Investigadores de la Universidad de Birmingham han desarrollado una forma de utilizar el 'machine learning' (aprendizaje automático) para identificar con mayor precisión a los pacientes con una combinación de síntomas psicóticos y depresivos.
Los pacientes con depresión o psicosis rara vez experimentan síntomas de una u otra enfermedad. Históricamente, esto ha significado que los médicos especialistas de salud mental den un diagnóstico de una enfermedad "primaria", pero con síntomas secundarios. Hacer un diagnóstico preciso es un gran desafío para los médicos y los diagnósticos a menudo no reflejan con precisión la complejidad de la experiencia individual o la neurobiología.
Los médicos que diagnostican psicosis, por ejemplo, con frecuencia considerarían la depresión como una enfermedad secundaria, con implicaciones para las decisiones de tratamiento que se centran más en los síntomas de la psicosis (por ejemplo, alucinaciones o delirios).
Un equipo del Instituto de Salud Mental y del Centro de Salud del Cerebro Humano de la Universidad de Birmingham, en colaboración con investigadores del consorcio PRONIA, quería explorar la posibilidad de utilizar el machine learning para crear modelos altamente precisos de formas 'puras' tanto de enfermedades como de uso estos para investigar la precisión diagnóstica de una cohorte de pacientes con síntomas mixtos. Sus resultados se publican en Schizophrenia Bulletin.
"No es que los pacientes estén mal diagnosticados, pero las categorías de diagnóstico actuales que tenemos no reflejan con precisión la realidad clínica y neurobiológica"
"La mayoría de los pacientes tienen comorbilidades, por lo que las personas con psicosis también tienen síntomas depresivos y viceversa", explica el autor principal, Paris Alexandros Lalousis. "Eso representa un gran desafío para los médicos en términos de diagnosticar y luego administrar tratamientos diseñados para pacientes sin comorbilidad. No es que los pacientes estén mal diagnosticados, pero las categorías de diagnóstico actuales que tenemos no reflejan con precisión la realidad clínica y neurobiológica" .
EL ESTUDIO
Los investigadores examinaron respuestas al cuestionario, entrevistas clínicas detalladas y datos de imágenes de resonancia magnética estructural de una cohorte de 300 pacientes que participaron en el estudio PRONIA , un estudio de cohorte financiado por la Unión Europea que se lleva a cabo en siete centros de investigación europeos.
Dentro de esta cohorte, los investigadores identificaron pequeños subgrupos de pacientes que podrían clasificarse como que padecían psicosis sin síntomas de depresión o depresión sin síntomas psicóticos.
Con estos datos, el equipo identificó modelos de aprendizaje automático de depresión "pura" y psicosis "pura". Luego, pudieron usar métodos de aprendizaje automático para aplicar estos modelos a pacientes con síntomas de ambas enfermedades. El objetivo era crear un perfil de la enfermedad de alta precisión para cada paciente y compararlo con su diagnóstico para ver qué tan preciso era.
"Mostramos cómo el uso de algoritmos sofisticados de aprendizaje automático que tienen en cuenta factores clínicos, neurocognitivos y neurobiológicos puede ayudarnos a comprender la complejidad de las enfermedades mentales"
El equipo descubrió que, mientras que los pacientes con depresión como enfermedad primaria tenían más probabilidades de ser diagnosticados con precisión, los pacientes con psicosis con depresión tenían síntomas que con mayor frecuencia tendían hacia la dimensión de la depresión. Esto puede indicar que la depresión juega un papel más importante en la enfermedad de lo que se pensaba anteriormente.
El Sr. Lalousis agregó: "Existe una necesidad imperiosa de mejores tratamientos para la psicosis y la depresión, afecciones que constituyen un importante desafío de salud mental en todo el mundo. Nuestro estudio destaca la necesidad de que los médicos comprendan mejor la compleja neurobiología de estas afecciones y el papel de síntomas comórbidos; en particular, considerando cuidadosamente el papel que juega la depresión en la enfermedad".
"En este estudio, mostramos cómo el uso de algoritmos sofisticados de aprendizaje automático que tienen en cuenta factores clínicos, neurocognitivos y neurobiológicos puede ayudarnos a comprender la complejidad de las enfermedades mentales. En el futuro, creemos que el aprendizaje automático podría convertirse en una herramienta fundamental para la precisión Diagnóstico. Tenemos una oportunidad real de desarrollar métodos de diagnóstico basados en datos: esta es un área en la que la salud mental va a la par con la salud física y es realmente importante que mantengamos ese impulso".