ISSN: 3103-1471
https://salmus.esprint.tech
Vol. 1 N° 2, julio-diciembre 2025, e9
Artículo de revisión
Inteligencia artificial generativa aplicada a la salud mental: un análisis
bibliométrico
Generative artificial intelligence applied to mental health: a bibliometric analysis
Dayana Pauled Rodríguez Cevallos
1 *
1
Escuela Superior Politécnica de Chimborazo (ESPOCH), Facultad de Medicina. Riobamba, Ecuador.
*Autor de correspondencia: pauledcevallos2705@gmail.com
Recibido: 25 de agosto de 2025
Aceptado: 3 de octubre de 2025
Publicado: 9 de octubre de 2025
Cómo citar este artículo:
Rodríguez Cevallos, D. P. Inteligencia artificial generativa aplicada a la salud mental: un análisis bibliométrico.
Salmus [Internet]. 2025 [citado ]; 1(2): e9. Disponible en: https://doi.org/10.61347/rcss.v1i2.e9
Resumen
Introducción: l
a inteligencia artificial generativa ha emergido
como una tecnología disruptiva con un potencial significativo para
transformar la investigación y la práctica en salud mental,
impulsando nuevas formas de análisis, diagnóstico y apoyo
terapéutico.
Objetivo: c
aracterizar la producción científica sobre inteligencia
artificial generativa en salud mental mediante un análisis
bibliométrico, identificando tendencias temporales, patrones de
colaboración y temas emergentes principales.
Métodos: s
e realizó un estudio bibliométrico cuantitativo y
descriptivo basado en documentos indexados en la base de datos
Scopus, recuperados mediante una estrategia de búsqueda
estructurada y criterios de elegibilidad claramente definidos. El
corpus final estuvo conformado por 1988 estudios publicados entre
2020 y 2025, los cuales fueron analizados utilizando el paquete
bibliometrix de R Studio y su interfaz Biblioshiny para llevar a cabo
análisis de desempeño y mapeo científico.
Resultados: s
e evidencia un crecimiento exponencial de la
producción científica a partir de 2023, con una elevada tasa de
colaboración internacional y una fuerte concentración de
publicaciones en países e instituciones líderes de Estados Unidos y
China. Temáticamente,
los modelos de lenguaje de gran escala y
los sistemas conversacionales se consolidan como ejes centrales del
campo, mientras que emergen perspectivas investigativas
vinculadas a la psiquiatría computacional, la ética y la salud mental
digital.
Conclusiones: l
a GenAI se posiciona como un componente
estructural del ecosistema científico en salud mental, configurando
un cambio paradigmático que demanda enfoques
interdisciplinarios, marcos éticos sólidos y una agenda de
investigación orientada a su integración responsable y sostenible.
Palabras clave:
Análisis bibliométrico, GenAI, inteligencia artificial generativa,
LLM, salud mental.
Abstract
Introduction: generative artificial intelligence has emerged
as a disruptive technology with significant potential to
transform research and practice in mental health, fostering
new approaches to analysis, diagnosis, and therapeutic
support.
Objective: t
o characterize the scientific production on
generative artificial intelligence in mental health through a
bibliometric analysis, identifying temporal trends,
collaboration patterns, and major emerging themes.
Methods: a quantitative and descriptive bibliometric study
was conducted based on documents indexed in the Scopus
database, retrieved using a structured search strategy and
clearly defined eligibility criteria. The final corpus comprised
1,988 studies published between 2020 and 2025, which were
analyzed using the bibliometrix package and its Biblioshiny
interface to perform performance analysis and scientific
mapping.
Results: an exponential growth in scientific output has been
observed since 2023, accompanied by a high level of
international collaboration and a strong concentration of
publications in leading countries and institutions from the
United States and China. Thematical
ly, large language
models and conversational systems have consolidated as
central axes of the field, while emerging research
perspectives are linked to computational psychiatry, ethics,
and digital mental health.
Conclusions: GenAI is positioned as a structural component
of the scientific ecosystem in mental health, shaping a
paradigm shift that calls for interdisciplinary approaches,
robust ethical frameworks, and a research agenda oriented
toward its responsible and sustainable integration.
Keywords:
Bibliometric analysis, GenAI, generative artificial intelligence,
LLM, mental health.
Copyright: Derechos de autor 2025 Dayana Pauled Rodríguez Cevallos.
Esta obra está
bajo una licencia internacional
Creative Commons Atribución-NoComercial 4.0
Revista de Ciencias de la Salud Salmus, 1(2), e9
2
Dayana Pauled Rodríguez Cevallos
Introducción
El campo de la Inteligencia Artificial (IA) ha crecido exponencialmente como una tecnología
transformadora que está cada vez más presente en diversas disciplinas
(1)
. En la actualidad, esta
tecnología se ha extendido en el ámbito de la atención médica inteligente, impulsando aún más el
desarrollo y la aplicación de la IA en este campo
(2)
. En el contexto de la salud mental, donde la
comprensión de los comportamientos y emociones humanos complejos es primordial, la IA ofrece un
gran potencial al proporcionar perspectivas y soluciones que antes estaban fuera del alcance de
métodos convencionales, ofreciendo enfoques avanzados de detección, terapias personalizadas y
plataformas terapéuticas virtuales
(3)
.
