Si se pregunta a la mayoría de los profesionales clínicos qué parte de una evaluación diagnóstica es la menos fiable, rara vez mencionan las entrevistas estructuradas como primera respuesta. Nos han enseñado a considerar las entrevistas diagnósticas estandarizadas (SDI) —instrumentos como el SCID, el DIVA, el MINI, el CIDI, el DIS y los diversos cuestionarios sobre consumo de sustancias— como el estándar de referencia con el que se miden todos los cuestionarios de autoinforme. Una nueva revisión sistemática y metaanálisis publicado en JAMA Network Open debería hacernos dudar de esa suposición. La conclusión, en resumen: incluso nuestras mejores entrevistas estructuradas solo son moderadamente fiables, y nadie puede explicar aún por completo por qué la fiabilidad varía tanto de un estudio a otro. Esto tiene implicaciones reales en nuestra forma de concebir la fiabilidad del diagnóstico. En la ajetreada práctica clínica diaria, los profesionales sanitarios no suelen realizar las denominadas entrevistas diagnósticas estandarizadas, consideradas el «estándar de referencia». Por lo general, los médicos se basan en su intuición y experiencia, pero se sabe que estos métodos son incluso menos fiables que los protocolos estandarizados.
Fiabilidad de las entrevistas diagnósticas estandarizadas
Xie, Nordgaard, Sheldrick y sus colegas (de la Universidad McMaster, la Universidad de Copenhague y la Facultad de Medicina Chan de la Universidad de Massachusetts) analizaron los resultados de 57 estudios. Estimaron la fiabilidad combinada de las pruebas repetidas para los trastornos mentales comunes en adultos y los trastornos por consumo de sustancias (SUD), y a continuación evaluaron qué características de los estudios explicaban la variación entre ellos. Se trata de un trabajo metodológicamente riguroso.
¿Qué grado de fiabilidad tienen las entrevistas psicométricas estandarizadas?
La fiabilidad global combinada fue de un coeficiente kappa de 0,69 (intervalo de confianza del 95 %, de 0,66 a 0,72), lo que se considera «sustancial» según el criterio convencional de 0,61 a 0,80, pero se basó en una enorme heterogeneidad entre los estudios.
Los trastornos por consumo de sustancias resultaron significativamente más fiables que los trastornos mentales en general. Dentro de los trastornos mentales, la fiabilidad osciló entre un coeficiente kappa de 0,55 para las psicosis no afectivas y un coeficiente kappa de 0,74 para el trastorno bipolar, mientras que los trastornos de ansiedad, depresivos y de la personalidad se situaron en torno a un coeficiente kappa de entre 0,63 y 0,64.
En pocas palabras: incluso nuestras entrevistas mejor estructuradas, realizadas por entrevistadores cualificados con varios días de diferencia a la misma persona, se sitúan en algún punto entre un grado de concordancia «aceptable» y «excelente». Y en el caso de algunos de los cuadros clínicos más habituales en la práctica ambulatoria, nos situamos más cerca del extremo «aceptable».
No podemos explicar la variación
Esta es la parte que, en mi opinión, reviste mayor importancia para la práctica. En el caso de los trastornos mentales, ninguno de los moderadores analizados —qué entrevista específica se utilizó, la versión de los criterios diagnósticos, el tamaño de la muestra, el intervalo entre pruebas, el entorno clínico frente al no clínico, la administración con conocimiento de la repetición de la prueba frente a la administración independiente, o la tasa de respuesta comunicada— alcanzó significación estadística. La heterogeneidad se mantuvo en el 94 % tras tener en cuenta todos ellos. En el caso de los trastornos por consumo de sustancias, solo la versión de los criterios diagnósticos explicó una varianza significativa —una reducción del 16 %—, y los manuales de diagnóstico más recientes obtuvieron mejores resultados que los anteriores. Es posible que la estandarización estructural por sí sola no sea suficiente para garantizar un diagnóstico psiquiátrico coherente.
Se trata de una admisión notable desde el ámbito de la investigación sobre la fiabilidad diagnóstica: una lista de verificación aplicada de forma idéntica por dos entrevistadores diferentes en dos días distintos no garantiza la misma conclusión diagnóstica, ya que gran parte de lo que determina la respuesta reside en aspectos que una estadística de fiabilidad no capta: cómo se formuló una pregunta, cuánto margen se dio para una respuesta vacilante, o si el entrevistador se percató de algo que el paciente mencionó de pasada tres preguntas antes.
