Desarrollo de un modelo de predicción de aprendizaje automático para el ingreso psiquiátrico posparto: hallazgos del...

Área de la Ciencia:

• Salud mental perinatal
• Aprendizaje automático en la salud
• Vigilancia de la salud pública

Sus antecedentes:

• Se utilizaron nuevos datos de detección de depresión prenatal para desarrollar un modelo predictivo.
• El modelo tiene como objetivo pronosticar las admisiones psiquiátricas posparto.

Objetivo del estudio:

• Desarrollar y evaluar un modelo de aprendizaje automático para predecir las admisiones psiquiátricas posparto.
• Identificar los principales factores de riesgo para las crisis de salud mental después del parto.

Principales métodos:

• Se utilizaron datos administrativos de salud de 205,495 embarazos en Australia (julio de 2015 a enero de 2021).
• Comparó los árboles impulsados por gradientes y los algoritmos de regularización de la red elástica para la predicción.
• Se incluyeron 945 variables clínicas y demográficas, y la Escala de Depresión Postnatal de Edimburgo.

Principales resultados:

• Los árboles potenciados por gradiente demostraron un rendimiento predictivo superior (AUC = 0,79).
• La Escala de Depresión Postnatal de Edimburgo mejoró significativamente la precisión de la predicción.
• Los diagnósticos de salud mental prenatal, la maternidad soltera y el tabaquismo durante el embarazo se identificaron como fuertes factores de riesgo.

Conclusiones:

• El modelo de predicción desarrollado es prometedor para la identificación temprana de las mujeres en riesgo.
• La intervención oportuna durante el embarazo puede reducir la gravedad de los problemas de salud mental postparto.
• Potencial para disminuir la necesidad de hospitalizaciones psiquiátricas postparto.