Uso del aprendizaje automático para predecir cómo responden al tratamiento las personas diagnosticadas con trastorno depresivo mayor
El trastorno depresivo mayor (TDM) es un trastorno mental debilitante que se caracteriza por un estado de ánimo bajo y persistente, pérdida de interés en las actividades cotidianas, cambios en el apetito, trastornos del sueño y, en casos extremos, pensamientos suicidas. Millones de personas en todo el mundo han experimentado un episodio depresivo a lo largo de sus vidas y han recurrido a psiquiatras en busca de tratamiento.
Actualmente existen muchas opciones de tratamiento para la depresión, que incluyen distintos tipos de medicamentos y psicoterapias, así como intervenciones específicas que combinan ambos. Si bien los estudios sugieren que algunos de estos tratamientos pueden ser más efectivos que otros, se sabe que cada persona responde de manera diferente a los tratamientos disponibles.
Por lo tanto, encontrar la medicación y la terapia que mejor funcionen para un individuo en particular puede llevar tiempo, y a veces dar lugar a un largo proceso de ensayo y error. Por lo tanto, desarrollar estrategias efectivas para identificar el tratamiento óptimo para pacientes específicos de manera temprana podría ser muy ventajoso, ya que los ayudaría a recuperarse más rápido, sin tener que probar varios medicamentos que no son efectivos para ellos.
Recientemente, investigadores de la Universidad Nacional de Singapur y otros institutos realizaron un estudio para explorar la posibilidad de predecir la respuesta que tendrán las personas con TDM a tratamientos específicos utilizando una combinación de espectroscopia funcional de infrarrojo cercano (fNIRS) y aprendizaje automático . Su artículo, publicado en Translational Psychiatry, señala algunos biomarcadores visibles a través de fNIRS que parecen estar correlacionados con la forma en que las personas deprimidas responden a los tratamientos.
Para explorar el potencial de la fNIRS y los datos clínicos para predecir la respuesta de las personas a diferentes tratamientos para la depresión, los investigadores llevaron a cabo un estudio longitudinal que abarcó un período de seis meses. Este estudio examinó las respuestas al tratamiento de 70 personas diagnosticadas con TDM, que se cuantificaron utilizando un cuestionario diseñado para ayudar a diagnosticar la depresión, conocido como Escala de Calificación de la Depresión de Hamilton (HAM-D).
Los investigadores analizaron tanto los datos de fNIRS como la información recopilada de los pacientes durante las evaluaciones clínicas utilizando varios modelos de aprendizaje automático de última generación. Sus análisis les permitieron descubrir un biomarcador vinculado con la respuesta de las personas a los tratamientos, concretamente la concentración de la proteína hemoglobina en la corteza prefrontal dorsolateral (dlPFC), una región del cerebro implicada en las funciones ejecutivas (es decir, la flexibilidad cognitiva, la memoria de trabajo y la toma de decisiones).
En general, los resultados de este estudio reciente resaltan el potencial del aprendizaje automático como herramienta para explorar los factores asociados con la forma en que las personas responden a diferentes tratamientos para los trastornos de salud mental.
En el futuro, este trabajo podría inspirar a otros investigadores a utilizar el aprendizaje automático para analizar datos clínicos y fNIRS, y al mismo tiempo contribuir potencialmente al desarrollo de nuevos protocolos diseñados para identificar rápidamente intervenciones terapéuticas óptimas para personas diagnosticadas con TDM.
- Fuente: MedicalXPress
- Foto: Freepik
