Predicción de la respuesta al tratamiento con rTMS en la esquizofrenia mediante aprendizaje automático interpretable:...

Área de la Ciencia:

• Neurociencia
• Psiquiatría
• Inteligencia Artificial

Sus antecedentes:

• Las respuestas individuales a la estimulación magnética transcraneal repetitiva (rTMS) en la esquizofrenia son muy variables.
• Existe una falta de herramientas clínicas predictivas para guiar las decisiones de tratamiento con rTMS.

Objetivo del estudio:

• Desarrollar e interpretar modelos de aprendizaje automático para predecir la respuesta individual al tratamiento con rTMS en pacientes con esquizofrenia.
• Identificar las características clínicas basales que predicen la respuesta a la terapia con rTMS.

Principales métodos:

• Análisis retrospectivo de datos de 156 pacientes con esquizofrenia, incluidas las puntuaciones de la Escala de Síndromes Positivos y Negativos (PANSS) y la Evaluación Global del Funcionamiento (GAF).
• Entrenamiento y evaluación de múltiples modelos de aprendizaje automático (Random Forest, XGBoost, SVM, regresión logística) utilizando características demográficas y clínicas.
• Utilización de validación cruzada, un conjunto de retención temporal y Shapley Additive Explanations (SHAP) para la interpretación del modelo.

Principales resultados:

• El modelo Random Forest demostró el mayor rendimiento predictivo con un AUC validado cruzado de 0.84 y un AUC de retención temporal de 0.70.
• Las puntuaciones moderadas de GAF basal y las puntuaciones más altas de PANSS se identificaron como predictores significativos de la respuesta a la rTMS.
• El rendimiento del modelo se estabilizó alrededor de 100 casos, lo que sugiere datos suficientes para predicciones fiables.

Conclusiones:

• Los modelos de aprendizaje automático interpretable pueden identificar características basales asociadas con la respuesta individual a la rTMS en la esquizofrenia.
• Estos hallazgos respaldan el potencial de intervenciones personalizadas para optimizar la terapia con rTMS.
• Se necesita validación externa para confirmar la generalización de estos modelos predictivos.