Disponible en http://www.revhph.sld.cu/
Revista del Hospital Psiquiátrico de
La Habana
Volumen 23 | Año 2026 | Publicación continua
ISSN: 0138-7103 | RNPS: 2030
_____________________________________________
Artículo de revisión
Impacto de la inteligencia artificial en la salud mental de
adolescentes y jóvenes: revisión sistemática
Impact of Artificial Intelligence on the Mental Health of
Adolescents and Young People: A Systematic Review
Rolando Rodríguez Puga1
Yoánderson Pérez Díaz1
Orisel del Carmen Rodríguez Abalo2
Cristian Rojas Villa3
Phillip Ormeño Vásquez4
Bertha Karina Pérez Cardero5
1Hospital Pediátrico de Camagüey. Camagüey, Cuba.
2Hospital Universitario Ginecobstétrico “Ana Betancourt de Mora” de Camagüey. Camagüey, Cuba
3Universidad Privada San Juan Bautista. Ica, Perú
4Pontificia Universidad Católica de Chile. Santiago de Chile, Chile
5Universidad de Ciencias Médicas de Camagüey. Camagüey, Cuba
Recibido: 04/09/2026
Aceptado:27/09/2026
Editores; Arturo Chi Maimó
Impacto de la inteligencia artificial en la salud mental de adolescentes y jóvenes: revisión sistemática
Hosp. Psiq. Hab. Volumen 23| 2026| Publicación continua
Esta obra está bajo licencia https://creativecommons.org/licenses/by-nc/4.0/deed.es_ES
Resumen
Introducción: los trastornos mentales afectan entre el 10 % y 20 % de los adolescentes y
jóvenes, de manera que constituyen una prioridad sanitaria mundial. En este contexto, la
inteligencia artificial se perfila como una herramienta prometedora para reducir las brechas
en detección, diagnóstico e intervención en salud mental.
Objetivo: sintetizar la evidencia disponible sobre el impacto de las aplicaciones de
inteligencia artificial en la salud mental de adolescentes y jóvenes.
Métodos: se realizó una revisión sistemática conforme a las directrices PRISMA 2020 en
PubMed, PsycINFO, Cochrane Library, CINAHL, Embase, Web of Science, Scopus, IEEE
Xplore y Google Scholar. Para ello, se incluyeron estudios publicados entre enero de 2010 y
julio de 2025, mientras dos revisores independientes efectuaron la selección, extracción de
datos y evaluación de la calidad metodológica.
Resultados: de 3742 registros identificados, 62 cumplieron los criterios de inclusión. Las
aplicaciones se clasificaron en chatbots y agentes conversacionales para intervención
terapéutica (n=31), modelos de aprendizaje automático para predicción de riesgo y
diagnóstico (n=24), y procesamiento del lenguaje natural para detectar síntomas (n=7). En
este sentido, los chatbots produjeron efectos pequeños a moderados en la reducción de
problemas de salud mental (DME: -0,35; IC 95 %: -0,46 a -0,24), con mejoras significativas
en depresión (DME: -0,43) y ansiedad (DME: -0,37). Los modelos de aprendizaje automático
mostraron capacidad predictiva prometedora para conductas suicidas (AUC: 0,79‑0,84).
Conclusiones: la inteligencia artificial puede favorecer la intervención temprana y la
predicción de riesgos, pero la evidencia aún es insuficiente para recomendar su
implementación clínica generalizada.
Palabras clave: inteligencia artificial; salud mental; adolescentes; aprendizaje automático;
chatbots; PRISMA
Abstract
Introduction: Mental disorders affect between 10% and 20% of adolescents and young
people, making them a global health priority. In this context, artificial intelligence is
emerging as a promising tool for reducing gaps in detection, diagnosis and intervention of
mental health conditions.
Objective: Synthesize the available evidence on the impact of artificial Intelligence
applications on the mental health of adolescents and young people.
Methods: A systematic review was conducted in accordance with the PRISMA 2020
guidelines, using PubMed, PsycINFO, Cochrane Library, CINAHL, Embase, Web of
Science, Scopus, IEEE Xplore and Google Scholar. Studies published from January, 2010 to
Impacto de la inteligencia artificial en la salud mental de adolescentes y jóvenes: revisión sistemática
Hosp. Psiq. Hab. Volumen 23| 2026| Publicación continua
Esta obra está bajo licencia https://creativecommons.org/licenses/by-nc/4.0/deed.es_ES
July, 2025 were included, and two independent reviewers carried out selection, data
extraction and methodological quality assessment.
Results: A total of 3,742 records were identified, only 62 met the inclusion criteria.
Applications were classified into chatbots and conversational agents for therapeutic
intervention (n=31), machine--learning models for risk prediction and diagnosis (n=24), and
natural language processing for symptom detection (n=7). In this regard, chatbots produced
small to moderate effects in reducing mental health problems (SMD: --0.35; 95%CI: --0.46
to --0.24), with significant improvements in depression (SMD: --0.43) and anxiety (SMD: -
-0.37). Machine--learning models showed promising predictive capability for suicidal
behavior (AUC: 0.79--0.84).
Conclusions: Artificial intelligence may facilitate early intervention and risk prediction;
however, the evidence is still insufficient to recommend its widespread clinical
implementation.
Keywords: Artificial intelligence; mental health; adolescents; machine--learning; chatbots;
PRISMA.
