¿Quién se involucra? Perspectivas de aprendizaje automático sobre la intervención digital basada en la atención plena...

Área de la Ciencia:

• Salud mental digital
• Psicología clínica
• Aplicaciones de aprendizaje automático

Sus antecedentes:

• Las intervenciones ecológicas momentáneas de atención plena (MEMI) son prometedoras para el alivio de los síntomas del trastorno de ansiedad generalizada (TAG).
• Sin embargo, la participación subóptima en el tratamiento limita la efectividad de MEMI.
• La identificación de predictores de referencia puede personalizar MEMI para personas con TAG.

Objetivo del estudio:

• Determinar las variables de referencia que predicen la participación en MEMI en comparación con un placebo de automonitoreo (SM) en personas con TAG.
• Aplicar métodos de meta-aprendizaje automático (ML) para predecir la participación en el tratamiento.

Principales métodos:

• Se compararon MEMI y SM en un ensayo controlado aleatorio (N=110).
• Se utilizaron dieciséis variables de referencia (clínicas, demográficas, de funcionamiento ejecutivo) para predecir la participación de dos semanas.
• Se emplearon meta-algoritmos de bosque aleatorio y X-learner, con valores de Shapley para evaluar la importancia de los predictores.

Principales resultados:

• El modelo de ML demostró una alta precisión predictiva (R-cuadrado = 82.7%).
• Los participantes con un mayor beneficio predicho (CATE) mostraron una mayor participación en MEMI en comparación con SM.
• Los predictores clave de la participación incluyeron menor gravedad del TAG, mejor funcionamiento ejecutivo (por ejemplo, control de la atención, fluidez verbal) y menos errores cognitivos.

Conclusiones:

• El aprendizaje automático identifica de manera efectiva los predictores de referencia de la participación en intervenciones digitales de salud mental.
• Los hallazgos sugieren que las intervenciones personalizadas basadas en estos predictores podrían mejorar los resultados del tratamiento para el TAG.
• La investigación futura debe validar estos hallazgos en poblaciones más grandes y diversas.