La salud mental se define como el estado de bienestar psicológico y emocional que permite a las
personas afrontar los momentos de estrés
(4)
. A nivel mundial, la mitad de las personas experimentan
un trastorno de salud mental en su vida y 1 de cada 8 personas experimenta un problema de salud
mental
(5)
. A pesar de que las enfermedades mentales son la principal causa de discapacidad en todo el
mundo, menos de la mitad de todas las personas con una condición de salud mental buscan o reciben
tratamiento basado en evidencia
(6)
.
En este sentido, la inteligencia artificial generativa (GenAI) se puede utilizar para la promoción y
prevención de la salud mental y el bienestar
(7)
. GenAI es una rama del aprendizaje automático capaz
de crear nuevos contenidos en una variedad de formatos como texto, imágenes, audio, código, sonido,
video y otro contenido producido.
(1,8)
Estas tecnologías pueden organizar conceptos complejos y
abstractos, lo que permite identificar, traducir, predecir y generar respuestas, facilitando la interacción
en lenguaje natural
(5)
.
La integración de estas tecnologías en la salud mental está remodelando el panorama del bienestar
mental. Varios estudios ilustran el estado del arte y los retos en esta área. Kolding et al.
(9)
realizaron
una revisión sistemática en la que identificó 40 artículos que abordan aplicaciones de GenAI en
psiquiatría y salud mental, destacando que la mayoría de los trabajos se realizan como experimentos
de tipo prompt, encuestas, estudios piloto, etc. y que hay déficits importantes en validaciones clínicas,
transparencia metodológica y atención a riesgos éticos.
Jin et al.
(10)
revisaron cómo se utilizan los modelos de lenguaje grande (LLMs) en el campo de la
salud mental, identificando que la mayoría de los estudios se centran en la detección de trastornos
como la depresión y el riesgo suicida, y que los LLMs demuestran un rendimiento comparativo o
superior al de humanos y modelos tradicionales en la identificación y análisis de riesgos en datos
sociales y clínicos. De igual manera, Wang et al.
(11)
evaluaron las capacidades y limitaciones actuales
de los modelos de GenAI en aplicaciones de salud mental. Los resultados sugieren que, si bien la IA
generativa es prometedora en tareas de psicoeducación y conciencia emocional, sus capacidades en
diagnóstico, competencia cultural y lingüística, y la generación de confianza y compromiso emocional
siguen siendo limitadas.
A pesar de estos avances, existen aspectos críticos que aún no han sido suficientemente abordados,
como la caracterización cuantitativa del desarrollo científico en este dominio, la distribución geográfica
del conocimiento o los patrones de colaboración entre autores e instituciones. La falta de estudios
bibliométricos exhaustivos limita la comprensión integral de cómo se ha estructurado esta producción
científica y cuáles son los focos emergentes de investigación. Tal caracterización es crucial para orientar
futuras investigaciones, identificar lagunas de conocimiento y fortalecer la base teórica y metodológica
del campo.
Por lo tanto, el presente estudio tiene como objetivo caracterizar la producción científica sobre
inteligencia artificial generativa en salud mental mediante un análisis bibliométrico, identificando
tendencias temporales, distribución geográfica e institucional, patrones de colaboración y temas
Revista de Ciencias de la Salud Salmus, 1(2), e9
3
Dayana Pauled Rodríguez Cevallos
emergentes principales. Las preguntas de investigación que guían la investigación son: (1) ¿cuál es la
evolución temporal de la producción científica y su impacto en inteligencia artificial generativa
aplicada a la salud mental?; (2) ¿cuáles son los países, instituciones y autores más prolíficos y
colaborativos en este ámbito?; y (3), ¿qué tendencias temáticas emergen en la literatura sobre IA
generativa en salud mental?
Métodos
El presente estudio se desarrolló bajo un enfoque cuantitativo, descriptivo y retrospectivo, empleando
técnicas bibliométricas. Se consideraron artículos científicos originales, revisiones, actas de congresos
y capítulos de libro publicados entre 2020 y 2025 hasta la fecha de consulta (17/12/2025) sin restricción
de idioma. Se incluyeron artículos científicos, revisiones bibliográficas, capítulos de libros y actas de
congresos.
Fuentes de información y estrategia de búsqueda
Se utilizó la base de datos Scopus como fuente principal de información, seleccionada por su amplia
cobertura multidisciplinaria y sus rigurosos estándares de indexación. La estrategia de búsqueda se
diseñó para recuperar estudios relacionados con la inteligencia artificial generativa y la salud mental.
Por lo tanto, se combinaron dos categorías conceptuales en los campos de título, resumen y palabras
clave (title-abs-key): (1) GenAI, (2) mental health. La búsqueda permitió recuperar un total de 1990
documentos tal como se detalla en la Tabla 1.
