En el mundo de la inteligencia artificial y la salud mental, el Federated Learning (FL) es una tecnología que promete resolver muchos de los problemas relacionados con la privacidad de los datos y la seguridad en el tratamiento de trastornos mentales. Pero, ¿qué significa realmente este término y cómo se aplica en psicoterapia? Aquí lo explicamos paso a paso, utilizando ejemplos claros.

¿Qué es el Federated Learning?

El Federated Learning (FL) es una técnica de aprendizaje automático que permite que múltiples dispositivos o instituciones colaboren en el entrenamiento de un modelo de inteligencia artificial, sin necesidad de compartir datos sensibles entre ellos.

Pongamos un ejemplo sencillo: Imagina que varios hospitales quieren colaborar para mejorar un sistema de IA que diagnostica depresión. Sin embargo, compartir los datos de los pacientes directamente no es posible porque violaría su privacidad. En lugar de enviar todos los datos a un servidor central, lo que hace FL es entrenar el modelo de IA en cada hospital, localmente. Luego, cada hospital envía las actualizaciones del modelo (sin los datos de los pacientes) a un servidor central, que las combina para crear un modelo global mejorado. Este proceso permite que la información privada de los pacientes nunca salga de cada hospital, preservando la confidencialidad.

Ejemplo simple:

Imagina que tres personas están resolviendo un rompecabezas (el modelo de IA). Cada una tiene una parte del rompecabezas en su propia casa (sus datos). En lugar de llevar todas las piezas a un lugar para armarlo (centralizar los datos), cada persona resuelve su parte en casa y luego envían fotos de sus avances (las actualizaciones del modelo). Con esas fotos, alguien arma una imagen más completa, sin que las piezas originales salgan de las casas.

En el campo de la salud mental, FL tiene un potencial inmenso. Según la revisión realizada por Khalil et al. (2024)​ esta tecnología puede ser utilizada para mejorar el diagnóstico y tratamiento de trastornos mentales como la depresión, el trastorno obsesivo-compulsivo (TOC) y el trastorno bipolar. Al permitir la colaboración entre instituciones sin compartir datos privados, se pueden construir modelos más precisos y efectivos.

Por ejemplo, varios hospitales podrían utilizar FL para mejorar el diagnóstico de depresión. Cada hospital tiene sus propios datos de pacientes, y al colaborar mediante FL, pueden generar un modelo de IA más robusto sin que los datos salgan de los servidores locales de cada hospital. Esto permite mejorar la calidad del tratamiento y hacer diagnósticos más precisos sin comprometer la privacidad de los pacientes.

Además, FL puede ser clave para el desarrollo de aplicaciones de monitoreo de la salud mental, como las que utilizan dispositivos portátiles (smartwatches o aplicaciones de seguimiento del estado de ánimo), permitiendo que estas tecnologías utilicen datos de muchos usuarios sin que su información personal esté en riesgo.

Retos y Oportunidades

Sin embargo, FL también enfrenta retos importantes, como el desequilibrio en los datos (por ejemplo, un hospital tiene más datos de depresión que otro) o las diferencias en los métodos de recolección de información entre distintas instituciones. A pesar de ello, FL sigue siendo una herramienta poderosa para mejorar la salud mental en el mundo digital.

Según Zhang et al. (2024), el FL no solo es útil para evitar la centralización de datos, sino que también es una solución para las preocupaciones éticas y logísticas relacionadas con compartir datos clínicos entre hospitales, algo que es vital en campos como la psiquiatría, donde los datos son extremadamente sensibles.

Conclusión

El Federated Learning es una tecnología que puede transformar la forma en que abordamos la salud mental en la era digital. Pertenece al ámbito de las psicoterapias de quinta generación, ya discutido previamente. Al permitir la colaboración sin comprometer la privacidad, abre la puerta a diagnósticos más precisos y tratamientos más efectivos. A medida que la IA sigue avanzando, el uso de FL en la psicoterapia digital puede convertirse en un estándar para garantizar la confidencialidad de los pacientes y, al mismo tiempo, mejorar los resultados de salud mental.

Referencias

• Khalil, S. S., Tawfik, N. S., & Spruit, M. (2024). Exploring the potential of federated learning in mental health research: A systematic literature review. Applied Intelligence, 54(1), 1619-1636. https://doi.org/10.1007/s10489-023-05095-1.
• Liu, D., Dligach, D., & Miller, T. (2019). Two-stage Federated Phenotyping and Patient Representation Learning. Proceedings of the conference. Association for Computational Linguistics. Meeting, 2019, 283–291. https://doi.org/10.18653/v1/W19-5030
• Zhang, C., & Zheng, Z. (2024). Federated Learning for Health Data: Opportunities, Challenges, and Privacy Preserving Techniques. Neural Computing and Applications, 34(9), 17564-17585. https://doi.org/10.1007/s00521-024-07021-2.
• Rieke, N., Hancox, J., Li, W., Milletarì, F., Roth, H. R., Albarqouni, S., Bakas, S., Galtier, M. N., Landman, B. A., Maier-Hein, K., Ourselin, S., Sheller, M., Summers, R. M., Trask, A., Xu, D., Baust, M., & Cardoso, M. J. (2020). The future of digital health with federated learning. npj Digital Medicine, 3(1), 119. https://doi.org/10.1038/s41746-020-00323-1.