Introducción
Los trastornos de salud mental en adolescentes y jóvenes constituyen una crisis sanitaria
global de proporciones epidémicas. En este contexto, la Organización Mundial de la Salud
estima que 1 de cada 7 adolescentes entre 10 y 19 años experimenta algún trastorno mental,
de manera que estas condiciones permanecen en gran medida no reconocidas y sin
tratamiento.(1)
La adolescencia constituye un período crítico para la aparición de trastornos mentales, dado
que más de la mitad de las condiciones psiquiátricas de por vida inician su curso antes de los
18 años, lo que genera una presión asistencial difícil de enfrentar por los sistemas de salud
tradicionales.(2) En respuesta a esta brecha, el campo de la psiquiatría digital ha
experimentado un crecimiento exponencial e incorpora diversas soluciones tecnológicas,
como aplicaciones móviles y entornos de realidad virtual, con el propósito de ampliar el
acceso a la atención.(3)
Dentro de este entorno las intervenciones basadas en inteligencia artificial (IA) han mostrado
resultados prometedores. Una investigación reciente confirma que los chatbots son eficaces
para reducir el malestar psicológico y fomentar conductas saludables en adolescentes y
jóvenes.(4) Pese a ello, la rápida proliferación de estudios primarios con diseños heterogéneos
exige un escrutinio metodológico riguroso, por lo que la adopción de guías actualizadas como
la declaración PRISMA 2020 resulta indispensable para garantizar la transparencia y
reproducibilidad de las revisiones en este sentido.(5)
Impacto de la inteligencia artificial en la salud mental de adolescentes y jóvenes: revisión sistemática
Hosp. Psiq. Hab. Volumen 23| 2026| Publicación continua
Esta obra está bajo licencia https://creativecommons.org/licenses/by-nc/4.0/deed.es_ES
A pesar del optimismo inicial, la literatura especializada advierte que la eficacia clínica no
es suficiente, ya que las revisiones sistemáticas integrales subrayan que la implementación
de la IA en la salud mental de los adolescentes debe considerar los sesgos algorítmicos y las
barreras contextuales de los entornos reales.(6) En particular, aunque los modelos de machine
learning demuestran una capacidad predictiva significativa para identificar conductas
suicidas, su validez externa y calibración son limitadas, lo que restringe su traslación a la
práctica clínica rutinaria.(7)
A esto se suman profundos dilemas éticos relativos a la privacidad de los datos, el
consentimiento informado y la posible deshumanización del vínculo terapéutico que emergen
cuando se delegan funciones diagnósticas o de apoyo emocional a sistemas autónomos.(8) Por
consiguiente, la presente investigación propone abordar estas brechas para la integrar los
criterios metodológicos vigentes(5) con un análisis crítico de los factores ético-técnicos, a fin
de construir un marco evaluativo que oriente la adopción segura y efectiva de estas
tecnologías en la población adolescente.
Se estima que cerca del 50 % de los trastornos mentales aparecen antes de los 14 años y el
75 % antes de los 25 años.(8) Al respecto, el suicidio es la segunda causa de muerte la
población de entre 10 y 19 años, con un aproximado de 46 mil muertes al año en este grupo
etario.(9)
Como bien se abordó con anterioridad, la adolescencia es un período crítico de transición
biológica, psicológica y social, durante el cual la vulnerabilidad a los trastornos mentales
aumenta de manera significativa.(10) Además, factores como la presión académica, la
inseguridad social, el acoso escolar y la exposición a redes sociales digitales exacerban este
riesgo.(11) En paralelo, los sistemas de salud mental tradicionales enfrentan barreras críticas
que comprenden la escasez de profesionales capacitados, los largos tiempos de espera, el
estigma asociado a la búsqueda de ayuda y costos prohibitivos.(12) En países de ingresos bajos
y medios, la brecha de tratamiento para trastornos mentales en adolescentes supera el 80
%.(13)
En este contexto, la IA ha surgido como una tecnología transformadora con potencial para
revolucionar la salud mental juvenil.(14) Su aplicación es relevante en diversas áreas como
los chatbots basados en procesamiento de lenguaje natural (NLP) que brindan apoyo
terapéutico accesible y sin estigma, los modelos de machine learning (ML) que analizan
registros electrónicos de salud para predecir crisis de salud mental y en los sistemas de
detección temprana que identifican patrones de riesgo mediante el análisis de datos de redes
sociales, así como en textos y sensores móviles.(15)
La penetración de la tecnología digital entre los adolescentes y jóvenes es casi universal, con
un estimado del 95 % de uso de internet en edades entre 15 y 24 años, mientras el 85 % posee
Impacto de la inteligencia artificial en la salud mental de adolescentes y jóvenes: revisión sistemática
Hosp. Psiq. Hab. Volumen 23| 2026| Publicación continua
Esta obra está bajo licencia https://creativecommons.org/licenses/by-nc/4.0/deed.es_ES
un teléfono inteligente.(16) Esta familiaridad tecnológica crea oportunidades únicas para
intervenciones digitales escalables, al mismo tiempo que plantea interrogantes sobre los
efectos a largo plazo en el desarrollo socioemocional.(17)
A pesar del creciente interés en la IA para la salud mental de adolescente y jóvenes, la
evidencia existente permanece fragmentada.(18) En tal sentido, revisiones sistemáticas
previas presentan limitaciones significativas, como la falta del enfoque en poblaciones
adolescentes, la inclusión de datos limitados de países de ingresos bajos y medios, el escaso
abordaje de las consideraciones éticas y la heterogeneidad metodológica que dificulta la
síntesis.(19)
En conjunto, la rápida evolución de las tecnologías de IA desde 2010 y la urgencia de
formular políticas basadas en evidencia justifican una revisión sistemática exhaustiva que
mapee el estado actual del conocimiento, identifique brechas y establezca prioridades para la
investigación futura.(20) Por tal motivo, se realiza la presente revisión sistemática con el
objetivo de sintetizar la evidencia disponible sobre el impacto de las aplicaciones de
inteligencia artificial en la salud mental de adolescentes y jóvenes de entre 10 y 25 años.
Métodos
Se realizó una revisión sistemática conforme a las directrices PRISMA 2020 (Preferred
Reporting Items for Systematic reviews and Meta‑Analyses).(5) La búsqueda se llevó a cabo
en el Hospital Pediátrico de Camagüey, durante los meses de junio a agosto de 2026.
La elegibilidad estuvo determinada por los criterios de inclusión que consistieron en
población de adolescentes y jóvenes de entre 10 y 25 años, intervención con cualquier
aplicación de inteligencia artificial (machine learning, deep learning, NLP, chatbots,
sistemas de recomendación, modelos predictivos) y comparación de grupos de control
(tratamiento habitual, lista de espera, intervención alternativa) o evaluación pre‑post.
Además, los outcomes incluyeron síntomas de depresión, ansiedad, estrés, bienestar
psicológico, ideación suicida, conductas autolesivas y funcionamiento psicosocial.
En cuanto al diseño se aceptaron los ensayos controlados aleatorizados (ECA), los estudios
cuasiexperimentales, de cohortes y de validación de modelos predictivos. Del mismo modo,
se consultaron artículos en idioma español o inglés, comprendidos en el período de enero de
2010 a julio de 2025.
Los criterios de exclusión estuvieron dados por los estudios sin evaluación empírica
(opiniones, editoriales, protocolos). Asimismo, la población exclusivamente infantil o adulta
Impacto de la inteligencia artificial en la salud mental de adolescentes y jóvenes: revisión sistemática
Hosp. Psiq. Hab. Volumen 23| 2026| Publicación continua
Esta obra está bajo licencia https://creativecommons.org/licenses/by-nc/4.0/deed.es_ES
(>25 años) o infantil (<10 años) resultó no incluida. De igual manera sucedió con las
intervenciones no basadas en IA (aplicaciones móviles sin IA, terapias tradicionales), con los
estudios con datos insuficientes para extracción y con las publicaciones duplicadas.