Tabla 1. Estrategia de búsqueda
Base de datos Cadena de búsqueda Estudios
Scopus
( TITLE-ABS-
KEY ( GenAI OR "Generative AI" OR "generative artificial
intelligence" OR "generative model" OR "chat generative" OR "conversational
AI" OR "conversational model" OR "large language model" OR "LLM" ) AND
TITLE-ABS-KEY ( "mental health" OR depression OR anxiety OR dementia OR
"cognitive impairment" OR "psychological distress" OR "neurological
complication" OR psichology OR psychiatry ) ) AND PUBYEAR > 2019 AND
PUBYEAR < 2026 AND ( LIMIT-TO ( DOCTYPE , "ar" ) OR LIMIT-TO (
DOCTYPE , "cp" ) OR LIMIT-TO ( DOCTYPE , "re" ) OR LIMIT-TO (
DOCTYPE , "ch" ) )
1990
Procesamiento y análisis de los datos
Los metadatos extraídos de Scopus fueron importados, procesados y analizados mediante el paquete
Bibliometrix
(12)
en R (versión 4.5.1) utilizando su interfaz gráfica interactiva Biblioshiny, accesible con la
función biblioshiny(). Esta herramienta realiza automáticamente la limpieza y normalización de datos,
incluyendo la desambiguación de nombres de autores, estandarización de afiliaciones institucionales,
corrección de inconsistencias en palabras clave y generación del objeto bibliométrico principal.
El análisis de los datos se estructuró en los niveles clásicos de mapeo científico
(13)
utilizando las
funcionalidades integradas de biblioshiny, analizando variables relacionadas a la producción y citación
científica anual, en la cual se analiza la dinámica temporal de la investigación, evidenciando fases de
crecimiento, consolidación o madurez, así como la relación entre volumen de publicaciones y su
impacto académico. De forma complementaria, la producción científica por autor, la cual identifica a
los investigadores más influyentes, mostrando cómo el liderazgo individual contribuye a la visibilidad
y orientación temática del área.
Revista de Ciencias de la Salud Salmus, 1(2), e9
4
Dayana Pauled Rodríguez Cevallos
Además, se analizaron las fuentes de publicación más relevantes, con el fin de identificar los
principales canales editoriales a través de los cuales se difunde el conocimiento en el área. De manera
complementaria, se examinó la producción científica por institución educativa y la producción
científica por país, lo que permitió localizar los núcleos académicos y geográficos con mayor
concentración de investigación, así como evidenciar los patrones de colaboración científica a escala
internacional. Finalmente, el análisis temático permitió integrar estos resultados mediante la
identificación de los principales ejes conceptuales y líneas de investigación emergentes, articulando la
productividad, el impacto y la distribución del conocimiento con la evolución conceptual del campo
estudiado.
Resultados
La caracterización general del corpus bibliográfico se reduce al periodo 2020–2025, lapso temporal
seleccionado debido a que coincide con la fase de mayor desarrollo y adopción de modelos de GenAI.
Se identificó 2 documentos duplicados, conformándose un conjunto final de 1988 estudios,
predominando los artículos científicos (n = 1077), seguidos por documentos de conferencias (n = 705),
revisiones (n = 159) y capítulos de libro (n = 47). La producción analizada se distribuye en 710 fuentes
distintas y fue desarrollada por 8611 autores, con una proporción reducida de documentos de autor
único (n = 134).
Producción y citación científica anual
El análisis de la producción y citación científica anual se observa en la Figura 1, esta muestra un patrón
de crecimiento exponencial a lo largo del periodo 2020–2025, aunque con una dinámica diferenciada
entre volumen de publicaciones y número de citaciones. Esta tendencia se intensifica en 2024, año que
registra 580 publicaciones y el mayor número de citaciones anuales. En contraste, 2025 presenta el
mayor número de publicaciones, pero una disminución relativa en las citaciones, fenómeno atribuible
al menor tiempo de exposición de los documentos recientes para acumular citas.
Figura 1. Producción científica anual y número de citaciones
Producción científica por autor
La Tabla 2 muestra los autores más influyentes, destacando a John Blake Torous como el más prolífico,
con 23 publicaciones, 355 citaciones acumuladas y un índice h de 10, evidenciando una contribución
sostenida desde los primeros años de desarrollo del campo. Así también, autores como Zohar Elyoseph
e Inbar Levkovich presentan un impacto citacional notable (397 y 245 citaciones, respectivamente) pese
a una incorporación más reciente. Otros investigadores, como Xuhai Orson Xu y Dorit Hadar-Shoval,
14
21
27
148
580
1198
242
380
507
4104
5966
1752
0
1000
2000
3000
4000
5000
6000
7000
2019 2020 2021 2022 2023 2024 2025 2026
Producción anual Citación anual
Revista de Ciencias de la Salud Salmus, 1(2), e9
5
Dayana Pauled Rodríguez Cevallos
combinan una productividad moderada con altos niveles de citación, reflejando contribuciones
relevantes en líneas específicas de investigación.
