Enfoques de aprendizaje automático en la predicción de resultados terapéuticos en el trastorno depresivo mayor: una...

Área de la Ciencia:

• La inteligencia artificial en la medicina
• Sistemas de apoyo a la toma de decisiones clínicas
• Informática de la salud mental

Sus antecedentes:

• La predicción del éxito del tratamiento en el trastorno depresivo mayor (TDM) es compleja debido a varios factores que influyen.
• El aprendizaje automático (ML) ofrece una vía prometedora para el tratamiento personalizado de MDD al predecir resultados basados en datos de pacientes.
• No se ha demostrado la aplicabilidad clínica de los sistemas de apoyo a la toma de decisiones basados en ML para la MDD.

Objetivo del estudio:

• Evaluar la aplicabilidad de los enfoques ML publicados para la predicción de los resultados del tratamiento de la TDM en entornos clínicos de la UE.
• La evaluación se centró en criterios de calidad, éticos, sociales y legales.

Principales métodos:

• Búsqueda bibliográfica de PubMed y Google Scholar (enero de 2016 - diciembre de 2024) para aplicaciones de ML en la predicción de los resultados del tratamiento de MDD.
• Evaluación de la aplicabilidad del modelo ML basado en la validación, el rendimiento y el cumplimiento de las normas éticas, sociales y jurídicas de la UE.

Principales resultados:

• El bosque aleatorio (RF) y la máquina vectorial de soporte (SVM) fueron los métodos ML más comunes identificados.
• Los modelos que utilizan múltiples categorías de datos de pacientes mostraron una mayor precisión predictiva que los modelos de una sola categoría.
• La validación externa era limitada, y el cumplimiento de las normas sociales, éticas y legales era un desafío debido a la etapa temprana de desarrollo.

Conclusiones:

• Los enfoques actuales de ML para la predicción del resultado del tratamiento de MDD carecen de generalización demostrada.
• Los desafíos con el cumplimiento normativo (social, ético, legal) obstaculizan la aplicabilidad clínica en la UE.
• Se necesitan más desarrollos y validaciones para que las herramientas ML sean útiles en entornos clínicos.