Perfiles de complejidad del paciente en la depresión: un enfoque de aprendizaje automático para la salud mental...

Área de la Ciencia:

• Psiquiatría y Salud Mental
• Aprendizaje Automático en Atención Médica
• Medicina Personalizada

Sus antecedentes:

• La complejidad del paciente en la atención de la salud mental varía significativamente.
• Los protocolos de tratamiento estandarizados pueden no ser adecuados para todos los individuos con depresión.
• La identificación de perfiles de complejidad del paciente puede permitir la atención estratificada y las intervenciones personalizadas.

Objetivo del estudio:

• Identificar perfiles distintos de complejidad del paciente en la depresión.
• Analizar indicadores sociodemográficos, clínicos y psicosociales.
• Evaluar la relevancia clínica para la planificación de tratamientos personalizados.

Principales métodos:

• Se utilizó un marco de Descubrimiento de Conocimiento en Bases de Datos para analizar datos de 270 adultos con depresión mayor.
• Se empleó Análisis de Componentes Principales y agrupamiento K-means para identificar perfiles de complejidad.
• Se validaron los hallazgos utilizando un clasificador Random Forest y análisis de interpretabilidad basado en SHAP.

Principales resultados:

• Se identificaron tres perfiles distintos de complejidad del paciente: Bajo (n=100), Moderado (n=87) y Alto (n=83).
• El perfil de baja complejidad presentó individuos de mayor edad con menos síntomas; el perfil de complejidad moderada fue más joven con menor empleo y mayor comorbilidad; el perfil de alta complejidad exhibió síntomas graves, maltrato infantil y funcionamiento alterado.
• La solución de tres clústeres se validó de manera robusta con alta precisión (0.91) y fue confirmada por expertos clínicos.

Conclusiones:

• El aprendizaje automático identificó de manera efectiva perfiles de complejidad de pacientes clínicamente significativos en la depresión.
• Estos perfiles ofrecen un marco para la atención estratificada, yendo más allá de los enfoques de tratamiento de talla única.
• Los hallazgos facilitan la planificación de intervenciones personalizadas para personas con depresión.