Predicción de consumo de sustancias en adolescentes: ¿Innovación o hype?

Un nuevo estudio del proyecto ABCD combina IA longitudinal y grafos para anticipar el inicio del consumo de alcohol y marihuana, pero ¿realmente representa un salto tecnológico o sólo una campaña de marketing?

18 de agosto de 2026 · Fuente original: ArXiv – Inteligencia Artificial

Un equipo de investigadores ha puesto bajo la lupa a casi 12.000 jóvenes del estudio ABCD (Adolescent Brain Cognitive Development), una de las bases de datos más extensas sobre desarrollo infantil. El objetivo: descubrir si es posible predecir, con suficiente antelación, quién comenzará a probar alcohol o marihuana. Para ello, se compararon tres enfoques diferentes: modelos estáticos que usan solo datos de la primera visita, modelos longitudinales que consideran la evolución en el tiempo, y redes de grafos que incorporan relaciones familiares, escolares y de similitud entre participantes.

Los algoritmos probados abarcan desde árboles de decisión tradicionales (XGBoost) hasta redes neuronales recurrentes y, lo más llamativo, las Temporal Graph Convolutional Networks (T‑GCN). Estas últimas intentan capturar no solo la trayectoria individual de cada adolescente, sino también cómo su entorno –amigos, escuela, barrio– influye en sus decisiones. En la práctica, se construyeron tres tipos de grafos: uno familiar, otro escolar y uno basado en la similitud de características (por ejemplo, nivel socio‑económico o síntomas conductuales).

Los resultados mostraron que los modelos longitudinales superaron consistentemente a los estáticos. En particular, una versión temporal de XGBoost alcanzó los mejores valores de AUC‑ROC (área bajo la curva de características operativas del receptor), superando el 0,79 para todos los escenarios de consumo. Las T‑GCN, aunque no lograron superar a XGBoost en términos puros de precisión, aportaron información complementaria que, al combinarse mediante “stacking” (una técnica que fusiona predicciones de varios modelos), elevó el desempeño global por encima del 0,80.

Más allá de los números, el estudio destaca qué variables resultan más relevantes. Entre los factores de mayor peso aparecen la desviación de pares (conducta del grupo de amigos), la edad, los síntomas externalizantes (conducta impulsiva o agresiva), la supervisión parental, normas culturales y el contexto vecinal. En otras palabras, el riesgo de iniciar el consumo no se reduce a un simple marcador biológico; está fuertemente mediado por la dinámica social y familiar del adolescente.

Desde una perspectiva crítica, es necesario preguntarse si este avance constituye una verdadera revolución o simplemente una nueva capa de marketing para la industria de la IA. Por un lado, la integración de datos longitudinales y grafos representa una metodología más holística que los enfoques aislados que predominaban hace unos años. Por otro, la complejidad añadida implica costos de recolección y procesamiento de datos que pueden quedar fuera del alcance de la mayoría de los sistemas de salud pública, beneficiando principalmente a instituciones con grandes presupuestos y acceso a bases de datos extensas.

En mi opinión, la noticia es a la vez prometedora y alarmante. Prometedora porque muestra que, con la combinación adecuada de técnicas, podemos identificar a tiempo a jóvenes en riesgo y diseñar intervenciones más precisas. Alarmante porque la misma herramienta podría ser utilizada por entidades privadas para segmentar a adolescentes en campañas de marketing de productos legales o, peor aún, para fines de vigilancia social. La línea que separa la prevención de la intrusión es cada vez más difusa.

💡 El panorama general: ¿Cómo nos afecta esto?

En el plano social, la capacidad de predecir el consumo de sustancias con alta precisión podría transformar los programas de prevención escolar y comunitaria, permitiendo una asignación más eficiente de recursos. Sin embargo, si los datos se concentran en manos de corporaciones o gobiernos sin una regulación clara, podríamos enfrentar una nueva forma de discriminación basada en la “probabilidad de riesgo”, que limitaría oportunidades educativas o laborales para los jóvenes etiquetados.

Ética y económicamente, la cuestión central es quién paga por la infraestructura necesaria para recolectar, almacenar y analizar estos datos. Las grandes instituciones de investigación y los conglomerados de salud están mejor posicionados, mientras que los sistemas educativos de bajos recursos podrían quedar rezagados, ampliando la brecha de desigualdad. Además, la falta de transparencia en los algoritmos –una “caja negra” típica de la IA– dificulta la auditoría y la rendición de cuentas.

Mirando al futuro, lo más probable es que veamos una proliferación de proyectos que intenten replicar este modelo en otras poblaciones, pero sin la rigurosidad del ABCD. Si la comunidad científica y los reguladores no establecen estándares claros, corremos el riesgo de que la promesa de la IA en salud preventiva se convierta en un mito alimentado por campañas de relaciones públicas. Por eso, es vital que el debate público acompañe a la investigación, para que la tecnología sirva a la sociedad y no al revés.