Objetivos: Analizar el contenido léxico y conceptual de escalas clínicas de apatía mediante inteligencia artificial (IA), con el fin de identificar sesgos, vacíos y su grado de correspondencia con los criterios diagnósticos actuales y con modelos neurocognitivos contemporáneos de la motivación.

Material y métodos: Se analizaron los ítems (versión informante) de cinco escalas ampliamente utilizadas en poblaciones neurológicas (AES, DAS, AMI, LARS, AS). Se extrajeron verbos y sustantivos con significado clínico, unificándolos por su raíz léxica. Mediante herramientas de IA generativa (GPT-4o) y revisión cualitativa manual, se agruparon los términos en núcleos semánticos representativos de procesos motivacionales, afectivos y conductuales.

Resultados: Se identificaron siete núcleos semánticos principales: volición/pasividad, productividad, impulso basal, exploración, reactividad emocional, motivación social y autoevaluación. Predominaron los términos relacionados con la ejecución observable (p. ej. “hacer”, “intentar”), mientras que componentes internos como la toma de decisiones motivada, la sensibilidad emocional o el aprendizaje por consecuencias estuvieron escasamente representados.

Conclusión: Las escalas clínicas actuales tienden a centrarse en aspectos conductuales observables, relegando procesos internos clave –como los componentes cognitivos, motivacionales y afectivos implicados en la apatía– que son esenciales para una intervención neurorrehabilitadora eficaz. El análisis léxico-asistido por IA permite detectar estos vacíos conceptuales y orienta el desarrollo de herramientas de evaluación más integradoras, ajustadas a las necesidades clínicas y funcionales de los pacientes neurológicos.