Esta página se ha traducido automáticamente del turco. Leer el original

Esta página es un resumen en turco, elaborado con ayuda de inteligencia artificial, del trabajo presentado en el 26.º Congreso Mundial de Psiquiatría. El trabajo pertenece a los autores que lo presentan; para citarlo, consulte la fuente original.

EV0446

Mismo diagnóstico, distinta atención: personalización de los itinerarios asistenciales de la depresión para reflejar las diferencias individuales

SAME DIAGNOSIS, DIFFERENT CARE: PERSONALIZING DEPRESSION CARE PATHWAYS TO REFLECT INDIVIDUAL DIFFERENCES

El modelo que combina el aprendizaje automático a nivel de síntomas con el riesgo de abandono del tratamiento predice una mayor mejoría sintomática que con el tratamiento asignado.

El objetivo es desarrollar un marco de recomendación de tratamiento personalizado que tenga en cuenta las interacciones entre síntomas y tratamientos que pasan por alto los modelos basados en la puntuación total de gravedad de la depresión. Como justificación, el póster señala que la desvinculación del tratamiento afecta aproximadamente al 20-30 % de los pacientes y se asocia con un riesgo de intento de suicidio entre 2 y 4 veces mayor, pese a lo cual suele excluirse del análisis como datos faltantes. En cuanto al método, se comparó la modelización basada en la media poblacional con la modelización a nivel de síntomas mediante LightGBM (árboles de decisión con potenciación por gradiente), utilizando una matriz de entrada compuesta por las características sintomáticas iniciales; se desarrollaron un clasificador de respuesta y remisión para los ISRS, un modelo de regresión de la mejoría sintomática para otros antidepresivos y un clasificador de desvinculación (disengagement) para el grupo de tratamiento combinado. El rendimiento de los modelos se evaluó mediante el AUC, la RMSE, la prueba t para muestras pareadas y R cuadrado. En el modelo LightGBM a nivel de síntomas, se notificó una concordancia entre la mejoría sintomática predicha y la observada en el PHQ-9 de r = 0,92, con una RMSE = 3,86. En la comparación pareada entre el tratamiento asignado en STAR*D y el recomendado por el modelo, se predijo una mayor mejoría sintomática con la recomendación del modelo (t = 4,27, p < 0,001). Se prevé que la aplicación de este marco permitiría ahorrar 8 millones de dólares por cada 1.000 pacientes y lograr una mejoría de más de 1 punto en el PHQ-9 en 570 de cada 1.000 pacientes. Los autores señalan que este es el primer marco de aprendizaje automático que combina la heterogeneidad a nivel de síntomas con el riesgo de abandono del tratamiento y proponen, como siguiente paso, su validación en conjuntos de datos de ensayos clínicos independientes y de historias clínicas electrónicas de la práctica real, así como el uso de métodos de inferencia causal más sólidos, como la estimación doblemente robusta.

Todos los resúmenes del WCP 2026