Predecir la tendencia al suicidio en las personas que viven con el VIH en Uganda: un enfoque de aprendizaje...

Área de la Ciencia:

• Psiquiatría computacional
• Epidemiología del VIH/SIDA
• La genética de la salud mental

Sus antecedentes:

• Las personas que viven con VIH (PLWH) tienen un mayor riesgo de pensamientos y comportamientos suicidas en comparación con la población general.
• Los métodos actuales para predecir la tendencia al suicidio en las personas con hipertensión son insuficientes.
• El aprendizaje automático (ML) ofrece un enfoque prometedor para modelar los factores complejos que contribuyen al comportamiento suicida.

Objetivo del estudio:

• Evaluar el potencial de ML en la predicción de la tendencia al suicidio entre las personas de edad avanzada en Uganda.
• Evaluar el impacto de la incorporación de las puntuaciones de riesgo poligénico de suicidio (PRS) en los modelos de ML.
• Para identificar los predictores clave de la tendencia al suicidio en esta población.

Principales métodos:

• Estudio retrospectivo de casos y controles en el que se utilizaron datos longitudinales de 1.126 PLWH en Uganda.
• Desarrollo y evaluación de ocho algoritmos ML, incluido el AdaBoost sensible a los costes.
• Cálculo de la tendencia al suicidio PRS para un subconjunto de 282 participantes e integración en el modelo ML.
• Las métricas de rendimiento incluyen AUC, PPV, sensibilidad, especificidad y MCC.

Principales resultados:

• AdaBoost, sensible a los costes, logró un AUC de 0,79 para predecir la tendencia al suicidio al inicio del estudio.
• El modelo demostró la generalización, con AUC de 0,75 y 0,69 para la prevalencia y la incidencia de suicidio a los 12 meses, respectivamente.
• La incorporación de PRS mejoró la sensibilidad en un 6%, pero redujo la especificidad en un 9%.
• El diagnóstico de trastorno depresivo mayor y los altos niveles de estrés fueron predictores significativos.

Conclusiones:

• Un modelo AdaBoost sensible al costo puede predecir el riesgo de suicidio en PLWH en Uganda, aunque con un valor predictivo positivo modesto.
• La integración del PRS de suicidio mejora el rendimiento predictivo de los modelos de ML para el riesgo de suicidio.
• Se necesita más investigación con poblaciones diversas para validar la utilidad y la aplicabilidad clínica de PRS.