IA y salud mental: evaluación de modelos de aprendizaje automático supervisado entrenados en clasificaciones de...

Área de la Ciencia:

• La psiquiatría
• Inteligencia artificial
• Neurociencia computacional

Sus antecedentes:

• El aprendizaje automático (ML) se aplica cada vez más en psiquiatría, mostrando una promesa inicial para el diagnóstico.
• Los modelos actuales de ML a menudo se basan en las categorías del Manual diagnóstico y estadístico de trastornos mentales (DSM).
• Las categorías de DSM tienen limitaciones conocidas, incluida la heterogeneidad y la baja validez predictiva, que afectan a los diagnósticos psiquiátricos.

Objetivo del estudio:

• Evaluar críticamente las limitaciones de los modelos de ML supervisados en la imitación de juicios psiquiátricos basados en clínicos.
• Argumentar que las aplicaciones actuales de ML en psiquiatría, centradas en las clasificaciones del DSM, ofrecen un valor agregado limitado a los pacientes.
• Proponer un cambio en el enfoque de ML hacia la mejora del pronóstico, la selección del tratamiento y la prevención en salud mental.

Principales métodos:

• Análisis crítico de las técnicas supervisadas de ML aplicadas a los datos psiquiátricos.
• Evaluación del impacto de la validez de los datos de formación (categorías DSM) en el rendimiento del modelo ML.
• Marco conceptual para la reorientación de las aplicaciones de ML en psiquiatría.

Principales resultados:

• Los modelos ML supervisados entrenados en las clasificaciones DSM heredan los problemas de validez de estas categorías.
• La alta precisión en los modelos ML que predicen las clasificaciones del DSM es engañosa y no valida la propia clasificación.
• Los enfoques actuales de ML ofrecen poco valor agregado demostrable para los resultados de los pacientes debido a las limitaciones diagnósticas inherentes.

Conclusiones:

• Los modelos de ML que imitan los juicios clínicos basados en las categorías del DSM tienen una utilidad limitada para mejorar los resultados de los pacientes psiquiátricos.
• Se necesita un cambio de paradigma, enfocando el aprendizaje automático en objetivos transdiagnósticos como el pronóstico, la selección del tratamiento y la prevención.
• La reorientación de ML hacia estos objetivos puede mejorar las estrategias de tratamiento personalizado y apoyar mejor a los clínicos en la atención de la salud mental.