Neuroimagen y aprendizaje automático, nuevas vías para el diagnóstico del trastorno bipolar

A través del análisis de datos clínicos, imagen cerebral y variables sociodemográficas buscan distinguir de manera más eficaz a los pacientes enfermos de los sanos.

Neuroimagen y aprendizaje automático, nuevas vías para el diagnóstico del  trastorno bipolar
Neuroimagen y aprendizaje automático, nuevas vías para el diagnóstico del trastorno bipolar
CS
26 septiembre 2018 | 11:42 h

Investigadores del CIBER en su área de Salud Mental (Cibersam) han identificado en un estudio internacional factores que podrían ayudar en el diagnóstico del trastorno bipolar, combinando datos de neuroimagen y técnicas de machine learning –aprendizaje automático-.

El estudio colaborativo llevado a cabo por el ENIGMA Bipolar DisordersWorkingGroup y publicado en Molecular Psychiatry ha contado con la participación de investigadores del Cibersam de FIDMAG Hermanas Hospitalarias y del Hospital Clínic de Barcelona, entre ellos su director científico Eduard Vieta, con un total de 13 centros de investigación líderes en el tratamiento del trastorno bipolar.

El trabajo tuvo como objetivo diferenciar los individuos de un grupo u otro usando datos clínicos y neuroimagen analizados a través de técnicas de aprendizaje automático

A través de la participación de 3.000 pacientes (853 con la enfermedad y 2.167 sanos), el trabajo tuvo como objetivo diferenciar los individuos de un grupo u otro usando datos clínicos y neuroimagen analizados a través de técnicas de aprendizaje automático. En este caso particular, se buscaba la identificación de patrones a través del análisis de los datos clínicos y de neuroimagen que ayudasen a clasificar correctamente a los participantes en el grupo de pacientes con trastorno bipolar o en el de controles sanos.

De esta manera, se analizaron las imágenes cerebrales obtenidas mediante resonancias magnéticas junto con otras variables clínicas y sociodemográficas de interés (tratamiento, género, edad…) de los participantes. Los resultados demostraron un mayor rendimiento de clasificación del que se esperaría encontrar solo por azar, con un área bajo la curva (ROC-AUC) de 71, 49%. No obstante, los autores destacan que el nivel de precisión fue del 65, 23% inferior al umbral del 80% necesario para ser utilizado en la práctica clínica habitual.

Los contenidos de ConSalud están elaborados por periodistas especializados en salud y avalados por un comité de expertos de primer nivel. No obstante, recomendamos al lector que cualquier duda relacionada con la salud sea consultada con un profesional del ámbito sanitario.
Lo más leído