boll, H., Amirahmadi, A., Ghazani, M., de Morais, W., de Freitas, E., Soliman, A., Etminani, F., Byttner,
S., & Recamonde-Mendoza, M. (2024). Graph neural networks for clinical risk prediction based
on electronic health records: A survey. Journal of Biomedical Informatics, 151, 104616.
https://doi.org/10.1016/j.jbi.2024.104616
Bollen, J., ten Thij, M., Lorenzo-Luaces, L., & Rutter, L. (2022). Beyond risk: Individual mental health
trajectories from large-scale social media data. In F. Crestani, D. E. Losada, & J. Parapar (Eds.),
Early detection of mental health disorders by social media monitoring: The first five years of the eRisk
project (pp. 265–287). Springer International Publishing. https://doi.org/10.1007/978-3-031-
04431-1_12
Cao, M., Yang, M., Qin, C., Zhu, X., Chen, Y., Wang, J., & Liu, T. (2021). Using DeepGCN to identify
the autism spectrum disorder from multi-site resting-state data. Biomedical Signal Processing and
Control, 70, 103015. https://doi.org/10.1016/j.bspc.2021.103015
Chan, Y. H., Girish, D., Gupta, S., Xia, J., Kasi, C., He, Y., Wang, C., & Rajapakse, J. C. (2025).
Discovering robust biomarkers of psychiatric disorders from resting-state functional MRI via
graph neural networks: A systematic review. NeuroImage, 319, 121422.
https://doi.org/10.1016/j.neuroimage.2025.121422
Chen, W., Yang, J., Sun, Z., Zhang, X., Tao, G., Ding, Y., Gu, J., Bu, J., & Wang, H. (2024). DeepASD: A
deep adversarial-regularized graph learning method for ASD diagnosis with multimodal data.
Translational Psychiatry, 14(1), 375. https://doi.org/10.1038/s41398-024-02972-2
Chen, Z., Wu, J., Pu, L., Li, S., Zhang, Y., Yao, D., & Yan, H. (2026). MAF-GNN: Graph neural network-
based multi-atlas brain functional information fusion for major depressive disorder diagnosis
with rs-fMRI. Information Processing & Management, 63(3), 104524.
https://doi.org/10.1016/j.ipm.2025.104524
Cripps, R., Hayes, J., Pitman, A., Osborn, D., & Werbeloff, N. (2020). Characteristics and risk of repeat
suicidal ideation and self-harm in patients who present to emergency departments with
suicidal ideation or self-harm: A prospective cohort study. Journal of Affective Disorders, 273,
358–363. https://doi.org/10.1016/j.jad.2020.03.130
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
Dong, G., Tang, M., Cai, L., Barnes, L., & Boukhechba, M. (2021). Semi-supervised graph instance
transformer for mental health inference. In 2021 20th IEEE International Conference on Machine
Learning and Applications (ICMLA) (pp. 1221–1228). IEEE.
https://doi.org/10.1109/ICMLA52953.2021.00198
Du, Z. (2024). Research on the synergistic nurturing mechanism of ideological work and student
Esprint Investigación
https://rei.esprint.tech
Vol. 5 N° 2, julio-diciembre 2026 (529-547)
ISSN: 2960-8317
Jorge Edwin Delgado Altamirano, Ciro Rodriguez Rodriguez
543
management in colleges and universities under the binary structure. Applied Mathematics and
Nonlinear Sciences, 9(1), 1–18. https://doi.org/10.2478/amns.2023.2.01485
Fisher, H., Jaffe, N., Pidvirny, K., Tierney, A., Vaidean, M., Dongre, P., & Webb, C. (2026). Language-
based detection of depression with machine learning: Systematic review and meta-analysis. npj
Digital Medicine, 9(1), 273. https://doi.org/10.1038/s41746-026-02448-1
Fu, C., Qian, F., Su, Y., Su, K., Song, S., Niu, M., Shi, J., Liu, Z., Liu, C., Ishi, C., & Ishiguro, H. (2025).
Facial action units guided graph representation learning for multimodal depression detection.
