¿Puede el aprendizaje automático predecir los resultados terapéuticos en psicosis afectiva y no afectiva? Una...

Área de la Ciencia:

• Psiquiatría y Neurociencia Computacional
• Utilizando métodos computacionales avanzados para la comprensión y el tratamiento de las condiciones de salud mental.
• Centrarse en la intersección del aprendizaje automático y las psicosis afectivas/no afectivas.

Sus antecedentes:

• Las intervenciones personalizadas para las psicosis son cruciales para mejorar los resultados del paciente.
• La identificación de predictores confiables de la respuesta al tratamiento sigue siendo un desafío clínico significativo.
• El aprendizaje automático (ML) ofrece potencial para analizar datos complejos para predecir la eficacia del tratamiento.

Objetivo del estudio:

• Revisar sistemáticamente y metaanalizar los estudios utilizando algoritmos ML para predecir la respuesta al tratamiento en psicosis afectivas y no afectivas.
• Evaluar la precisión general de los modelos de ML en la predicción de la mejora de los síntomas, la cognición y la calidad de vida.
• Identificar los predictores y factores clave que influyen en la precisión de estos modelos de aprendizaje automático.

Principales métodos:

• Búsqueda sistemática de la literatura de las bases de datos MEDLINE, Web of Science y PsycINFO hasta febrero de 2024.
• Metaanálisis de efectos aleatorios de 51 estudios para estimar la precisión predictiva general.
• Análisis de subgrupos y metarregresiones para evaluar el impacto de diversos factores (por ejemplo, características de entrada, tratamientos, algoritmos de aprendizaje automático, calidad del estudio).

Principales resultados:

• Los modelos de ML lograron una precisión general del 80% en la predicción de la respuesta al tratamiento en todas las psicosis.
• Los datos de electroencefalografía (EEG) demostraron la mayor precisión predictiva (88%), seguidos por los tratamientos combinados (85%).
• Se observaron variaciones significativas en la precisión predictiva relacionadas con las características de los insumos y los tipos de tratamiento, con una alta heterogeneidad (I2=0,89).

Conclusiones:

• El aprendizaje automático es una herramienta prometedora para predecir los resultados terapéuticos en psicosis afectivas y no afectivas.
• Los datos del EEG y los tratamientos combinados muestran un gran potencial como insumos predictivos.
• La mejora de la metodología del estudio, la mejora de la reproducibilidad y el tratamiento del alto riesgo de sesgo son esenciales para la traducción clínica.