La estrategia de búsqueda incluyó una revisión sistemática en las siguientes bases de datos
electrónicas: PubMed, PsycINFO, Cochrane Library, CINAHL, Embase, Web of Science,
Scopus, IEEE Xplore y Google Scholar. Para ello se emplearon los siguientes operadores y
opciones de búsqueda: ("artificial intelligence" OR "AI" OR "machine learning" OR "deep
learning" OR "natural language processing" OR "NLP" OR "chatbot" OR "conversational
agent" OR "predictive model" OR "neural network") AND ("adolescent" OR "adolescence"
OR "teen" OR "teenager" OR "youth" OR "young adult" OR "juvenile" OR "child" OR
"pediatric") AND ("mental health" OR "mental disorder" OR "depression" OR "anxiety" OR
"stress" OR "suicide" OR "self-harm" OR "self-injury" OR "well-being" OR "psychological
distress").
El proceso de selección siguió el flujo PRISMA 2020(5), de tal forma que la identificación
incluyó los registros recuperados e importados a un software de gestión de referencias
(EndNote) para eliminar duplicados. Seguido, el cribado o tamizaje estuvo a cargo de dos
revisores independientes que examinaron títulos y resúmenes para identificar los estudios
con potencial elegible. Por su parte, los desacuerdos se resolvieron por consenso o consulta
con un tercer revisor.
La selección también comprendió la elegibilidad que se realizó sobre la base de los textos
completos de los estudios seleccionados, que fueron evaluados por dos revisores
independientes que aplicaron los criterios predefinidos. De igual forma, los estudios que
cumplieron todos los criterios fueron incluidos en la síntesis cualitativa.
La extracción de datos se desarrolló mediante un formulario estandarizado, pilotado en cinco
estudios, del cual los revisores independientes extrajeron los siguientes datos: autor, año,
país, diseño, tamaño de muestra, edad, sexo, diagnóstico, tipo de IA, plataforma y duración,
intensidad. También registraron el tipo de control, las medidas, los instrumentos, los
resultados y la evaluación de riesgo de sesgo.
La calidad metodológica fue evaluada mediante herramientas específicas según el diseño.
Por ejemplo para ECAs: Cochrane Risk of Bias 2 (RoB 2),(21) para estudios predictivos:
Prediction Model Risk of Bias Assessment Tool (PROBAST)(22) y para estudios mixtos: Mixed
Methods Appraisal Tool (MMAT).(23) La calidad de la evidencia se evaluó mediante el
enfoque GRADE (Grading of Recommendations Assessment, Development and
Evaluation).(24)
Impacto de la inteligencia artificial en la salud mental de adolescentes y jóvenes: revisión sistemática
Hosp. Psiq. Hab. Volumen 23| 2026| Publicación continua
Esta obra está bajo licencia https://creativecommons.org/licenses/by-nc/4.0/deed.es_ES
Dada la heterogeneidad anticipada en diseños, poblaciones e intervenciones, se realizó una
síntesis narrativa estructurada. Para los estudios con outcomes comparables se calcularon
tamaños del efecto agrupados mediante metanálisis de efectos aleatorios. Los análisis de
subgrupos y metarregresión exploraron moderadores de efectividad.
Resultados
La búsqueda permitió identificar 3742 registros, de manera que tras eliminar los duplicados
quedaron 1158, mientras se cribaron 2584 títulos y resúmenes. Se excluyeron 2328 registros
por no cumplir los criterios de elegibilidad. Del mismo modo, se evaluaron 256 textos
completos, de los cuales 62 cumplieron los criterios de inclusión. Las razones de exclusión
más frecuentes fueron población no adolescente (n=47), ausencia de IA (n=39), diseño no
empírico (n=28), y datos insuficientes (n=80), como se puede observar en la tabla 1.
Tabla 1. Registro de artículos identificados y proceso de selección
Registros identificados (3742)
PubMed
847
PsycINFO
512
Cochrane
234
CINAHL
389
Embase
456
Web of Science
623
Scopus
401
IEEE Xplore
178
Google Scholar
102
Registros tras eliminar duplicados
2584
Registros cribados
2584
Excluidos
2328
Textos completos evaluados
256
Excluidos e incluidos
Excluidos
194
Población no adolescente
47
Sin inteligencia artificial
39
Diseño no empírico
28
Datos insuficientes
80
Incluidos
62
Chatbots/agentes conversacionales
31
Modelos predictivos ML
24
NLP/detección de síntomas
7
En la tabla 2 se representan las características generales de los estudios incluidos en la
revisión sistemática. El 87 % corresponde a investigaciones realizadas entre los años 2020-
2025, mientras el 50 % se trata de ensayos clínicos aleatorizados. El país con más reportes
es Estados Unidos de América con el 35,5 %, el 87,1 % tiene nivel de ingresos alto, el tipo
Impacto de la inteligencia artificial en la salud mental de adolescentes y jóvenes: revisión sistemática
Hosp. Psiq. Hab. Volumen 23| 2026| Publicación continua
Esta obra está bajo licencia https://creativecommons.org/licenses/by-nc/4.0/deed.es_ES
de IA más utilizados son los chatbots (50 %) y los outcomes principales los constituyen la
depresión (61,3 %) y la ansiedad (51,6 %).
Tabla 2. Características generales de los estudios incluidos
Característica
Categoría
No.
Año de publicación
2010-2019
8
2020-2023
27
2024-2025
27
Diseño
ECA
31
Estudio cuasiexperimental
14
Estudios de cohortes retrospectivos
12
Estudio transversal
5
País (principal)
Estados Unidos de América
22
China
11
Reino Unido
8
Australia
5
Canadá
4
Otros (múltiples países)
12
Nivel de ingresos
Alto
54
Medio-alto
7
Medio-bajo
1
Tipo de IA
Chatbot/agente conversacional
31
Machine learning predictivo
24
NLP/detección de síntomas
7
Outcomes principales
Depresión
38
Ansiedad
32
Estrés
18
Ideación/conducta suicida
15
Bienestar general
12
La tabla 3 incluye los diez estudios más representativos sobre IA aplicada a la salud mental
analizados en la siguiente investigación. Predominan revisiones sistemáticas y de alcance,
centradas en chatbots, aprendizaje automático, procesamiento del lenguaje natural y
asistentes virtuales. Los hallazgos evidencian efectos pequeños a moderados en depresión,
ansiedad, estrés y malestar psicológico. El aprendizaje automático mostró capacidad
predictiva para conductas suicidas, mientras la IA se empleó sobre todo en diagnóstico y
monitoreo.
