Modelo de predicción transcultural para la depresión tardía basada en el aprendizaje automático multicohortal y la IA...

Área de la Ciencia:

• Gerontología
• Psiquiatría computacional
• Salud pública

Sus antecedentes:

• La depresión de edad avanzada presenta un importante desafío para la salud mundial.
• Los factores de riesgo para la depresión en los adultos mayores varían considerablemente entre las diferentes poblaciones.
• Se necesitan herramientas confiables para predecir la depresión en este grupo demográfico.

Objetivo del estudio:

• Desarrollar y validar un modelo de aprendizaje automático (ML) para predecir la depresión en adultos de 60 años o más.
• Utilizar datos armonizados de los Estados Unidos y China para el desarrollo de modelos y la validación externa.
• Asegurar que el modelo sea robusto e interpretable para su aplicación clínica.

Principales métodos:

• Se utilizaron datos armonizados del Estudio de Salud y Jubilación (HRS, por sus siglas en inglés) y del Estudio Longitudinal de Salud y Jubilación de China (CHARLS, por sus siglas en inglés).
• El algoritmo de Boruta realizó la selección de características y se evaluaron 17 algoritmos ML.
• El rendimiento del modelo se evaluó utilizando el AUC, el análisis de la curva de decisión, los gráficos de calibración y los valores SHAP, con validación externa en los datos CHARLS.

Principales resultados:

• El modelo Gradient Boosting Machine (GBM) demostró un rendimiento superior, logrando AUC de 0,752 (entrenamiento), 0,763 (validación interna) y 0,717 (validación externa).
• El modelo GBM exhibió una buena calibración y utilidad clínica a través de varios umbrales.
• El análisis SHAP reveló la salud autoevaluada, la dependencia funcional, la memoria autoevaluada, la artritis y la puntuación ADL como predictores primarios.

Conclusiones:

• Se desarrolló con éxito un modelo de ML robusto e interpretable para predecir la depresión de la tercera edad.
• El modelo demuestra la generalización a través de poblaciones culturalmente distintas (Estados Unidos y China).
• Los hallazgos subrayan los factores predictivos comunes al tiempo que enfatizan la necesidad de consideraciones clínicas específicas de la población.