Qué significa esto para un paciente real
Un nivel de fiabilidad en ese rango no es solo una curiosidad estadística: se traduce en una probabilidad significativa de que dos evaluaciones independientes y competentes del mismo paciente, realizadas con una semana de diferencia, discrepen en el diagnóstico. En una sola evaluación, esa discrepancia pasa desapercibida. A lo largo de una serie de evaluaciones —admisión, revisión, informe médico-legal, resolución del seguro o del NDIS— se manifiesta como un problema clínico y administrativo real: diagnósticos diferentes, planes de tratamiento diferentes, decisiones de financiación diferentes, para la misma persona, generados por el mismo método «de referencia».
El papel de la medición psicométrica
Nada de esto hace que las escalas psicométricas validadas sean infalibles, ya que conllevan su propio error de medición. Sin embargo, presentan dos ventajas estructurales de las que carece una entrevista diagnóstica categórica. En primer lugar, su fiabilidad test-retest está publicada, es específica de cada escala y se calcula siempre de la misma manera, por lo que el profesional clínico sabe exactamente qué grado de confianza merece una puntuación determinada. En segundo lugar, dado que la mayoría genera una puntuación continua de gravedad en lugar de un juicio binario de «presente» o «ausente», un pequeño error de medición hace que el resultado se desplace hacia arriba o hacia abajo dentro de una banda de gravedad, en lugar de hacer que cruce por completo el umbral diagnóstico.
Esa es la razón práctica para utilizar, junto con la entrevista clínica —y no en su lugar—, medidas validadas y adaptadas a cada trastorno: el DASS-21 o el PHQ-9 para los cuadros depresivos, el GAD-7 para la ansiedad y el PCL-5 para los cuadros traumáticos.
También conviene incluir en una batería de pruebas de evaluación rutinaria: el AUDIT para el consumo de alcohol, el MDQ o el Inventario General de Conducta para la detección del trastorno bipolar, y el MSI-BPD o el BSL-23 para evaluar los rasgos de personalidad.
La biblioteca completa se encuentra en novopsych.com/assessments y se basa en la misma filosofía subyacente que la psicometría de NovoPsych: cuantificar lo que se puede cuantificar y ser explícitos sobre el error de medición en lo que no se puede cuantificar.
La habilidad que deben desarrollar los profesionales clínicos
Nada de esto es un argumento en contra de la entrevista clínica, sino todo lo contrario. Un entrevistador experto obtiene información que una lista de verificación no puede proporcionar: se da cuenta de la falta de expresión emocional que contradice un estado de ánimo bajo que el paciente niega, profundiza en un detalle que el paciente ha mencionado y luego ha dejado de lado, y adapta el ritmo y la forma de expresarse cuando alguien se muestra reservado o avergonzado. Esa es precisamente la «información contextual y fenomenológica» de la que, según los autores de este artículo, la evaluación diagnóstica necesita más. Se trata de una auténtica habilidad clínica, y no es algo que proteja un esquema de entrevista rígido; más bien al contrario, un esquema rígido puede llegar a obstaculizarla.
Pero también en este caso debemos ser sinceros respecto a los límites del juicio humano. Sabemos desde hace mucho tiempo que el juicio clínico es susceptible de sesgos, y la fiabilidad interevaluador en las escalas valoradas por médicos tampoco ha sido nunca especialmente sólida. La falta de fiabilidad que documenta este metaanálisis en las entrevistas estructuradas se manifiesta, de diferentes formas, siempre que sea un ser humano quien realice la valoración. Esa es la incómoda simetría: ni la lista de verificación ni la impresión del médico, por sí solas, son tan fiables como a cualquiera de nosotros nos gustaría.
Aquí es donde creo que la inteligencia artificial resulta realmente útil —y donde no lo es—. La IA puede estandarizar aquellas partes del proceso que no requieren intervención humana: una cobertura coherente de las preguntas relevantes, una documentación coherente y una puntuación coherente según los umbrales publicados de una escala. Lo que no puede hacer, al menos de momento, es sustituir el juicio instantáneo a la hora de decidir qué preguntar a continuación, cuándo ralentizar el ritmo, cuándo insistir con tacto o cuándo dejar que cunda el silencio. Eso sigue siendo, sin lugar a dudas, una habilidad humana —y podría decirse que cobra mayor importancia a medida que todo lo que viene después de la entrevista se va estandarizando cada vez más.