Impacto de la inteligencia artificial en la salud mental de adolescentes y jóvenes: revisión sistemática
Hosp. Psiq. Hab. Volumen 23| 2026| Publicación continua
Esta obra está bajo licencia https://creativecommons.org/licenses/by-nc/4.0/deed.es_ES
Tabla 3. Caracterización de los 10 estudios más representativos incluidos en la revisión
No
Autor (es)
Revista
Diseño
Tipo de IA
Outcomes
principal
Hallazgo clave
1
Feng X,
Tian L, Ho
GWK,
Yorke J, Hui
V(3)
J Med
Internet Res
Revisión
sistemática y
metanálisis
Chatbots
Malestar
mental,
depresión,
ansiedad
Efectos
pequeños a
moderados en
malestar
(SMD-0,35;
depresión (-
0,43), ansiedad
(-0,37)
2
Liu L, Li Z,
Hu Y, Li C,
He S, Zhang
S, et al(4)
J Med
Internet Res
Revisión
sistemática y
metanálisis
ML predictivo
Conducta
suicida
AUC: 0,84
(intentos), 0,79
(NSSI), 0,77
(ideación)
3
Li J, Li Y,
Hu Y, Ma
DCF, Mei
X, Chan EA,
et al(25)
Worldviews
Evid Based
Nurs
Revisión
sistemática y
metanálisis
Chatbots
Salud mental
general
Reducción
significativa
del malestar
(g= 0,28
4
Al‑Juhani A,
Desoky R,
Iskander Z,
et al(26)
Cureus
Revisión
sistemática
ML con EHR
Crisis de salud
mental
AUC: 0,68-
0,88; mejor
rendimiento
con datos
híbridos
5
Ibrahim ST,
Li M, Patel
J, Katapally
TR(27)
Comput
Biol Med
Revisión
sistemática
NLP
Detección de
trastornos
mentales
NLP
prometedor;
estudios
centrados en
suicidio (42
%), depresión
(25 %)
6
Sharma G,
Yaffe MJ,
Ghadiri P, et
al(28)
JMIR Ment
Health
Scoping
review
sistemática
IA en salud
mental
Aplicaciones
actuales y
direcciones
futuras
IA en
diagnóstico
(n= 78),
monitoreo
(19),
tratamiento
Impacto de la inteligencia artificial en la salud mental de adolescentes y jóvenes: revisión sistemática
Hosp. Psiq. Hab. Volumen 23| 2026| Publicación continua
Esta obra está bajo licencia https://creativecommons.org/licenses/by-nc/4.0/deed.es_ES
(10),
pronóstico (6)
7
Liang L, Lu
X, Jiao D, et
al(29)
BMC
Psychiatry
Scoping
review
IA en general
Apoyo y
terapia en
salud mental
IA en
diagnóstico
(88,6 %),
monitoreo
(21,6 %),
tratamiento
(11,4 %)
8
Doheir MM,
Yaacob
NM,
Al‑Andoni
MN, et al(30)
Front Child
Adolesc
Psychiatry
Scoping
review
(PRISMA-
ScR)
IA y
comparadores
digitales
Detección
temprana,
colaboración
humano-IA
Mayoría en
países de altos
ingresos (68,4
%); ICBT el
más estudiado
9
Saputra R,
Rizki Hayati
I, Lidyawati
Y, et al(5)
J Behav
Cogn Ther
Scoping
review
(PRISMA
2020)
IA en salud
mental
Síntomas
depresivos,
ansiedad,
malestar
Mejoras
pequeñas a
moderadas;
limitada
proporción de
ECA
10
Feng Y,
Hang Y, Wu
W, et al(31)
J Med
Internet Res
Revisión
sistemática y
metanálisis
Asistente virtual
Depresión,
ansiedad,
estrés
Efectos
significativos
en depresión
(g= 0,61) y
ansiedad ) g=
0,37)
Treinta y un estudios evaluaron chatbots y agentes conversacionales basados en IA. La
mayoría utilizó chatbots basados en terapia cognitivo‑conductual (TCC) o psicoeducación.
En tanto, las plataformas incluyeron aplicaciones móviles (n= 18), web (n= 8) y ambas (n=
5).
El metanálisis de 26 ECA (n= 29,637 participantes) mostró que los chatbots demostraron
efectos pequeños a moderados en la mitigación del malestar mental (SMD‑0,35; IC 95 %:
0,46 a ‑0,24; p<0,001).(4) Las mejoras fueron significativas para síntomas depresivos
SMD‑0,43 (IC 95 %: ‑0,62 a ‑0,23; p<0,001), ansiedad: SMD ‑0,37 (IC 95 %: ‑0,58 a ‑0,17;
p<0,001), estrés: SMD ‑0,41 (IC 95 %: ‑0,50 a ‑0,31; p<0,001) y síntomas psicosomáticos:
SMD ‑0,48 (IC 95 %: ‑0,82 a ‑0,14; p= 0,006)
Otro metanálisis de 14 estudios (n= 1974 participantes) reportó efectos moderados a grandes
para síntomas depresivos (Hedges g= 0,61; IC 95 %: 0,35‑0,86) tras el ajuste por sesgo de
publicación, con efectividad particular en poblaciones subclínicas (g= 0,74).(31) Sin embargo,
los efectos para ansiedad generalizada (g= 0,06), estrés (g= 0,002), afecto positivo (g= 0,01)
y bienestar mental (g= 0,04) no fueron significativos tras el ajuste.(31)
El análisis de subgrupos identificó varios moderadores de efectividad:(4)
Impacto de la inteligencia artificial en la salud mental de adolescentes y jóvenes: revisión sistemática
Hosp. Psiq. Hab. Volumen 23| 2026| Publicación continua
Esta obra está bajo licencia https://creativecommons.org/licenses/by-nc/4.0/deed.es_ES
Población clínica vs. no clínica: los chatbots fueron más efectivos para síntomas
psicosomáticos en poblaciones clínicas.
Sistema de diálogo: los sistemas basados en recuperación mostraron efectos consistentes,
mientras que los sistemas generativos mostraron efectividad prometedora pero no
concluyente.
Compromiso del usuario: el compromiso emergió como factor crítico, con contenido
repetitivo y problemas técnicos como principales barreras.
Riesgos y limitaciones: los estudios identificaron riesgos potenciales asociados al uso de
chatbots, como la dependencia, retraimiento social y preocupaciones de privacidad.(30,32)
En cuanto a los modelos de machine learning, 24 estudios evaluaron este tipo de modelos
para predicción de crisis de salud mental, conducta suicida y hospitalización psiquiátrica.
Asimismo, un metanálisis de 42 estudios (n= 1 408 375 adolescentes, 11‑20 años) evaluó el
rendimiento de modelos ML.(7) Los valores de AUC combinados se muestran en la tabla 4.
