Combinación de imágenes cerebrales y datos sociodemográficos para aproximar construcciones relacionadas con la salud mental. Crédito: Adaptado de la Fig. 1 en Dadi et al. GigaScience 2021
Un estudio publicado hoy por una colaboración interdisciplinaria, dirigida por Denis Engemann de Inria, demuestra que el aprendizaje automático de grandes cohortes de población puede generar «medidas indirectas» para problemas de salud relacionados con el cerebro sin necesidad de la evaluación de un especialista. Los investigadores aprovecharon el Biobanco del Reino Unido, una de las bases de datos biomédicas más grandes y completas del mundo, que contiene datos detallados y seguros relacionados con la salud de la población del Reino Unido. Este trabajo se publica en la revista de acceso abierto GigaScience.
Los problemas de salud mental han ido en aumento en todo el mundo, y la OMS determinó que ha habido un aumento del 13 % en las afecciones de salud mental y los trastornos por abuso de sustancias entre 2007 y 2017. La carga que estas enfermedades imponen a la sociedad es extensa y tiene un impacto negativo en casi todos los área de la vida: escuela, trabajo, familia, amigos y participación en la comunidad. Entre los muchos problemas que impiden la capacidad de la sociedad para abordar estos trastornos es que el diagnóstico de tales problemas de salud requiere especialistas; cuya disponibilidad varía drásticamente en todo el mundo. El desarrollo de una metodología de aprendizaje automático con el fin de facilitar las evaluaciones de salud mental podría proporcionar un medio adicional muy necesario para ayudar a detectar, prevenir y tratar tales problemas de salud.
Para desarrollar modelos de IA sensibles a la salud mental, los investigadores de Inria (Saclayle-de-France) y sus colegas recurrieron al Biobanco del Reino Unido para obtener los datos necesarios. El Biobanco del Reino Unido almacena no solo datos biológicos y médicos, sino también datos de cuestionarios sobre circunstancias y hábitos personales, como la edad, la educación, el consumo de tabaco y alcohol, la duración del sueño y el ejercicio físico. Específicos para este estudio, estos cuestionarios también incluyen datos sociodemográficos y de comportamiento, como el estado de ánimo y los sentimientos de las personas, y los datos biológicos incluyen imágenes de resonancia magnética (RM) de los escáneres cerebrales de 10 000 participantes.
Los científicos de Inria combinó estas dos fuentes de datos para construir modelos que aproximan las medidas de la edad del cerebro y los rasgos de inteligencia y neuroticismo definidos científicamente. Estos sirven como «medidas indirectas», que son mediciones indirectas que se correlacionan fuertemente con enfermedades específicas o resultados que no se pueden medir directamente. El desarrollo de aproximaciones de esta manera se ha empleado con éxito en el pasado para predecir la «edad del cerebro» a partir de imágenes de RM. Este cuerpo previo de trabajo neuroclínico sirvió como punto de partida para Denis Engemann y su equipo.
Engemann explica: «En este trabajo, generalizamos esta metodología de dos maneras. Primero, demostramos que, más allá envejecimiento biológico, el mismo marco de medidas indirectas es aplicable a construcciones más directamente relacionadas con la salud mental. En segundo lugar, mostramos que las medidas indirectas útiles pueden derivarse de otras entradas además de las imágenes cerebrales, como los datos sociodemográficos y de comportamiento».
Los investigadores validaron sus medidas de representación al demostrar los mismos resultados en un subconjunto separado de datos del Biobanco del Reino Unido.
Los resultados del trabajo aquí brindan una visión de un futuro en el que los psicólogos y los modelos de aprendizaje automático podrían funcionar. mano a mano para producir evaluaciones mentales cada vez más detalladas y personalizadas. Por ejemplo, en el futuro, los clientes o pacientes pueden otorgar a un modelo de aprendizaje automático acceso seguro a sus cuentas de redes sociales o a los datos de su teléfono móvil, para luego devolver medidas de proxy que sean útiles tanto para el cliente como para el experto en educación o salud mental.
Sin embargo, si bien la IA puede proporcionar herramientas de evaluación muy necesarias, la interacción humana seguirá siendo esencial, como señala Engemann: «Lo que no va a cambiar es que los profesionales de la salud mental deberán interpretar y contextualizar cuidadosamente los resultados de las pruebas en caso por caso y a través de la interacción social, ya sea que se obtengan mediante aprendizaje automático o pruebas clásicas».
Explore más
Los acelerómetros de muñeca ayudan a los investigadores a relacionar la calidad del sueño con las enfermedades psiquiátricas Más información: El modelado de población con aprendizaje automático puede mejorar las medidas de salud mental, GigaScience (2021). DOI: 10.1093/gigascience/giab071 Información de la revista: GigaScience
Proporcionado por GigaScience Cita: Uso de IA para la evaluación de la salud mental (15 de octubre de 2021) consultado el 29 de agosto de 2022 de https://medicalxpress.com/news/2021-10-ai-mental-health.html Este documento está sujeto a derechos de autor. Aparte de cualquier trato justo con fines de estudio o investigación privados, ninguna parte puede reproducirse sin el permiso por escrito. El contenido se proporciona únicamente con fines informativos.