Tabla 2. Autores destacados
Autor Publicaciones Citas Índice h Año inicio
Torous John Blake 23 355 10 2020
Elyoseph Zohar 16 397 9 2023
Levkovich Inbar 11 245 7 2023
Haber Yuval 8 115 4 2024
Perlis Roy Howard 8 40 2 2024
Xu Xuhai Orson 8 285 8 2024
Stephan Klaas Enno 7 97 5 2020
Blease Charlotte Rosalind 6 133 3 2023
D'alfonso Simon 6 15 2 2023
Hadar-Shoval Dorit 6 188 4 2023
Fuentes de publicación más relevantes
En cuanto a las fuentes de publicación más relevantes (Tabla 3) los resultados evidencian una
coexistencia de revistas de alto impacto y actas de congresos especializados. Lecture Notes in Computer
Science se posiciona como la revista con mayor número de publicaciones, aunque con un impacto
citacional moderado. Por otro lado, revistas del ámbito de la salud digital como JMIR Mental Health y
Journal of Medical Internet Research, ambas clasificadas en el primer cuartil (Q1), presentan un equilibrio
entre alta productividad y elevado impacto citacional. Asimismo, publicaciones como NPJ Digital
Medicine, Frontiers in Psychiatry y Scientific Reports refuerzan la visibilidad del campo en revistas
multidisciplinarias de alto impacto.
Tabla 3. Revistas más influyentes
Revistas Publicaciones Cuartil Citaciones h-index País
53 Q2 158 6 Alemania
42 Q1 644 15 Canadá
42 Q1 570 10 Canadá
41 - 20 2 Alemania
23 Q1 95 5 Reino Unido
22 Q1 286 7 Suiza
22 Q4 13 2 Suiza
18 Q1 31 4 Suiza
Revista de Ciencias de la Salud Salmus, 1(2), e9
6
Dayana Pauled Rodríguez Cevallos
18 Q1 350 4 Reino Unido
18 - 14 2 Francia
Producción científica por institución educativa
La producción científica en inteligencia artificial generativa aplicada a la salud mental se concentra en
un conjunto reducido de instituciones líderes a nivel mundial. Harvard Medical School encabeza el
campo con 59 publicaciones, seguida por Stanford University School of Medicine con 42 publicaciones.
Un segundo grupo de instituciones presenta una producción muy similar, conformado por The Hong
Kong Polytechnic University, Tsinghua University y el sistema de la University of California, cada una
con 40 publicaciones. Asimismo, Stanford University registra 33 publicaciones, mientras que la
National University of Singapore alcanza 31 y la University of Toronto 29 publicaciones. Finalmente,
la Icahn School of Medicine at Mount Sinai y Imperial College London contribuyen con 27
publicaciones cada una, evidenciando una distribución altamente concentrada y el liderazgo de
instituciones de América del Norte, Asia y Europa en este campo emergente.
Producción científica por país
La Figura 2 muestra la producción científica por país (a), posicionando a Estados Unidos como el
principal contribuyente, con 1555 publicaciones, China ocupa el segundo lugar con 973 estudios. Le
siguen Reino Unido, India y Korea del Sur, que muestran una producción significativa.
Figura 2. Producción científica por país
Análisis temático
El análisis de los temas en tendencia revela una clara evolución desde enfoques metodológicos
generales hacia aplicaciones específicas y centradas en modelos de lenguaje de gran escala en el
contexto de la salud mental. Entre 2022 y 2023 emergen términos como deep generative models, generative
models y generative adversarial networks, que reflejan una etapa inicial orientada al desarrollo y
adaptación de arquitecturas generativas fundamentales. A partir de 2024 existe un cambio sustantivo
en la temática, con un incremento abrupto en la frecuencia y el impacto de términos como ChatGPT,
Revista de Ciencias de la Salud Salmus, 1(2), e9
7
Dayana Pauled Rodríguez Cevallos
natural language processing y large language models, alcanzando su mayor mediana de impacto entre 2024
y 2025. Asimismo, la consolidación simultánea de términos transversales como artificial intelligence y
mental health durante 2024–2025 indica una integración conceptual más madura entre el desarrollo
tecnológico y su implementación en contextos clínicos y psicosociales.
Se identifica un grado de centralidad y desarrollo de los principales ejes conceptuales de la
investigación sobre inteligencia artificial generativa en salud mental. En torno a ChatGPT, generative AI
y chatbots, se encuentra caracterizado altos niveles de centralidad y densidad, lo que indica que estos
tópicos se encuentran bien desarrollados y desempeñan un papel impulsor en la estructura actual del
campo. Finalmente, los temas emergentes, como generative artificial intelligence (GenAI) y higher
education, deben interpretarse como áreas en fase inicial de exploración, más que en declive, dado el
carácter reciente del periodo analizado.
La Tabla 4 muestra los clústeres identificados a partir del mapa temático y los términos recurrentes
que reflejan conjuntos conceptuales coherentes que estructuran y orientan la investigación actual en el
campo de análisis. Se destaca el clúster Large language models como eje conceptual central que articula
los fundamentos tecnológicos con aplicaciones clínicas específicas.
Tabla 4. Perspectivas investigativas en evolución
Nro. Clúster Términos recurrentes Documentos seminales
1
Large language
models
Large language models, artificial intelligence,
mental health, natural language processing,
machine learning, depression, llm, deep
learning, social media, psychiatry, dementia,
nlp, depression detection, alzheimer’s disease,
conversational ai.
Cardamone et al.
(14)
; Bauer
et al.
(15)
; Lee et al.
(16)
;
Baydili et al.
(17)
; Sezgin et
al.
(18)
2 Active interface
Active interface, computational psychiatry,
generative models.
White et al.
(19)
;
Palaniyappan et al.
(20)
;
Hider et al.
(21)
; Wang et al.
(22)
; Bohlen et al.
