Título: Reevaluación de marcadores lingüísticos de psicosis: del NLP tradicional a los LLMs
Director: Dr. Diego Fernandez Slezak
Jurados: Dr. Ernesto Mislej, Dr. Carlos Diuk

Resumen:
El lenguaje juega un rol importante en la detección temprana de psicosis. Incluso, en estudios previos, se incorporaron técnicas de NLP tradicional para predecir la transición a psicosis en pacientes de alto riesgo (CHR por “Clinical High Risk”) con resultados prometedores. Este trabajo se propone reevaluar dichos hallazgos utilizando modelos de lenguaje de gran escala (LLMs) —Gemini 2.5 Flash, Gemini 2.5 Pro, DeepSeek y GPT-5- mini— en configuraciones zero-shot y few-shot.
Se exploró principalmente un enfoque de clasificación end-to-end, en el cual los resultados muestran que tres de los cuatro modelos superan la clasificación trivial, con Gemini 2.5 Flash alcanzando un desempeño comparable al reportado por los métodos tradicionales. La excepción es GPT-5-mini, que presentó un sesgo sistemático hacia clasificaciones negativas. Sin embargo, la clasificación resulta sensible tanto a variaciones en las instrucciones como a los ejemplos del few-shot, siendo esta última fuente de variación incluso más determinante. Ante esa incertidumbre, el enfoque zero-shot emergió como alternativa robusta y razonable. Adicionalmente, se observó que los modelos exhiben cierta noción de su propia incertidumbre, constituyendo un potencial flag de ambigüedad clínica. Finalmente, se analizó una extracción libre de características, donde la metacognición emergió como el marcador más consistentemente diferenciador entre los pacientes que transicionaron a psicosis y los que no, coherente con la literatura que lo señala como factor protector.

Palabras clave: computational psychiatry, predicción de psicosis, NLP, LLM, few-shot
prompting