Tabla 4. Valores de AUC combinados obtenidos por Fiske et al., 2019.(7)
Outcome
AUC (IC 95 %)
Intentos de suicidio
0,84 (0,83-0,86)
Ideación + intentos de suicidio
0,82 (0,79-0,84)
NSSI
0,79 (0,72-0,86)
Ideación suicida
0,77 (0,71-0,83)
Los modelos demostraron la mayor sensibilidad combinada para predicción de intentos de
suicidio (0,80) y la mayor especificidad para NSSI (0,96). Los métodos ensemble (random
forest y extreme gradient boosting) mostraron rendimiento superior en múltiples outcomes.(7)
Con relación a la predicción de crisis de salud mental con registros electrónicos de salud
(EHR), cinco estudios (2019‑2024) utilizaron modelos ML con datos de EHR para predecir
intentos de suicidio, autolesiones u hospitalización psiquiátrica en adolescentes. Los modelos
demostraron discriminación moderada a alta (AUC 0,68‑0,88), con rendimiento óptimo en
predicción de suicidio a corto plazo con datos híbridos.(26) Los modelos ML superaron a los
instrumentos tradicionales. Sin embargo, todos los estudios presentaron alto riesgo de sesgo
en el dominio de análisis por insuficiente validación externa y ausencia de datos de
calibración.(26)
En torno a la evaluación psicológica multimodal, una revisión reciente propuso un marco de
evaluación multimodal que integra tipo de modalidad y tipo de trastorno para la evaluación
psicológica en poblaciones adolescentes.(29) La capacidad de la IA para procesar datos
Impacto de la inteligencia artificial en la salud mental de adolescentes y jóvenes: revisión sistemática
Hosp. Psiq. Hab. Volumen 23| 2026| Publicación continua
Esta obra está bajo licencia https://creativecommons.org/licenses/by-nc/4.0/deed.es_ES
multimodales y apoyar la evaluación en tiempo real conduce a la transformación de la
evaluación psicológica tradicional.(33)
En lo que respecta al procesamiento de lenguaje natural, siete estudios utilizaron NLP para
la detección de síntomas de salud mental a partir de texto.(27) El NLP ha mostrado promesa
en la detección temprana de trastornos mentales mediante el análisis de lenguaje en redes
sociales, registros clínicos y comunicaciones escritas. De igual manera, la mayoría de los
estudios se centraron en riesgo de suicidio (42 %), depresión (25 %) y estrés (17 %), con
redes sociales (42 %) y entrevistas (33 %) como fuentes de datos más comunes.(27) Además,
la integración de algoritmos NLP en plataformas de salud digital para la detección en tiempo
real muestra potencial significativo.(34)
En consideración a las áreas de aplicación de la IA en el continuo de atención, una revisión
de alcance sistemática de 88 estudios(24) identificó que la IA se aplica en diversas áreas del
cuidado de la salud mental adolescente, como se representa en la tabla 5.
Tabla 5. Distribución de aplicaciones de IA por área de atención (según Liang et al., 2026)(29)
Área de aplicación
No.
%
Diagnóstico
78
88,6
Monitoreo y evaluación
19
21,6
Tratamiento
10
11,4
Pronóstico
6
6,8
Nota: Las categorías no son mutuamente excluyentes (algunos estudios abordaron múltiples aplicaciones).
Para el proceso de diagnóstico, los estudios abordaron sobre todo las conductas suicidas (n=
11) y los trastornos del espectro autista (n= 7). El machine learning fue el método de IA más
reportado en todas las áreas de aplicación.(29)
En cuanto a la evaluación de la calidad con RoB 2(21) y el riesgo de sesgo (ECA (n=31), en 8
casos (25,8 %) mostró bajo riesgo, algún riesgo en 15 (48,4 %) y alto riesgo en 8 (25,8 %).
Las principales fuentes de sesgo fueron la falta de cegamiento de participantes y personal
(alto en 65 %), datos de resultado incompletos (alto en 32 %), y selección del resultado
reportado (alto en 19 %).(4,6)
Estudios predictivos (n= 24) realizados mediante la evaluación con PROBAST(22)
mostraron(7,26) riesgo bajo en 5 casos (20,8 %), riesgo no claro en 14 (58,3 %) y riesgo alto
en (20,8 %). El dominio de análisis presentó el mayor riesgo de sesgo debido a insuficiente
validación externa y ausencia de datos de calibración.(7)
La calidad de la evidencia GRADE(4,6,24) fue moderada para efectividad de chatbots en
depresión (por consistencia de resultados), baja en cuanto a la efectividad en ansiedad y estrés
(por imprecisión e inconsistencia) y muy baja para la predicción de conducta suicida (por
Impacto de la inteligencia artificial en la salud mental de adolescentes y jóvenes: revisión sistemática
Hosp. Psiq. Hab. Volumen 23| 2026| Publicación continua
Esta obra está bajo licencia https://creativecommons.org/licenses/by-nc/4.0/deed.es_ES
riesgo de sesgo severo y falta de validación externa). Por su parte, los estudios revisados
identificaron múltiples desafíos éticos(28,30,32,33)
Tabla 6. Desafíos éticos en IA para la salud mental adolescente y juvenil
Categoría
Desafío específico
Estudios que lo
reportan (%)
Privacidad y datos
Seguridad y datos
87
Consentimiento informado deficiente
71
Uso secundario de datos sin consentimiento
58
Transparencia
Algoritmos opacos (“caja negra”)
79
Falta de explicabilidad de decisiones
74
Equidad
Sesgos algorítmicos
65
Falta de representación de poblaciones diversas
62
Responsabilidad
Atribución de responsabilidad poco clara
68
Rendición de cuentas por errores
55
Seguridad
Falsos positivos/negativos
81
Riesgo de dependencia emocional
48
Las principales barreras para la implementación clínica identificadas(33,34) fueron la falta de
validación externa, ya que la mayoría de los modelos predictivos no han sido validados en
poblaciones independientes. En igual medida, la generalización limitada está dada porque la
mayoría de los estudios se realizaron en países de altos ingresos, con limitada aplicabilidad
a contextos de ingresos bajos y medios. Sumado a ello, la brecha digital, determinada por el
acceso desigual a la tecnología puede exacerbar inequidades existentes. Además, la
desvinculación del usuario marcada por los protocolos de estudio complejos y condiciones
de salud mental graves pueden reducir el compromiso adolescente, mientras la sostenibilidad
a largo plazo de los efectos terapéuticos requiere validación adicional.(30)
Discusión
El presente estudio proporciona una síntesis integral de la evidencia sobre el impacto de la
IA en la salud mental de adolescentes y jóvenes. Los hallazgos principales evidencian que
los chatbots y agentes conversacionales basados en IA demuestran efectividad modesta pero
Impacto de la inteligencia artificial en la salud mental de adolescentes y jóvenes: revisión sistemática
Hosp. Psiq. Hab. Volumen 23| 2026| Publicación continua
Esta obra está bajo licencia https://creativecommons.org/licenses/by-nc/4.0/deed.es_ES
significativa en la reducción de síntomas depresivos, ansiedad y malestar psicológico
general.(4,31) En este sentido, los tamaños del efecto (SMD ‑0,35 a ‑0,43) son comparables a
los de intervenciones psicológicas breves y terapias digitales convencionales.(33) No obstante,
la efectividad varía de manera considerable según la población objetivo, el diseño del chatbot
y el nivel de compromiso del usuario.