(23)
3 Higher education
Higher education, generative artificial
intelligence (genai).
Zhang
(24)
; Sallam et al.
(25)
;
Lotfy et al.
(26)
; Abdallah et
al.
(27)
; Sallam et al.
(28)
4 Chatgpt
Chatgpt, generative ai, chatbot, ai, anxiety,
llms, healthcare, digital health, digital mental
health, psychotherapy, ethics, conversational
agents, virtual reality, education, empathy.
Hadar-Shoval et al.
(29)
;
Ferrario et al.
(30)
; Elyoseph
et al.
(31)
; Hodson
&Villiamson
(32)
; Haber et
al.
(33)
.
Discusión
Los resultados de este análisis bibliométrico evidencian que la investigación sobre inteligencia artificial
generativa aplicada a la salud mental constituye un campo emergente, altamente dinámico y en rápida
expansión, con un crecimiento exponencial de la producción científica a partir de 2023. Como
menciona Menna
(34)
la inteligencia artificial en la salud mental es un campo emergente con gran
potencial, sin embargo, también revela limitaciones importantes en la relación terapéutica y
recomienda continuar investigando su impacto a largo plazo.
Revista de Ciencias de la Salud Salmus, 1(2), e9
8
Dayana Pauled Rodríguez Cevallos
La literatura analizada se caracteriza por una fuerte concentración geográfica e institucional,
una elevada tasa de colaboración científica y una clara orientación hacia modelos de lenguaje de gran
escala y sistemas conversacionales. Asimismo, los análisis temáticos muestran una transición desde
enfoques metodológicos generales hacia aplicaciones clínicas, psicosociales y éticas concretas, lo que
sugiere un proceso de maduración acelerado del dominio. Esto concuerda con lo propuesto por
Olawade et al.
(35)
quienes señalan que la IA en salud mental se orienta claramente hacia sistemas
conversacionales y modelos de lenguaje, como "terapeutas virtuales impulsados por IA", el desarrollo
de chatbots como, y numerosas herramientas de terapia y aplicaciones de salud emocional.
En relación con la primera pregunta de investigación, los hallazgos muestran que la evolución
temporal de la producción científica no solo refleja un incremento cuantitativo, sino también un cambio
cualitativo en el impacto citacional. El aumento abrupto de publicaciones a partir de 2023 coincide con
la irrupción de modelos generativos de uso generalizado, lo que ha catalizado tanto la investigación
aplicada como el debate académico. La disminución relativa de citaciones en los años más recientes no
debe interpretarse como una pérdida de impacto, sino como un efecto temporal asociado al corto
periodo de exposición de los estudios, lo que refuerza la idea de un campo aún en consolidación.
Respecto a la segunda pregunta de investigación, la distribución de la producción científica revela
una clara asimetría entre países e instituciones, con un liderazgo marcado de Estados Unidos y China,
seguidos por un grupo de países europeos y asiáticos altamente conectados. Este patrón sugiere que
el desarrollo de la inteligencia artificial generativa en salud mental está fuertemente vinculado a
ecosistemas de investigación con alta capacidad tecnológica, infraestructura computacional y
financiamiento sostenido. La densidad de las redes de colaboración indica que el conocimiento se
produce de manera colectiva y transnacional, favoreciendo la convergencia interdisciplinaria entre
informática, psiquiatría, psicología y salud digital.
En cuanto a la tercera pregunta de investigación, las tendencias temáticas identificadas revelan
una estructura conceptual jerárquica del campo. Los modelos de lenguaje de gran escala y los
sistemas conversacionales se posicionan como temas motores, impulsando la investigación hacia
aplicaciones prácticas en evaluación, apoyo terapéutico y psicoeducación. Esto concuerda con lo
señalado por Nahmod
(36)
,quien sostiene que el avance de la inteligencia artificial generativa está
transformando el potencial de los chatbots en el ámbito de la salud mental, posibilitando una
interacción más dinámica y personalizada con los usuarios. Al mismo tiempo, persisten líneas
especializadas, como la psiquiatría computacional y los modelos generativos teóricos, que aportan
profundidad metodológica y potencial explicativo. La coexistencia de temas básicos, motores y
emergentes sugiere un equilibrio entre consolidación conceptual e innovación, característico de
disciplinas en rápida evolución tecnológica.
Las implicaciones de estos hallazgos son múltiples. Desde una perspectiva científica, el estudio
proporciona un mapa estructurado del conocimiento que permite identificar actores clave, focos
temáticos prioritarios y vacíos de investigación. Desde el ámbito aplicado, los resultados evidencian
un desplazamiento hacia soluciones conversacionales y modelos generativos con potencial impacto en
la atención en salud mental, lo que plantea oportunidades para mejorar el acceso, la personalización y
la escalabilidad de los servicios. No obstante, este crecimiento acelerado también intensifica la
necesidad de marcos éticos, regulaciones claras y enfoques centrados en el ser humano.
Entre las limitaciones del estudio se encuentra el uso exclusivo de una única base de datos, lo que
puede restringir la cobertura de ciertas publicaciones regionales o de literatura gris. Además, el análisis
bibliométrico se basa en indicadores cuantitativos que no capturan plenamente la calidad
metodológica ni el impacto clínico real de los estudios analizados. Finalmente, la naturaleza reciente
del campo implica que algunas tendencias identificadas podrían evolucionar rápidamente,
modificando la estructura temática en el corto plazo.