Neurocomputing, 619, 129106. https://doi.org/10.1016/j.neucom.2024.129106
He, M., Bakker, E., & Lew, M. (2024). DPD (DePression Detection) Net: A deep neural network for
multimodal depression detection. Health Information Science and Systems, 12(1), 53.
https://doi.org/10.1007/s13755-024-00311-9
Ibitoye, A., Ravindran, S., Afe, O., & Abiodun, A. (2025). Predicting digital addiction patterns with
machine learning for personalised mental health support. Journal of Social Computing, 6(4), 359–
377. https://doi.org/10.23919/JSC.2025.0020
Jena, M., Khan, N., Lee, M., & Rho, S. (2026). Neuro-symbolic graph learning for causal inference and
continual learning in mental-health risk assessment. Computer Modeling in Engineering &
Sciences, 146(1), 44. https://doi.org/10.32604/cmes.2025.075119
Jiang, D. (2026). Predicting student mental health through entropy-based features and interpretable
cross-attention transformer networks. PLOS ONE, 21(4), e0347294.
https://doi.org/10.1371/journal.pone.0347294
Kanakala, S., Prashanthi, V., Chinnaiah, V., Sharada, K., & Sumalatha, M. (2025). FMindMonitorAI: An
AI-driven framework for social media-based mental health analysis using MindFusionNet.
International Research Journal of Multidisciplinary Scope, 6(3), 1587–1610.
https://doi.org/10.47857/irjms.2025.v06i03.04620
Kavitha, P., & Shakkeera, L. (2026). 2D-CNN-GACL-ECGNet graph attention: A robust framework for
electrocardiogram-based stress detection. IAES International Journal of Artificial Intelligence (IJ-
AI), 15(2), 1529–1538. https://doi.org/10.11591/ijai.v15.i2.pp1529-1538
Kim, J., & Sohn, M. (2022). Graph representation learning-based early depression detection framework
in smart home environments. Sensors, 22(4), 1545. https://doi.org/10.3390/s22041545
Kim, S., Bong, S., Yun, S., Kim, D., Yoo, J., Choi, K., Park, H., Jeon, H., Kim, J., Jang, J., & Jeong, B.
(2025). Neurobiologically interpretable causal connectome for predicting young adult
depression: A graph neural network study. Journal of Affective Disorders, 377, 225–234.
https://doi.org/10.1016/j.jad.2025.02.076
Knipe, D., Padmanathan, P., Newton-Howes, G., Chan, L., & Kapur, N. (2022). Suicide and self-harm.
The Lancet, 399(10338), 1903–1916. https://doi.org/10.1016/S0140-6736(22)00173-8
Li, L., Jiang, H., Wen, G., Cao, P., Xu, M., Liu, X., Yang, J., & Zaiane, O. (2022). TE-HI-GCN: An
ensemble of transfer hierarchical graph convolutional networks for disorder diagnosis.
Neuroinformatics, 20(2), 353–375. https://doi.org/10.1007/s12021-021-09548-1
Li, L., Wen, G., Cao, P., Liu, X., Zaiane, O. R., & Yang, J. (2023). Exploring interpretable graph
convolutional networks for autism spectrum disorder diagnosis. International Journal of
Computer Assisted Radiology and Surgery, 18(4), 663–673. https://doi.org/10.1007/s11548-022-
Esprint Investigación
https://rei.esprint.tech
Vol. 5 N° 2, julio-diciembre 2026 (529-547)
ISSN: 2960-8317
Jorge Edwin Delgado Altamirano, Ciro Rodriguez Rodriguez
544
02780-3
Lin, J., Tian, J., Wang, T., Li, D., & Jiang, X. (2025). Psychological crisis detection based on behavioral
data: A new approach to non-contact measurement. BMC Psychology, 13(1), 1355.
https://doi.org/10.1186/s40359-025-03604-0
Liu, R., Hou, X., Liu, S., Zhou, Y., Zhou, J., Qiao, K., Qi, H., Li, R., Yang, Z., Zhang, L., Cui, J., Jin, C.,
Yu, A., & Wang, G. (2025). Predicting antidepressant response via local-global graph neural
network and neuroimaging biomarkers. npj Digital Medicine, 8(1), 515.
https://doi.org/10.1038/s41746-025-01912-8
Liu, Y. (2024). Depression detection via a Chinese social media platform: A novel causal relation-aware
deep learning approach. The Journal of Supercomputing, 80(8), 10327–10356.
https://doi.org/10.1007/s11227-023-05830-y
Liu, Y., Zheng, J., Zeng, Y., Luo, F., & Tian, X. (2025). Graph learning based suicidal ideation detection
via tree-drawing test. Frontiers in Psychiatry, 16, 1617650.