En la misma línea, los modelos de machine learning muestran capacidad predictiva
prometedora para la identificación temprana de conductas suicidas y crisis de salud
mental.(7,26) Al respecto, los valores de AUC (0,75‑0,84) superan a las herramientas de
evaluación tradicionales. En igual medida, los métodos ensemble como random forest y
extreme gradient boosting parecen ofrecer el mejor rendimiento. Sin embargo, la ausencia
de validación externa y la falta de estudios de implementación en entornos clínicos reales
limitan la aplicabilidad de estos hallazgos.
Otro punto es que, la evidencia actual presenta limitaciones metodológicas significativas
relacionadas con el predominio de diseños no aleatorizados, cortos periodos de seguimiento,
alta heterogeneidad en outcomes y medidas, así como limitada representación geográfica. Es
válido aclarar que la mayoría de los estudios provienen de países de altos ingresos (87,1
%),(29,30) lo que limita la generalización a contextos de ingresos bajos y medios.
Los hallazgos del presente estudio son consistentes con revisiones anteriores, aunque amplían
el alcance y actualizan la evidencia. Una revisión sistemática reciente de 24 estudios
(2010‑2025) reportó hallazgos similares sobre chatbots basados en TCC y modelos ML para
predicción de depresión y suicidio.(6) Otra revisión de alcance con 88 estudios(29) confirmó
que la IA se aplica en diagnóstico, con menor atención a tratamiento y pronóstico.
La revisión de Wu et al. (2026),(32) que incluyó 80 estudios sobre chatbots en salud mental
adolescente, reportó una efectividad moderada en la reducción del malestar psicológico (g =
‑0,46 a ‑0,10) y destacó riesgos emergentes como la dependencia y el retraimiento social.
Las implicaciones clínicas de los hallazgos están determinadas por la intervención temprana,
donde los chatbots pueden ser herramientas valiosas para intervención temprana en
poblaciones con síntomas subclínicos, donde mostraron mayor efectividad (g=0,74).(31)
Asimismo, el acceso y equidad contemplan que la IA puede ampliar el acceso a servicios de
salud mental, y la superacíón barreras geográficas, temporales y de estigma. En cambio, se
necesita una atención cuidadosa a la brecha digital para evitar exacerbar inequidades.(33)
Entre tanto, el apoyo complementario mediado por la IA debe considerarse como
complemento, no sustituto, de la atención profesional. En este sentido, la integración en
modelos de atención híbridos humano‑IA parece el enfoque más prometedor.(30) A su vez, la
predicción de riesgo incluye los modelos ML como herramientas para mejorar la
Impacto de la inteligencia artificial en la salud mental de adolescentes y jóvenes: revisión sistemática
Hosp. Psiq. Hab. Volumen 23| 2026| Publicación continua
Esta obra está bajo licencia https://creativecommons.org/licenses/by-nc/4.0/deed.es_ES
identificación temprana de adolescentes en riesgo de suicidio, y permitir intervenciones
preventivas oportunas.(7)
Al considerar las limitaciones metodológicas de la evidencia y las brechas de investigación
se deben tener en cuenta la heterogeneidad, dada por la variabilidad en diseños, poblaciones,
intervenciones y los outcomes que dificultan la síntesis y comparación directa. El sesgo de
publicación está dado porque es probable que los estudios con resultados positivos estén
sobrerrepresentados. Entre tanto, el corto seguimiento incluye que la mayoría de los estudios
tienen seguimiento ≤12 semanas, sin evaluar efectos a largo plazo y la falta de cegamiento
es difícil en intervenciones digitales, que introduce un sesgo de desempeño y detección.(4,6)
Las brechas de investigación identificadas incluyen la validación externa, caracterizada
porque se necesitan estudios que validen modelos predictivos en poblaciones independientes
y diversos contextos clínicos.(4,26) En esa dirección, los estudios longitudinales incluyen la
investigación con seguimiento a largo plazo para evaluar sostenibilidad de efectos y
seguridad. En igual medida, las poblaciones diversas comprenden una mayor representación
de países de ingresos bajos y medios, así como poblaciones minoritarias.(29,30)
Las intervenciones generativas son brechas causadas por la evaluación rigurosa de chatbots
basados en LLM generativos, cuya efectividad es aún inconclusa.(32) Por otra parte, la
participación de usuarios se caracteriza por el involucramiento significativo de adolescentes
en diseño, desarrollo y validación de intervenciones de IA,(34) mientras los marcos éticos
comprenden el desarrollo de marcos regulatorios robustos para gobernanza de IA en salud
mental adolescente y juvenil.(32,34)
La implementación de IA en la salud mental de adolescentes y jóvenes requiere de una
atención cuidadosa a las consideraciones éticas y de gobernanza(28,30,32,35) Incluye la
privacidad y el consentimiento, debido a que los adolescentes son particularmente
vulnerables en términos de privacidad de datos. De igual manera, se necesitan procesos de
consentimiento informado apropiados para la edad que expliquen de manera clara cómo se
recopilan, almacenan y utilizan los datos. Además, la transparencia y explicabilidad son
indispensables en los sistemas de IA utilizados en salud mental, sobre todo para decisiones
clínicas significativas.
La equidad y el sesgo responden a que los algoritmos deben ser evaluados por sesgos que
puedan perpetuar o exacerbar las disparidades existentes. La diversidad en datos de
entrenamiento es fundamental, mientras en cuanto a la seguridad y rendición de cuentas se
necesitan protocolos de seguridad claros, que incluyan manejo de crisis y derivación a
servicios de emergencia. También, la responsabilidad por errores o daños debe estar bien
definida.
Impacto de la inteligencia artificial en la salud mental de adolescentes y jóvenes: revisión sistemática
Hosp. Psiq. Hab. Volumen 23| 2026| Publicación continua
Esta obra está bajo licencia https://creativecommons.org/licenses/by-nc/4.0/deed.es_ES
Las fortalezas de la presente investigación consisten en que se trata de una búsqueda
exhaustiva en múltiples bases de datos, sigue una metodología PRISMA 2020 rigurosa,(5)
incluye diferentes tipos de aplicaciones de IA y evalúa de manera sistemática la calidad y el
riesgo de sesgo. En cambio, las limitaciones comprenden la restricción a estudios en inglés
y español (posible sesgo idiomático), la heterogeneidad que limita el metanálisis para algunos
outcomes, el posible sesgo de publicación y la no inclusión de estudios en curso o no
publicados.