Así que esto es hacia donde creo que se dirige todo: la IA, combinada con instrumentos psicométricos validados, se encargará cada vez más del análisis y la toma de decisiones —señalando posibles diagnósticos, haciendo un seguimiento de la gravedad a lo largo del tiempo y comparando la impresión clínica con un umbral normalizado—. La habilidad más valiosa del profesional clínico se orientará hacia la realización de una entrevista cordial y atenta que realmente permita obtener la información de la que dependen todos los análisis posteriores. Una recopilación de datos errónea sigue significando datos erróneos, por muy sofisticada que sea la capa que se sitúe por encima.
La IA ambiental y el siguiente paso
Por eso también creo que la IA ambiental —esa IA que escucha y ayuda a analizar la propia entrevista clínica— es uno de los avances más importantes en nuestro campo. Si se aplica correctamente, libera por completo al profesional clínico de la carga que suponen la codificación y la documentación, lo que le permite estar plenamente presente en la conversación, en lugar de tener que dividir su atención entre escuchar y escribir.
Esto también significa que la fase de análisis —comparar lo dicho con los criterios de diagnóstico, señalar las incoherencias y plantear preguntas de seguimiento pertinentes basadas en escalas psicométricas validadas— puede llevarse a cabo de forma sistemática en todo momento, en lugar de depender de qué entrevistador se encuentre en la sala ese día. El potencial de la IA ambiental en este ámbito va más allá de la transcripción: los grandes modelos de lenguaje aplicados al audio y a las transcripciones de las entrevistas ya pueden extraer información clínicamente relevante en tiempo real.
Chen y sus colegas, en un artículo publicado en npj Mental Health Research en 2025, entrenaron modelos de lenguaje a gran escala con grabaciones de audio de 1.160 pacientes ambulatorios con depresión y ansiedad, y los utilizaron para identificar síntomas clínicos directamente a partir del diálogo entre el psiquiatra y el paciente. Los modelos detectaron la presencia de anotaciones clínicas con una precisión del 86,9 % e identificaron correctamente síntomas específicos de ansiedad y depresión aproximadamente tres cuartas partes de las veces, llegando incluso a detectar marcadores específicos de cada trastorno —como la anhedonia y la disminución de la voluntad en la depresión, frente a la tensión y la incapacidad para relajarse en la ansiedad— a partir del lenguaje utilizado.
Por otra parte, el habla en sí misma contiene una señal de personalidad cuantificable: Lukac, en un artículo publicado en Scientific Reports en 2024, utilizó representaciones acústicas y lingüísticas a partir de muestras de habla espontánea de más de 2.000 participantes para predecir los rasgos de personalidad de los «Cinco Grandes», y encontró correlaciones con la autoevaluación que oscilaban entre 0,26 para la extraversión y 0,39 para el neuroticismo —valores modestos por sí mismos, pero que alcanzaban hasta 0,60 una vez corregidos por la falta de fiabilidad de la propia medida de autoevaluación—.
El futuro apunta a algo realmente útil: un asistente de IA ambiental que ofrezca una segunda lectura estandarizada y cuantificada de la misma conversación —una comprobación de la coherencia que el profesional sanitario pueda sopesar junto a su propio criterio, en lugar de que sustituya a este—. Dado que este metaanálisis no encontró ninguna explicación de por qué la fiabilidad de las entrevistas estructuradas varía tanto de un evaluador a otro, añadir ese tipo de segunda señal cuantificada es una de las formas más prometedoras de reforzar el eslabón débil que el estudio pone de manifiesto.
Esto es algo de lo que me siento sinceramente orgulloso de que NovoNote forme parte. No pretendemos sustituir la entrevista ni al entrevistador; este metaanálisis es un buen recordatorio de por qué eso sería un error. Lo que intentamos es estandarizar la base subyacente: una recopilación fiable de datos, una puntuación fiable basada en instrumentos psicométricos validados y una documentación coherente, de modo que el tiempo y la destreza del profesional clínico se dediquen a la parte del trabajo que una lista de comprobación, un algoritmo o un modelo de IA aún no pueden realizar tan bien como lo hace un buen profesional clínico: sonsacar la verdad a otro ser humano.