https://doi.org/10.3389/fpsyt.2025.1617650
Mansoor, M., & Ansari, K. (2024). Early detection of mental health crises through artificial-intelligence-
powered social media analysis: A prospective observational study. Journal of Personalized
Medicine, 14(9), 958. https://doi.org/10.3390/jpm14090958
Mo, H., Wu, H., Rong, Q., Hu, Z., Yi, M., & Chen, P. (2025). An anxiety screening framework integrating
multimodal data and graph node correlation. Artificial Intelligence in Medicine, 167, 103189.
https://doi.org/10.1016/j.artmed.2025.103189
Moser, M., Ehrhart, M., & Resch, B. (2024). An explainable deep learning approach for stress detection
in wearable sensor measurements. Sensors, 24(16), 5085. https://doi.org/10.3390/s24165085
Nordin, N., Zainol, Z., Mohd Noor, M., & Chan, L. (2022). Suicidal behaviour prediction models using
machine learning techniques: A systematic review. Artificial Intelligence in Medicine, 132, 102395.
https://doi.org/10.1016/j.artmed.2022.102395
Okesanya, O., Oso, T., Hassan, M., Adebayo, U., Vandy, A., Othman, Z., Ali, I., Ahmed, M., Musa, S.,
Eshun, G., & Lucero-Prisno, D., III. (2026). Applications of artificial intelligence and machine
learning in the diagnosis and management of major depressive disorder: A systematic review.
The Egyptian Journal of Neurology, Psychiatry and Neurosurgery, 62(1), 89.
https://doi.org/10.1186/s41983-026-01156-7
Page, M., McKenzie, J., Bossuyt, P., Boutron, I., Hoffmann, T., Mulrow, C., Shamseer, L., Tetzlaff, J.,
Akl, E., Brennan, S., Chou, R., Glanville, J., Grimshaw, J., Hróbjartsson, A., Lalu, M., Li, T.,
Loder, E., Mayo-Wilson, E., McDonald, S., … Moher, D. (2021). The PRISMA 2020 statement:
An updated guideline for reporting systematic reviews. BMJ, 372, n71.
https://doi.org/10.1136/bmj.n71
Park, Y., Park, S., & Lee, M. (2024). Effectiveness of artificial intelligence in detecting and managing
depressive disorders: Systematic review. Journal of Affective Disorders, 361, 445–456.
https://doi.org/10.1016/j.jad.2024.06.035
Patro, K., Routray, S., Madan Kumar, C., Kranthi Kumar, L., Rao, M., & Kottala, R. (2026). Att-MSR-
GraphSAGE: An attention-guided multi-scale residual graph neural network for human-
centric stress-factor modeling. IEEE Access, 14, 37435–37450.
https://doi.org/10.1109/ACCESS.2026.3671315
Esprint Investigación
https://rei.esprint.tech
Vol. 5 N° 2, julio-diciembre 2026 (529-547)
ISSN: 2960-8317
Jorge Edwin Delgado Altamirano, Ciro Rodriguez Rodriguez
545
Paul, S., Saha, A., Hasan, M., Noori, S., & Moustafa, A. (2024). A systematic review of graph neural
network in healthcare-based applications: Recent advances, trends, and future directions. IEEE
Access, 12, 15145–15170. https://doi.org/10.1109/ACCESS.2024.3354809
Pigoni, A., Delvecchio, G., Turtulici, N., Madonna, D., Pietrini, P., Cecchetti, L., & Brambilla, P. (2024).
Machine learning and the prediction of suicide in psychiatric populations: A systematic review.
Translational Psychiatry, 14(1), 140. https://doi.org/10.1038/s41398-024-02852-9
Pinge, A., Gad, V., Jaisighani, D., Ghosh, S., & Sen, S. (2024). Detection and monitoring of stress using
wearables: A systematic review. Frontiers in Computer Science, 6, 1478851.