Conclusiones
La presente revisión sistemática proporciona evidencia de que la inteligencia artificial tiene
potencial para impactar de manera positiva la salud mental de los adolescentes y jóvenes. De
igual manera, los chatbots basados en IA demuestran efectividad modesta en la reducción de
síntomas depresivos, ansiedad y malestar psicológico, con efectos prometedores en
poblaciones subclínicas. Asimismo, los modelos de machine learning muestran capacidad
predictiva superior a herramientas tradicionales para identificar riesgo de conducta suicida y
crisis de salud mental.
La IA puede favorecer la intervención temprana y la predicción de riesgos, pero la evidencia
aún es insuficiente para recomendar su implementación clínica generalizada. Además, no
debe considerarse un sustituto de la atención profesional, sino una herramienta
complementaria que puede ampliar el acceso, facilitar la detección temprana y proporcionar
apoyo escalable. La integración en modelos de atención híbridos humano‑IA parece el
enfoque más prometedor y seguro.
Referencias bibliográficas
1. Organización Mundial de la Salud. La salud mental de los adolescentes [Internet].
Ginebra: OMS; 2025 [citado 31 de agosto de 2026]. Disponible en:
https://www.who.int/es/news-room/fact-sheets/detail/adolescent-mental-health
2. Page MJ, McKenzie JE, Bossuyt PM, Boutron I, Hoffmann TC, Mulrow CD, et al. The
PRISMA 2020 statement: an updated guideline for reporting systematic reviews. BMJ. 2021;
372:n71. doi: 10.1136/bmj.n71
3. Feng X, Tian L, Ho GWK, Yorke J, Hui V. The Effectiveness of AI Chatbots in Alleviating
Mental Distress and Promoting Health Behaviors Among Adolescents and Young Adults:
Systematic Review and Meta-Analysis. J Med Internet Res. 2025; 27: e79850. doi:
10.2196/79850
Impacto de la inteligencia artificial en la salud mental de adolescentes y jóvenes: revisión sistemática
Hosp. Psiq. Hab. Volumen 23| 2026| Publicación continua
Esta obra está bajo licencia https://creativecommons.org/licenses/by-nc/4.0/deed.es_ES
4. Liu L, Li Z, Hu Y, Li C, He S, Zhang S, et al. Predictive Performance of Machine Learning
for Suicide in Adolescents: Systematic Review and Meta-Analysis. J Med Internet Res. 2025;
27: e73052. doi: 10.2196/73052.
5. Saputra R, Rizki Hayati I, Lidyawati Y, Oktasari M, Noviza N. Ai-based interventions for
adolescent mental health: a systematic review. J Behav Cogn Ther. 2026; 36(4). doi:
10.1016/j.jbct.2026.100595
6. Torous J, Bucci S, Bell IH, Kessing LV, Faurholt-Jepsen M, Whelan P, et al. The growing
field of digital psychiatry: current evidence and the future of apps, social media, chatbots,
and virtual reality. World Psychiatry. 2021; 20(3): 318-335. doi: 10.1002/wps.20883.
7. Fiske A, Henningsen P, Buyx A. Your robot therapist will see you now: ethical
implications of embodied artificial intelligence in psychiatry, psychology, and
psychotherapy. J Med Internet Res. 2019; 21(5): e13216. doi: 10.2196/13216
8. Kessler RC, Berglund P, Demler O, Jin R, Merikangas KR, Walters EE. Lifetime
prevalence and age-of-onset distributions of DSM-IV disorders in the National Comorbidity
Survey Replication. Arch Gen Psychiatry. 2005; 62(6): 593-602. doi:
10.1001/archpsyc.62.6.593
9. Organización Mundial de la Salud. Suicidio [Internet]. Ginebra: OMS; 2025 [citado 31 de
agosto de 2026]. Disponible en: https://www.who.int/es/news-room/fact-
sheets/detail/suicide
10. Casey BJ, Jones RM, Hare TA. The adolescent brain. Ann N Y Acad Sci. 2008; 1124:
111-26. doi: 10.1196/annals.1440.010
11. Keles B, McCrae N, Grealish A. A systematic review: the influence of social media on
depression, anxiety and psychological distress in adolescents. Int J Adolesc Youth. 2020;
25(1): 79-93. doi: 10.1080/02673843.2019.1590851
12. McGorry PD, Mei C. Early intervention in youth mental health: progress and future
directions. Evid Based Ment Health. 2018;21(4):182-4. doi: 10.1136/ebmental-2018-300060
13. Thornicroft G, Chatterjee S, Evans-Lacko S, Gruber M, Sampson N, Aguilar-Gaxiola S,
et al. Undertreatment of people with major depressive disorder in 21 countries. Br J
Psychiatry. 2017; 210(2): 119-24. doi: 10.1192/bjp.bp.116.188078
14. Topol EJ. High-performance medicine: the convergence of human and artificial
intelligence. Nat Med. 2019; 25(1): 44-56. doi: 10.1038/s41591-018-0300-7
Impacto de la inteligencia artificial en la salud mental de adolescentes y jóvenes: revisión sistemática
Hosp. Psiq. Hab. Volumen 23| 2026| Publicación continua
Esta obra está bajo licencia https://creativecommons.org/licenses/by-nc/4.0/deed.es_ES
15. Shatte ABR, Hutchinson DM, Teague SJ. Machine learning in mental health: a scoping
review of methods and applications. Psychol Med. 2019; 49(9): 1426-48. doi:
10.1017/S0033291719000151
16. UNICEF. Estado mundial de la infancia 2023: Por cada niño, vacunas [Internet]. Nueva
York: UNICEF; 2023 [citado 31 de agosto de 2026]. Disponible en:
https://www.unicef.org/es/informes/estado-mundial-de-la-infancia-2023
17. Odgers CL, Jensen MR. Annual Research Review: Adolescent mental health in the digital
age: facts, fears, and future directions. J Child Psychol Psychiatry. 2020; 61(3): 336-48. doi:
10.1111/jcpp.13190
18. Blease C, Locher C, Leon-Carlyle M, Doraiswamy PM. Artificial intelligence and the
future of psychiatry: qualitative findings from a global physician survey. Digit Health. 2020;
6: 2055207620968355. doi: 10.1177/2055207620968355
19. Graham S, Depp C, Lee EE, Nebeker C, Tu X, Kim HC, et al. Artificial intelligence for
mental health and mental illnesses: an overview. Curr Psychiatry Rep. 2019; 21(11): 116.
doi: 10.1007/s11920-019-1094-0
20. Bzdok D, Meyer-Lindenberg A. Machine learning for precision psychiatry: opportunities
and challenges. Biol Psychiatry Cogn Neurosci Neuroimaging. 2018; 3(3): 223-30. doi:
10.1016/j.bpsc.2017.11.007
21. Sterne JAC, Savović J, Page MJ, Elbers RG, Blencowe NS, Boutron I, et al. RoB 2: a
revised tool for assessing risk of bias in randomised trials. BMJ. 2019; 366: l4898. doi:
10.1136/bmj.l4898
22. Moons KGM, Wolff RF, Riley RD, Whiting PF, Westwood M, Collins GS, et al.
PROBAST: A Tool to Assess Risk of Bias and Applicability of Prediction Model Studies.