Este es el mismo principio sobre el que escribí al analizar las pruebas sobre la precisión de los informes psicológicos y psiquiátricos generados por IA: la IA resulta más fiable y útil cuando se basa en datos objetivos y cuantificados, en lugar de dejarla interpretar libremente una transcripción. La conclusión que se desprende de este metaanálisis de fiabilidad es la imagen especular de ese argumento, aplicada un paso antes en el proceso: en la propia entrevista, en lugar de en el informe que le sigue.
Conclusiones prácticas
- No hay que considerar infalible un diagnóstico basado únicamente en una entrevista estructurada, por muy estandarizada que sea, sobre todo en los casos de ansiedad, depresión, trastornos de la personalidad y cuadros psicóticos, en los que la fiabilidad fue menor y se explicaba en menor medida por la calidad del estudio.
- Combina la entrevista con una prueba psicométrica validada y adecuada al trastorno, y vuelve a aplicarla con el paso del tiempo. Una puntuación de gravedad continua se degrada de forma más gradual que un diagnóstico categórico cuando hay un error de medición.
- Si utilizas un asistente de IA o una IA ambiental como apoyo en las entrevistas, utilízalo para estandarizar la recopilación y la puntuación en función de datos psicométricos objetivos, no para sustituir tus propias preguntas de profundización y de seguimiento. Los datos demuestran que esa sigue siendo la parte del proceso que requiere la intervención de una persona cualificada.
- Reconsiderar. Un nivel de fiabilidad comprendido entre 0,55 y 0,70 significa que un diagnóstico realizado en un momento determinado debe revisarse, y no considerarse definitivo.
Donde aterrizo
Este metaanálisis supone una corrección útil a la idea de que la estructura por sí sola equivale a fiabilidad. Las entrevistas diagnósticas estandarizadas se han ganado su reputación de «estándar de referencia» porque son más fiables que una impresión clínica no estructurada; sin embargo, «más fiables que nada estandarizado» y «lo suficientemente fiables como para basar en ellas un diagnóstico definitivo» son afirmaciones diferentes, y este artículo aporta pruebas a favor de la primera, no de la segunda.
Mi interpretación de hacia dónde se dirige este campo es la siguiente: los instrumentos psicométricos y, cada vez más, la IA —y, con el tiempo, la IA ambiental— asumirán una mayor parte de la carga analítica y de puntuación, y lo harán de forma más coherente que un evaluador humano que gestiona esa tarea junto con otras cuarenta cosas más en una misma sesión. Esto deja la competencia fundamental del clínico como lo que probablemente siempre debería haber sido: llevar a cabo una entrevista que realmente consiga que el paciente te cuente lo que le pasa. La estandarización del formato de la entrevista siempre tuvo como objetivo servir a ese fin, no sustituirlo, y cada vez hay más pruebas que sugieren que deberíamos estandarizar el análisis de la conversación, no su carácter humano.
Referencias
- Xie, W., Nordgaard, J., Sheldrick, R. C., Ahmad, J. F., Gomes, F. A. y Duncan, L. (2026). Fiabilidad test-retest de las entrevistas diagnósticas estandarizadas para los trastornos psiquiátricos comunes en adultos: una revisión sistemática y un metaanálisis. JAMA Network Open, 9(5), e2615039. doi.org/10.1001/jamanetworkopen.2026.15039
- Chen, J. y otros (2025). Identificación de manifestaciones psiquiátricas en pacientes ambulatorios con depresión y ansiedad: un enfoque basado en modelos de lenguaje a gran escala. npj Mental Health Research, 4, 63. doi.org/10.1038/s44184-025-00175-1
- Lukac, M. (2024). Predicción de la personalidad a partir del habla mediante aprendizaje profundo con representaciones acústicas y lingüísticas. Scientific Reports, 14, 30149. doi.org/10.1038/s41598-024-81047-0
Lectura relacionada: ¿Son precisos los informes psicológicos y psiquiátricos generados por IA? Lo que dice realmente la investigación (NovoPsych, 2026)