Revista de Ciencias de la Salud Salmus, 1(2), e9
9
Dayana Pauled Rodríguez Cevallos
Las futuras investigaciones deberían priorizar estudios longitudinales para evaluar la estabilidad
de las tendencias temáticas identificadas, análisis cualitativos que examinen los marcos teóricos y
éticos subyacentes, e investigaciones comparativas entre regiones con distintos niveles de desarrollo
tecnológico. Asimismo, es clave explorar la implementación práctica y validada de los avances en
inteligencia artificial generativa en entornos clínicos de salud mental. Esto implica desarrollar prácticas
seguras, culturalmente adaptadas y éticamente responsables, para garantizar un uso sostenible de
estas tecnologías.
Conclusiones
La evolución temporal de la literatura no solo refleja un crecimiento exponencial de la producción
científica, sino también un incremento sostenido en su visibilidad e impacto académico, lo que
confirma la centralidad emergente de la GenAI como tecnología habilitadora en la investigación y
práctica en salud mental. La producción científica está fuertemente concentrada en un conjunto
reducido de países e instituciones líderes, caracterizados por altos niveles de colaboración
internacional, lo que sugiere que el avance del campo depende en gran medida de ecosistemas de
investigación con capacidades tecnológicas avanzadas y de redes colaborativas transdisciplinarias, lo
que plantea tanto oportunidades para la generación de conocimiento de alto impacto como desafíos
en términos de equidad geográfica y transferencia global de innovaciones.
El análisis temático demuestra que los modelos de lenguaje de gran escala y los sistemas
conversacionales se han consolidado como los principales ejes articuladores del campo, desplazando
progresivamente el foco desde modelos generativos abstractos hacia aplicaciones clínicas,
psicosociales y éticas concretas. Esta transformación indica una orientación clara hacia la
operacionalización de la inteligencia artificial generativa en contextos reales de salud mental, al tiempo
que emergen nuevas perspectivas investigativas que demandan marcos teóricos más sólidos y
enfoques de explicabilidad y gobernanza responsable.
Referencias Bibliográficas
1. Banh L, Strobel G. Generative artificial intelligence. Electron Mark [Internet]. 2023 [citado 17 de
septiembre de 2025];33:63. Disponible en: https://doi.org/10.1007/s12525-023-00680-1
2. Gou F, Liu J, Xiao C, Wu J. Research on Artificial-Intelligence-Assisted Medicine: A Survey on
Medical Artificial Intelligence. Diagnostics [Internet]. 2024 [citado 17 de septiembre de 2025];14:1472.
Disponible en: https://doi.org/10.3390/diagnostics14141472
3. Olawade DB, Wada OZ, Odetayo A, David-Olawade AC, Asaolu F, Eberhardt J. Enhancing mental
health with Artificial Intelligence: Current trends and future prospects. J Med Surg Public Health
[Internet]. 2024 [citado 1 de octubre de 2025];3:100099. Disponible en:
https://doi.org/10.1016/j.glmedi.2024.100099
4. OMS. Salud mental [Internet]. Organ. Mund. Salud. 2025 [citado 1 de octubre de 2025]. Disponible
en: https://www.who.int/es/health-topics/mental-health
5. Lawrence HR, Schneider RA, Rubin SB, Matarić MJ, McDuff DJ, Bell MJ. The Opportunities and
Risks of Large Language Models in Mental Health. JMIR Ment Health [Internet]. 2024 [citado 1 de
octubre de 2025];11:e59479. Disponible en: https://doi.org/10.2196/59479
6. Cross S, Bell I, Nicholas J, Valentine L, Mangelsdorf S, Baker S, Titov N, Alvarez-Jimenez M. Use of
AI in Mental Health Care: Community and Mental Health Professionals Survey. JMIR Ment Health
[Internet]. 2024 [citado 17 de septiembre de 2025];11:e60589. Disponible en:
https://doi.org/10.2196/60589
Revista de Ciencias de la Salud Salmus, 1(2), e9
10
Dayana Pauled Rodríguez Cevallos
7. Bond RR, Mulvenna MD, Potts C, O’Neill S, Ennis E, Torous J. Digital transformation of mental
health services. Npj Ment Health Res [Internet]. 2023 [citado 1 de octubre de 2025];2:13. Disponible en:
https://doi.org/10.1038/s44184-023-00033-y
8. Preiksaitis C, Rose C. Opportunities, Challenges, and Future Directions of Generative Artificial
Intelligence in Medical Education: Scoping Review. JMIR Med Educ [Internet]. 2023 [citado 17 de
septiembre de 2025];9:e48785. Disponible en: https://doi.org/10.2196/48785
9. Kolding S, Lundin RM, Hansen L, Østergaard SD. Use of generative artificial intelligence (AI) in
psychiatry and mental health care: a systematic review. Acta Neuropsychiatr [Internet]. 2024 [citado 1
de octubre de 2025];37:e37. Disponible en: https://doi.org/10.1017/neu.2024.50
10. Jin Y, Liu J, Li P, Wang B, Yan Y, Zhang H, Ni C, Wang J, Li Y, Bu Y, et al. The Applications of Large
Language Models in Mental Health: Scoping Review. J Med Internet Res. 2025;27:e69284. Disponible
en: https://doi.org/10.2196/69284
11. Wang L, Bhanushali T, Huang Z, Yang J, Badami S, Hightow-Weidman L. Evaluating Generative
AI in Mental Health: Systematic Review of Capabilities and Limitations. JMIR Ment Health [Internet].