https://doi.org/10.3389/fcomp.2024.1478851
Polowczyk, A., Polowczyk, A., & Woźniak, M. (2026). Mental illness text classification based on late
fusion combining BERT with Apriori-informed graph attention network. Computer Standards &
Interfaces, 98, 104157. https://doi.org/10.1016/j.csi.2026.104157
Priyadarshana, Y., Liang, Z., & Piumarta, I. (2025). GEM: Graph attention encoder for multi-task
depression severity detection in multi-party conversations. Social Network Analysis and Mining,
15(1), 76. https://doi.org/10.1007/s13278-025-01495-y
Razavi, M., Ziyadidegan, S., Mahmoudzadeh, A., Kazeminasab, S., Baharlouei, E., Janfaza, V., Jahromi,
R., & Sasangohar, F. (2024). Machine learning, deep learning, and data preprocessing
techniques for detecting, predicting, and monitoring stress and stress-related mental disorders:
Scoping review. JMIR Mental Health, 11, e53714. https://doi.org/10.2196/53714
Ruan, Y., Liang, H., Yamamoto, S., & Lin, S. (2026). Machine learning in mental health promotion for
older adults: A scoping review. BMC Geriatrics, 26, 821. https://doi.org/10.1186/s12877-026-
07543-2
Shi, X., Pan, J., Yuan, D., Li, M., & Pan, Y. (2025). Advanced data analysis and prediction model for
student mental health risk assessment. Frontiers in Psychology, 16, 1682083.
https://doi.org/10.3389/fpsyg.2025.1682083
Vaida, M., & Huang, Z. (2026). Multimodal graph neural networks in healthcare: A review of fusion
strategies across biomedical domains. Frontiers in Artificial Intelligence, 8, 1716706.
https://doi.org/10.3389/frai.2025.1716706
Vidal, J., Iglesias, C., & Montenegro, I. (2025). Sesgos en la inteligencia artificial en el sector salud: Una
revisión sistemática en el contexto iberoamericano. Revista Iberoamericana de la Propiedad
Intelectual, (22), 123–154. https://doi.org/10.26422/RIPI.2025.2200.bar
Wang, S., Zhang, J., Zhang, R., Li, Z., Zhang, C., Zhao, Z., Pang, T., Gao, Z., Wang, Z., Yu, Y., Ren, W.,
& Wang, C. (2026). MAMF-GCN model for anxious and non-anxious depression classification
and neuroimaging marker recognition. International Journal of Psychophysiology, 219, 113301.
https://doi.org/10.1016/j.ijpsycho.2025.113301
Weber, M. (2025). Geometric machine learning. AI Magazine, 46(1), e12210.
https://doi.org/10.1002/aaai.12210
Yokotani, K., Takano, M., Abe, N., & Kato, T. (2025). Predicting social anxiety disorder based on
communication logs and social network data from a massively multiplayer online game: Using
a graph neural network. Psychiatry and Clinical Neurosciences, 79(5), 274–281.
https://doi.org/10.1111/pcn.13804
Esprint Investigación
https://rei.esprint.tech
Vol. 5 N° 2, julio-diciembre 2026 (529-547)
ISSN: 2960-8317
Jorge Edwin Delgado Altamirano, Ciro Rodriguez Rodriguez
546
Zhou, J., Cui, G., Hu, S., Zhang, Z., Yang, C., Liu, Z., Wang, L., Li, C., & Sun, M. (2020). Graph neural
networks: A review of methods and applications. AI Open, 1, 57–81.
https://doi.org/10.1016/j.aiopen.2021.01.001
Zhou, N., Yuan, Z., Zhou, H., Lyu, D., Wang, F., Wang, M., Lu, Z., Huang, Q., Chen, Y., Huang, H.,
Cao, T., Wu, C., Yang, W., & Hong, W. (2025). Using dynamic graph convolutional network to
identify individuals with major depression disorder. Journal of Affective Disorders, 371, 188–195.
https://doi.org/10.1016/j.jad.2024.11.035
Zhu, M., Quan, Y., & He, X. (2023). The classification of brain network for major depressive disorder
patients based on deep graph convolutional neural network. Frontiers in Human Neuroscience,
17, 1094592. https://doi.org/10.3389/fnhum.2023.1094592
Esprint Investigación
https://rei.esprint.tech
Vol. 5 N° 2, julio-diciembre 2026 (529-547)
ISSN: 2960-8317
Jorge Edwin Delgado Altamirano, Ciro Rodriguez Rodriguez
547
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
Jorge Edwin Delgado Altamirano: Conceptualización, metodología, software, análisis formal,
investigación, gestión de datos, visualización, redacción - preparación del borrador original, redacción
- revisión y edición, financiamiento, recursos,
Ciro Rodriguez Rodriguez: Validación, análisis formal, investigación, supervisión.
Los autores contribuyeron activamente en el análisis de los resultados, revisión y aprobación del
manuscrito final.
