Exploración de elementos informativos para la clasificación del trastorno bipolar mediante aprendizaje automático con...

Área de la Ciencia:

• Psiquiatría
• Psiquiatría Computacional
• Aprendizaje Automático en Atención Médica

Sus antecedentes:

• Diferenciar el trastorno bipolar (TB) de la depresión mayor (TDM) es clínicamente desafiante.
• Los cuestionarios de autoinforme son herramientas valiosas para la evaluación de la salud mental.
• El aprendizaje automático ofrece potencial para mejorar la precisión diagnóstica en psiquiatría.

Objetivo del estudio:

• Desarrollar y evaluar un modelo de clasificación de aprendizaje automático para distinguir el trastorno bipolar (TB) de la depresión mayor (TDM).
• Evaluar la utilidad diagnóstica del Cuestionario de Trastornos del Estado de Ánimo (MDQ), la Escala de Diagnóstico del Espectro Bipolar (BSDS) y la Escala de Afrontamiento de la Ira (ACS).

Principales métodos:

• Se utilizó un conjunto de datos de 122 pacientes con TB y 67 con TDM.
• Se empleó la eliminación recursiva de características para la selección de características.
• Se entrenaron clasificadores de aprendizaje automático con combinaciones de elementos de MDQ, BSDS y ACS.

Principales resultados:

• Escalas individuales alcanzaron AUCs de 0.8212 (MDQ) y 0.7934 (BSDS).
• La combinación de MDQ y BSDS arrojó un AUC de 0.8477, mejorado aún más a 0.8548 con la inclusión de ACS.
• Se logró un rendimiento óptimo excluyendo elementos específicos relacionados con conflictos, consumo de sustancias y comportamiento agresivo.

Conclusiones:

• La integración de estilos de afrontamiento de la ira con síntomas del estado de ánimo mejora significativamente la precisión diagnóstica para TB vs. TDM.
• Los modelos de aprendizaje automático, particularmente con escalas de autoinforme refinadas, muestran una gran promesa para el diagnóstico clínico.
• Los modelos futuros deberían incorporar datos clínicos y objetivos para una clasificación mejorada.