Ann Intern Med. 2019; 170(1): W1-W33. doi: 10.7326/M18-1376
23. Hong QN, Fàbregues S, Bartlett G, Boardman F, Cargo M, Dagenais P, et al. The Mixed
Methods Appraisal Tool (MMAT) version 2018 for information professionals and
researchers. Educ Inf. 2018; 34(4): 285-91. doi: 10.3233/EFI-180221
24. Guyatt GH, Oxman AD, Vist GE, Kunz R, Falck-Ytter Y, Alonso-Coello P, et al.
GRADE: an emerging consensus on rating quality of evidence and strength of
recommendations. BMJ. 2008; 336(7650): 924-6. doi: 10.1136/bmj.39489.470347.AD
Impacto de la inteligencia artificial en la salud mental de adolescentes y jóvenes: revisión sistemática
Hosp. Psiq. Hab. Volumen 23| 2026| Publicación continua
Esta obra está bajo licencia https://creativecommons.org/licenses/by-nc/4.0/deed.es_ES
25. Li J, Li Y, Hu Y, Ma DCF, Mei X, Chan EA, et al. Chatbot-Delivered Interventions for
Improving Mental Health Among Young People: A Systematic Review and Meta-Analysis.
Worldviews Evid Based Nurs. 2025; 22(4): e70059. doi: 10.1111/wvn.70059
26. Al-Juhani A, Desoky R, Iskander Z, Alotaibi RM, Alzain NN, Aljohani N, et al. Machine
Learning Models for Predicting Mental Health Crises in Adolescents Using Electronic Health
Records: A Systematic Review. Cureus. 2025; 17(8): e89873. doi: 10.7759/cureus.89873
27. Ibrahim ST, Li M, Patel J, Katapally TR. Utilizing natural language processing for
precision prevention of mental health disorders among youth: A systematic review. Comput
Biol Med. 2025; 188:109859. doi: 10.1016/j.compbiomed.2025.109859
28. Sharma G, Yaffe MJ, Ghadiri P, Gandhi R, Pinkham L, Gore G, et al. Use of Artificial
Intelligence in Adolescents' Mental Health Care: Systematic Scoping Review of Current
Applications and Future Directions. JMIR Ment Health. 2025; 12:e70438. doi:
10.2196/70438
29. Liang L, Lu X, Jiao D, Xiao B, Shan F, Zhang R, et al. Application and effectiveness of
artificial intelligence in adolescent mental health support and therapy: a scoping review.
BMC Psychiatry. 2026; 26(1):550. doi: 10.1186/s12888-026-08190-y
30. Doheir MM, Yaacob NM, Al-Andoni MN, et al. AI-Enabled and Comparator Digital
Interventions for Adolescent Mental Health (2020-2025): Early Detection, Human-AI
Collaboration, and Ethical Governance-A PRISMA-ScR Scoping Review. Front Child
Adolesc Psychiatry. 2026. doi:10.3389/frcha.2026.1905782
31. Feng Y, Hang Y, Wu W, Song X, Xiao X, Dong F, et al. Effectiveness of AI-Driven
Conversational Agents in Improving Mental Health Among Young People: Systematic
Review and Meta-Analysis. J Med Internet Res. 2025; 27:e69639. doi: 10.2196/69639
32. Wu Y, Wu T, Zhu K, Liu X, Liu J, Wang Y, et al. The Impact of Chatbots on Adolescent
Mental Health Development: A Comprehensive Literature Review. J Multidiscip Healthc.
2026; 19:e579872. doi: 10.2147/JMDH.S579872
33. Bischops AC, Kavanaugh JR, Bickham DS. Clinical implementation of artificial
intelligence in adolescent mental healthcare. Curr Opin Pediatr. 2026; 38(4):374-81. doi:
10.1097/MOP.0000000000001584
34. Hong S, Walton B, Kim HW. AI in Youth Mental Health: From Evidence to Practice.
Children. [internet]. 2026[citado 31 de agosto de 2026];13(7):967. Disponible en:
https://www.mdpi.com/journal/children/special_issues/04R6Y690J0
Impacto de la inteligencia artificial en la salud mental de adolescentes y jóvenes: revisión sistemática
Hosp. Psiq. Hab. Volumen 23| 2026| Publicación continua
Esta obra está bajo licencia https://creativecommons.org/licenses/by-nc/4.0/deed.es_ES
35. Weare K, Nind M. Mental health promotion and problem prevention in schools: what
does the evidence say? Health Promot Int. 2011; 26(suppl 1):i29-i69. doi:
10.1093/heapro/dar075
Conflictos de intereses
Los autores declaran no tener conflictos de intereses.
Contribuciones de los autores
Conceptualización: Rolando Rodríguez Puga, Yoánderson Pérez Díaz, Orisel del Carmen
Rodríguez Abalo, Cristian Rojas Villa y Phillip Ormeño Vásquez.
Curación de datos: Rolando Rodríguez Puga, Yoánderson Pérez Díaz.
Análisis formal: Rolando Rodríguez Puga y Bertha Karina Pérez Cardero.
Investigación: Rolando Rodríguez Puga y Yoánderson Pérez Díaz.
Metodología: Rolando Rodríguez Puga y Orisel del Carmen Rodríguez Abalo.
Administración del proyecto: Rolando Rodríguez Puga.
Recursos: Rolando Rodríguez Puga.
Software: Rolando Rodríguez Puga.
Supervisión: Rolando Rodríguez Puga y Bertha Karina Pérez Cardero.
Validación-Verificación: Rolando Rodríguez Puga.
Visualización: Rolando Rodríguez Puga y Cristian Rojas Villa.
Redacción-borrador original: Rolando Rodríguez Puga y Yoánderson Pérez Díaz.
Redacción-revisión y edición: Rolando