Alertas de Riesgo de Abandono Terapéutico
Un modelo de machine learning ligero analiza señales comportamentales internas y sugiere al terapeuta prestar atención a determinados patrones — sin emitir diagnósticos ni calificar al paciente.
Cómo funciona
Una Cloud Function se ejecuta automáticamente cada semana y analiza las señales de todos los pacientes activos. El resultado — bajo, medio o alto — se almacena en Firestore con acceso exclusivo del terapeuta propietario. Los datos de señales nunca se exponen al frontend; solo el nivel de alerta resultante.
El modelo es una regresión logística entrenada con datos sintéticos calibrados sobre literatura de adherencia terapéutica. No aprende de los datos del paciente ni comparte información entre terapeutas.
Señales observadas
Brecha entre sesiones
Una distancia creciente entre citas podría sugerir dificultades de adherencia o cambios en la motivación del paciente.
Tasa de inasistencias
El porcentaje de citas no atendidas sobre el total programado en las últimas semanas se observa como indicador de continuidad.
Evolución PHQ-9
Una variación marcada en la escala PHQ-9 entre sesiones consecutivas podría indicar cambios en el estado de ánimo que merecen atención.
Evolución GAD-7
La trayectoria del GAD-7 a lo largo del tiempo se integra como señal de posibles cambios en el nivel de malestar.
Inactividad en notas clínicas
Períodos prolongados sin registro de notas post-sesión podrían sugerir cambios en el flujo terapéutico habitual del profesional.
Tendencia de frecuencia
Una reducción gradual en la frecuencia de sesiones, valorada en su contexto, podría ser relevante para la planificación terapéutica.
Privacidad y GDPR
- ✓Las señales de análisis nunca se exponen al cliente web.
- ✓El resultado de riesgo solo puede escribirlo la Cloud Function mediante Admin SDK.
- ✓Datos almacenados en europe-west1 exclusivamente (GDPR Art. 9).
- ✓Ningún terapeuta puede acceder a los datos de riesgo de otro.