2025 [citado 17 de septiembre de 2025];12:e70014. Disponible en: https://doi.org/10.2196/70014
12. Aria M, Cuccurullo C. Bibliometrix: An R-tool for comprehensive science mapping analysis. J
Informetr [Internet]. 2017 [citado 20 de septiembre de 2025];11:959–975. Disponible en:
https://doi.org/10.1016/j.joi.2017.08.007
13. Donthu N, Kumar S, Mukherjee D, Pandey N, Lim WM. How to conduct a bibliometric analysis:
An overview and guidelines. J Bus Res [Internet]. 2021 [citado 14 de enero de 2025];133:285–296.
Disponible en: https://doi.org/10.1016/j.jbusres.2021.04.070
14. Cardamone NC, Olfson M, Schmutte T, Ungar L, Liu T, Cullen SW, Williams NJ, Marcus SC.
Classifying Unstructured Text in Electronic Health Records for Mental Health Prediction Models:
Large Language Model Evaluation Study. JMIR Med Inform [Internet]. 2025 [citado 18 de septiembre
de 2025];13:e65454. Disponible en: https://doi.org/10.2196/65454
15. Bauer B, Norel R, Leow A, Rached ZA, Wen B, Cecchi G. Using Large Language Models to
Understand Suicidality in a Social Media–Based Taxonomy of Mental Health Disorders: Linguistic
Analysis of Reddit Posts. JMIR Ment Health [Internet]. 2024 [citado 18 de septiembre de
2025];11:e57234. Disponible en: https://doi.org/10.2196/57234
16. Lee C, Mohebbi M, O’Callaghan E, Winsberg M. Large Language Models Versus Expert Clinicians
in Crisis Prediction Among Telemental Health Patients: Comparative Study. JMIR Ment Health
[Internet]. 2024 [citado 18 de septiembre de 2025];11:e58129. Disponible en:
https://doi.org/10.2196/58129
17. Baydili İ, Tasci B, Tasci G, Baydili İ, Tasci B, Tasci G. Artificial Intelligence in Psychiatry: A Review
of Biological and Behavioral Data Analyses. Diagnostics [Internet]. 2025 [citado 18 de septiembre de
2025];15. Disponible en: https://doi.org/10.3390/diagnostics15040434
18. Sezgin E, Chekeni F, Lee J, Keim S. Clinical Accuracy of Large Language Models and Google Search
Responses to Postpartum Depression Questions: Cross-Sectional Study. J Med Internet Res [Internet].
2023 [citado 18 de septiembre de 2025];25:e49240. Disponible en: https://doi.org/10.2196/49240
19. White B, Clark A, Miller M. Digital Being: social media and the predictive mind. Neurosci Conscious
[Internet]. 2024 [citado 18 de septiembre de 2025];2024:niae008. Disponible en:
https://doi.org/10.1093/nc/niae008
20. Palaniyappan L, Benrimoh D, Voppel A, Rocca R. Studying Psychosis Using Natural Language
Generation: A Review of Emerging Opportunities. Biol Psychiatry Cogn Neurosci Neuroimaging
Revista de Ciencias de la Salud Salmus, 1(2), e9
11
Dayana Pauled Rodríguez Cevallos
[Internet]. 2023 [citado 18 de septiembre de 2025];8:994–1004. Disponible en:
https://doi.org/10.1016/j.bpsc.2023.04.009
21. Hider A, Wright L, Needle J. Clinical Reach into the Cognitive Space (CRITiCS): outline conceptual
framework for safe use of generative artificial intelligence in mental health decision-making. BJPsych
Bull [Internet]. 2025 [citado 18 de septiembre de 2025];1–6. Disponible en:
https://doi.org/10.1192/bjb.2025.36
22. Wang B, Sun Y, Zi Y, Zhao Y, Qin B. Scale-CoT: Integrating LLM with Psychiatric Scales for
Analyzing Mental Health Issues on Social Media. 2024 IEEE Int Conf Bioinforma Biomed BIBM
[Internet]. 2024 [citado 18 de septiembre de 2025]. p. 2651–2658. Disponible en:
https://ieeexplore.ieee.org/document/10822322
23. Bohlen L, Shaw R, Cerritelli F, Esteves JE. Osteopathy and Mental Health: An Embodied, Predictive,
and Interoceptive Framework. Front Psychol [Internet]. 2021 [citado 18 de septiembre de 2025];12.
Disponible en: https://doi.org/10.3389/fpsyg.2021.767005
24. Zhang M. Optimizing academic engagement and mental health through AI: an experimental study
on LLM integration in higher education. Front Psychol [Internet]. 2025 [citado 2 de octubre de 2025];16.
