la IA está identificando la violencia de pareja años antes que los humanos
La violencia de pareja o de género (IPV, por sus siglas en inglés) es una de las crisis de salud pública más persistentes y, paradójicamente, menos visibles de nuestra era. En los Estados Unidos, las estadísticas son devastadoras: más de un tercio de las mujeres experimentarán esta forma de agresión en algún momento de sus vidas. A nivel mundial se estima que 840 millones de mujeres -casi una de cada tres- han sido abusadas física o sexualmente por su pareja, han sufrido violencia sexual fuera de la pareja o ambos, al menos una vez en la vida. Sin embargo, estas cifras son solo la superficie de un océano de dolor silenciado por el miedo, el estigma social y la dependencia económica. La mayoría de las víctimas no denuncian, quedando atrapadas tras un muro de invisibilidad que la medicina tradicional, a menudo reactiva, no logra traspasar.
Ante este escenario, surge una oportunidad transformadora en la intersección de la ética y la tecnología: ¿Qué pasaría si los datos clínicos que ya residen en los archivos hospitalarios pudieran "hablar" por quienes no pueden hacerlo? Una investigación pionera sobre aprendizaje automático multimodal está demostrando que las huellas de la violencia quedan registradas en el historial médico mucho antes de que se produzca una denuncia oficial. Al analizar patrones que el ojo humano suele omitir, esta tecnología está permitiendo detectar el riesgo de IPV con años de antelación, ofreciendo una ventana de intervención que podría salvar miles de vidas.
Detectar el riesgo antes del grito de auxilio
Uno de los hallazgos más profundos de este estudio es el tiempo de adelanto. Los modelos desarrollados demostraron una capacidad asombrosa para identificar a pacientes en riesgo años antes de que ellas mismas buscaran ayuda en centros especializados. El modelo basado únicamente en datos tabulares logró una detección media de 3.99 años antes del informe oficial, mientras que el modelo de fusión alcanzó los 3.68 años.
Sin embargo, la verdadera sofisticación clínica no reside solo en el tiempo, sino en la sensibilidad de la detección. Aunque el modelo tabular ofrece un margen temporal ligeramente superior, el modelo de fusión multimodal es el preferido para la implementación clínica porque es capaz de capturar al 80.6% de los casos por adelantado, frente al 68% que detecta el modelo basado solo en tablas. Esta diferencia porcentual representa a cientos de mujeres que dejarían de ser "invisibles" para el sistema de salud. En términos de mediana, estos tiempos de alerta superan los cinco años, un periodo de tiempo perdido que la medicina proactiva ahora puede reclamar para la prevención.
"El hecho de que el sistema identifique el riesgo con una mediana superior a los cinco años de antelación revela un fracaso moral de la medicina reactiva, pero también nos otorga una oportunidad histórica para intervenir antes de que el trauma se vuelva crónico o letal".
El poder de la visión "multimodal"
Para alcanzar este nivel de precisión, la investigación empleó el marco HAIM (Holistic AI in Medicine). La clave de este enfoque es su naturaleza integradora: no se limita a mirar diagnósticos aislados, sino que combina datos estructurados con la riqueza narrativa de las notas clínicas no estructuradas, incluyendo los informes detallados de los radiólogos. Esta sinergia permitió al modelo de fusión alcanzar un rendimiento superior, con un área bajo la curva (AUC) de 0.88.
Desde una perspectiva estratégica, la versatilidad de este marco es fundamental para la equidad en salud. Mientras que el modelo de fusión ofrece la máxima estabilidad y precisión, el modelo tabular (con un AUC de 0.85) sigue siendo una herramienta poderosa para hospitales con bajos recursos que no pueden procesar textos complejos. El modelo multimodal funciona como un sistema de navegación inteligente: si una fuente de datos es incompleta o ambigua (por ejemplo, si un médico omitió detalles en una nota) las otras fuentes compensan esa carencia, garantizando que ninguna señal de auxilio pase desapercibida.
Patrones ocultos
Para asegurar la integridad ética y científica del modelo, los investigadores realizaron un paso crítico: eliminaron deliberadamente los códigos de diagnóstico de abuso físico (ICD-10) para evitar la filtración de datos hacia la IA. Esto garantiza que la IA no esté simplemente leyendo una etiqueta previa, sino identificando activamente el "silencio" y los patrones sutiles entre los datos. A través del análisis SHAP, se revelaron indicadores que a menudo se pierden en la sobrecarga cognitiva de la consulta diaria.
El algoritmo identificó correlaciones significativas en el uso frecuente de fármacos específicos como la Lidocaína, la Bupivacaína y el Ondansetrón, junto con patrones de lesiones en la cara, el cuello y fracturas en las extremidades superiores. Un indicador particularmente agudo fue la alta frecuencia de pruebas de radiología en "ubicaciones no clasificadas", un patrón típico de las visitas recurrentes a departamentos de emergencia. Estos signos físicos se entrelazan con marcadores de salud mental, como el trastorno de estrés postraumático y la depresión mayor, además de factores de privación socioeconómica.
En contraste, el modelo detectó "indicadores de baja probabilidad" que ofrecen una lectura sociológica fascinante. Las pacientes que asisten regularmente a mamografías o exámenes cervicales suelen presentar un riesgo menor de IPV. Esto sugiere que el acceso constante a la medicina preventiva y la autonomía para buscar cuidados son marcadores de un entorno más seguro, contraponiéndose al aislamiento y el miedo que paralizan a quienes viven bajo la amenaza de la violencia.
Tecnología con rostro humano
La dimensión ética de este avance es tan crucial como su capacidad técnica. Es vital comprender que este modelo no busca emitir juicios definitivos ni "etiquetar" a las pacientes de forma intrusiva. Su propósito es servir como un sistema de apoyo a la decisión clínica para que el médico, armado con una señal de riesgo basada en evidencia, pueda iniciar una conversación sensible y centrada en la persona.
La robustez del modelo se confirmó al validarlo en una cohorte de pacientes que nunca buscaron ayuda en centros de intervención, demostrando que la herramienta es efectiva precisamente con aquellas personas que más necesitan que el sistema las detecte proactivamente. Bajo un enfoque informado en el trauma, la IA se convierte en un aliado que protege la autonomía de la paciente, permitiendo que el profesional de la salud ofrezca un puerto seguro y recursos de apoyo antes de que la situación escale a lesiones potencialmente mortales.
Un futuro de prevención proactiva
La integración de estos modelos en los registros médicos electrónicos marca el inicio de una era de medicina predictiva y profundamente humana. Estamos ante la posibilidad de transformar los hospitales: de ser centros que solo reparan daños físicos una vez ocurridos, a convertirse en centinelas que protegen la integridad de las personas vulnerables mucho antes del punto de no retorno.
Esta capacidad de "leer el silencio" nos obliga a reflexionar sobre el futuro de nuestra infraestructura de salud. Si la tecnología ya puede ver lo que nosotros ignoramos, la responsabilidad de actuar se vuelve ineludible. Sin embargo, este progreso nos plantea una pregunta esencial para el contrato social de la salud digital: ¿Cómo diseñaremos los marcos de privacidad necesarios para que la vigilancia algorítmica sea siempre un escudo protector y nunca una violación de la confianza entre el médico y su paciente?
Gu, J., Carballo, K.V., Ma, Y. et al. Leveraging multimodal machine learning for accurate risk identification of intimate partner violence. npj Womens Health 4, 15 (2026). https://doi.org/10.1038/s44294-025-00126-3
