Análisis paso a paso basado en actigrafía para la detección del estado de ánimo deprimido: un enfoque de aprendizaje...

Área de la Ciencia:

• Salud digital
• Inteligencia artificial en la medicina
• Ciencias del comportamiento

Sus antecedentes:

• La detección de la depresión a menudo se basa en evaluaciones subjetivas.
• Se necesita un seguimiento objetivo y continuo mediante dispositivos portátiles.
• La actigrafía ofrece una herramienta prometedora para la recopilación pasiva de datos.

Objetivo del estudio:

• Desarrollar un modelo interpretable de inteligencia artificial (IA) para la detección de síntomas depresivos mediante el uso de datos de actigrafía.
• Integrar características estadísticamente significativas en los modelos de aprendizaje automático para una mayor precisión y explicabilidad.
• Explorar la utilidad de las características derivadas de la actigrafía en la clasificación de los síntomas depresivos.

Principales métodos:

• Se analizaron los datos de actigrafía de 3304 participantes durante una semana.
• Se entrenaron seis modelos de aprendizaje automático, incluidos CatBoost y XGBoost, en varios indicadores de actividad y exposición a la luz.
• Se utilizaron explicaciones aditivas de Shapley (SHAP) para la interpretabilidad del modelo, con análisis estratificados por sexo y género.

Principales resultados:

• CatBoost y XGBoost mostraron el mayor rendimiento en la predicción de síntomas depresivos leves y moderados a severos, respectivamente (AUROC 0,679-0,715).
• El análisis SHAP identificó un bajo número de pasos y una alta actividad durante el período de 5 horas menos activo (L5) como predictores clave de síntomas depresivos.
• La precisión predictiva fue más alta en hombres mayores, con valores de AUROC de 0,833.

Conclusiones:

• El recuento de pasos y los patrones de actividad temporal derivados de la actigrafía son valiosos para la clasificación de la depresión impulsada por la IA.
• Los enfoques de IA explicables son cruciales para la detección personalizada de la salud mental.
• El análisis temporal de los datos de actividad tiene un potencial significativo para la evaluación objetiva de la salud mental.