Disponible en: https://doi.org/10.3389/fpsyg.2025.1641212
25. Sallam M, Al-Mahzoum K, Alaraji H, Albayati N, Alenzei S, AlFarhan F, Alkandari A, Alkhaldi S,
Alhaider N, Al-Zubaidi D, et al. Apprehension toward generative artificial intelligence in healthcare:
a multinational study among health sciences students. Front Educ [Internet]. 2025 [citado 18 de
septiembre de 2025];10. Disponible en: https://doi.org/10.3389/feduc.2025.1542769
26. Lotfy AY, Elaziz MA, Dahou A, Mahmoud N. Generative AI for Psychology and Mental Health:
Review Study. 2024 Int Conf Smart-Digit-Green Technol Artif Intell Sci CSDGAIS [Internet]. 2024
[citado 18 de septiembre de 2025]. p. 1–6. Disponible en:
https://ieeexplore.ieee.org/document/11064846
27. Abdallah N, Katmah R, Khalaf K, Jelinek HF. Systematic review of ChatGPT in higher education:
Navigating impact on learning, wellbeing, and collaboration. Soc Sci Humanit Open [Internet]. 2025
[citado 18 de septiembre de 2025];12:101866. Disponible en: https://doi.org/10.1016/j.ssaho.2025.101866
28. Sallam M, Elsayed W, Al-Shorbagy M, Barakat M, El Khatib S, Ghach W, Alwan N, Hallit S, Malaeb
D. ChatGPT usage and attitudes are driven by perceptions of usefulness, ease of use, risks, and psycho-
social impact: a study among university students in the UAE. Front Educ [Internet]. 2024 [citado 18 de
septiembre de 2025];9. Disponible en: https://doi.org/10.3389/feduc.2024.1414758
29. Hadar-Shoval D, Asraf K, Mizrachi Y, Haber Y, Elyoseph Z. Assessing the Alignment of Large
Language Models With Human Values for Mental Health Integration: Cross-Sectional Study Using
Schwartz’s Theory of Basic Values. JMIR Ment Health [Internet]. 2024 [citado 18 de septiembre de
2025];11:e55988. Disponible en: https://doi.org/10.2196/55988
30. Ferrario A, Sedlakova J, Trachsel M. The Role of Humanization and Robustness of Large Language
Models in Conversational Artificial Intelligence for Individuals With Depression: A Critical Analysis.
JMIR Ment Health [Internet]. 2024 [citado 18 de septiembre de 2025];11:e56569. Disponible en:
https://doi.org/10.2196/56569
31. Elyoseph Z, Refoua E, Asraf K, Lvovsky M, Shimoni Y, Hadar-Shoval D. Capacity of Generative AI
to Interpret Human Emotions From Visual and Textual Data: Pilot Evaluation Study. JMIR Ment
Health [Internet]. 2024 [citado 18 de septiembre de 2025];11:e54369. Disponible en:
https://doi.org/10.2196/54369
Revista de Ciencias de la Salud Salmus, 1(2), e9
12
Dayana Pauled Rodríguez Cevallos
32. Hodson N, Williamson S. Can Large Language Models Replace Therapists? Evaluating
Performance at Simple Cognitive Behavioral Therapy Tasks. JMIR AI [Internet]. 2024 [citado 18 de
septiembre de 2025];3:e52500. Disponible en: https://doi.org/10.2196/52500
33. Haber Y, Levkovich I, Hadar-Shoval D, Elyoseph Z. The Artificial Third: A Broad View of the Effects
of Introducing Generative Artificial Intelligence on Psychotherapy. JMIR Ment Health [Internet]. 2024
[citado 18 de septiembre de 2025];11:e54781. Disponible en: https://doi.org/10.2196/54781
34. Menna M. El impacto de la inteligencia artificial en la salud mental: oportunidades y desafíos en la
colaboración con la psicología clínica [Internet] [Tesis de Maestría]. Universidad de San Andrés; 2025
[citado 30 de septiembre de 2025]. Disponible en: https://repositorio.udesa.edu.ar/handle/10908/25186
35. Olawade DB, Wada OZ, Odetayo A, David-Olawade AC, Asaolu F, Eberhardt J. Enhancing mental
health with Artificial Intelligence: Current trends and future prospects. J Med Surg Public Health
[Internet]. 1 de agosto de 2024 [citado 30 de septiembre de 2025];3:100099. Disponible en:
https://doi.org/10.1016/j.glmedi.2024.100099
36. Nahmod M. Transformación digital en Salud Mental: oportunidades y desafíos en la práctica
clínica. Rev Hosp Niños B Aires [Internet]. 4 de julio de 2025 [citado 30 de septiembre de
2025];67(297):247-
60. Disponible en:
https://profesionaleshnrg.com.ar/ojs/index.php/Revista_HNRG/article/view/239
Transparencia
Financiamiento
No se contó con financiamiento externo para el desarrollo de esta investigación.
Conflictos de intereses
La autora declara no tener conflictos de intereses.
Contribución de autoría
Dayana Pauled Rodríguez Cevallos: Conceptualización, metodología, software, validación, análisis
formal, investigación, gestión de datos, visualización, redacción - preparación del borrador original,
redacción - revisión y edición, financiamiento, administración del proyecto, recursos, supervisión.
La autora intervino de manera activa en el análisis de los resultados, revisión y aprobación del texto
final del artículo.