Una nueva investigación realizada por un equipo interdisciplinar, dirigida por Denis Engemann, del Instituto Nacional de Investigación en Informática y Automática (INRIA, por sus siglas en francés), demuestra que el aprendizaje automático a partir de grandes cohortes de población puede arrojar "medidas aproximadas" de los problemas de salud relacionados con el cerebro sin necesidad de la evaluación de un especialista, según publican en la revista de acceso abierto 'GigaScience'.
Los investigadores aprovecharon el Biobanco del Reino Unido, una de las bases de datos biomédicos más grandes y completas del mundo, que contiene datos detallados y seguros relacionados con la salud de la población británica.
Uno de los muchos problemas que dificultan la capacidad de la sociedad para hacer frente a estos trastornos es que el diagnóstico de estos problemas de salud requiere especialistas, cuya disponibilidad varía drásticamente en todo el mundo
Los problemas de salud mental han ido en aumento en todo el mundo, y la OMS ha determinado que ha habido un aumento del 13% en las condiciones de salud mental y los trastornos por abuso de sustancias entre 2007 y 2017. La carga que estas enfermedades suponen para la sociedad es amplia, y tiene un impacto negativo en casi todos los ámbitos de la vida: la escuela, el trabajo, la familia, los amigos y la participación en la comunidad, señalan los investigadores.
Uno de los muchos problemas que dificultan la capacidad de la sociedad para hacer frente a estos trastornos es que el diagnóstico de estos problemas de salud requiere especialistas, cuya disponibilidad varía drásticamente en todo el mundo.
El desarrollo de una metodología de aprendizaje automático para facilitar la evaluación de la salud mental podría proporcionar un medio adicional muy necesario para ayudar a detectar, prevenir y tratar estos problemas de salud.
Para desarrollar modelos de IA sensibles a la salud mental, los investigadores del INRIA, en Francia, y sus colegas usaron el Biobanco del Reino Unido, que no sólo almacena 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.
Específicamente para este estudio, estos cuestionarios también incluyen datos sociodemográficos y de comportamiento, como el estado de ánimo y los sentimientos de los individuos, y los datos biológicos incluyen imágenes de Resonancia Magnética (RM) de 10.000 escáneres cerebrales de los participantes.
Los científicos combinaron estas dos fuentes de datos para construir modelos que se aproximan a las medidas de la edad cerebral y a los rasgos de inteligencia y neuroticismo definidos científicamente. Se trata de "medidas indirectas" que se correlacionan con enfermedades o resultados específicos que no pueden medirse directamente.
El desarrollo de aproximaciones de este modo se ha empleado con éxito en el pasado para predecir la "edad cerebral" a partir de imágenes de RM. Este conjunto de trabajos neuroclínicos anteriores sirvió de punto de partida a Denis Engemann y su equipo.
"En este trabajo, hemos generalizado esta metodología de dos maneras --explica Engemann--. En primer lugar, demostramos que, más allá del envejecimiento biológico, el mismo marco de medidas indirectas es aplicable a constructos más directamente relacionados con la salud mental. En segundo lugar, demostramos que pueden obtenerse medidas indirectas útiles a partir de otros datos distintos de las imágenes cerebrales, como los sociodemográficos y los conductuales".
"Lo que no va a cambiar es que los profesionales de la salud mental tendrán que interpretar y contextualizar cuidadosamente los resultados de las pruebas caso por caso y mediante la interacción social, tanto si se obtienen mediante el aprendizaje automático como si se trata de pruebas clásicas"
Los investigadores validaron sus medidas proxy demostrando los mismos resultados en un subconjunto separado de datos del Biobanco del Reino Unido. Los resultados de este trabajo permiten vislumbrar un futuro en el que los psicólogos y los modelos de aprendizaje automático podrían trabajar mano a mano para producir evaluaciones mentales cada vez más precisas y personalizadas.
Por ejemplo, en el futuro los clientes o los pacientes podrían conceder 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 indirectas que sean útiles tanto para el cliente como para el experto en salud mental o educación.
Sin embargo, aunque 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 tendrán que interpretar y contextualizar cuidadosamente los resultados de las pruebas caso por caso y mediante la interacción social, tanto si se obtienen mediante el aprendizaje automático como si se trata de pruebas clásicas", precisa.