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

Bu sayfa, 26. Dünya Psikiyatri Kongresi'nde sunulan çalışmanın yapay zekâ desteğiyle hazırlanmış Türkçe özetidir. Çalışmanın sahibi sunan yazarlardır; atıf için orijinal kaynağa başvurun.

EV0468

Sentirse mejor, byte a byte: eficacia y seguridad de las intervenciones basadas en inteligencia artificial en el tratamiento del trastorno depresivo mayor

FEELING BETTER, BYTE BY BYTE: THE EFFECTIVENESS AND SAFETY OF ARTIFICIAL INTELLIGENCE-ENABLED INTERVENTIONS FOR THE MANAGEMENT OF MAJOR DEPRESSIVE DISORDER

Las herramientas de apoyo a la decisión clínica y análisis de sesiones basadas en inteligencia artificial mejoran los síntomas y la permanencia en el tratamiento en el trastorno depresivo mayor, mientras que los modelos pronósticos de aprendizaje automático superan el juicio clínico en la predicción de la remisión y la respuesta farmacológica.

El estudio tuvo como objetivo examinar si las intervenciones basadas en inteligencia artificial y aprendizaje automático (machine learning) mejoran la precisión del tratamiento y las tasas de remisión en el trastorno depresivo mayor (major depressive disorder, MDD) en comparación con el juicio clínico tradicional. En esta revisión sistemática guiada por PRISMA se examinaron 2.318 registros, se evaluaron 37 textos completos y se incluyeron 5 estudios; estos comprendían ensayos controlados aleatorizados de sistemas de apoyo a la decisión clínica basados en inteligencia artificial (clinical decision support system, CDSS) y estudios pronósticos de aprendizaje automático, con la atención habitual o el juicio clínico como comparadores. En el ensayo aleatorizado de Eleos Health (n=47), la reducción de los síntomas a los dos meses fue del 34 % en el PHQ-9 (d=0,82) y del 29 % en el GAD-7 (d=0,78), frente al 20 % (d=0,34) y al 8 % (d=0,14), respectivamente, con la atención habitual; las notas clínicas se completaron 55 horas antes. En el ensayo aleatorizado PETRUSHKA (n=520), en la semana 8 el abandono del tratamiento por cualquier causa fue del 17 % frente al 27 %, y el abandono por efectos adversos fue del 9 % frente al 16 %; se notificó una reducción del 40 % en el abandono (RR 0,62; p=0,007). En la semana 24, la puntuación media de los síntomas fue de 7,1 frente a 9,2 en el PHQ-9 y de 4,6 frente a 5,8 en el GAD-7. Entre los modelos pronósticos, el modelo multiómico NESDA (n=804) alcanzó un AUROC de 0,78 en la predicción de la remisión a dos años, superando la exactitud del 51 % al 55 % de los psiquiatras (κ=0,32), mientras que el modelo de resonancia magnética multimodal EMBARC (n=229) predijo la respuesta a la sertralina en la semana 8 a partir de los datos de la semana 1, con una exactitud equilibrada (balanced accuracy) del 68 % y un AUROC de 0,73. En el modelo de resonancia magnética estructural sobre ketamina y depresión resistente al tratamiento (n=99/51), la exactitud equilibrada fue del 72,2 % en la muestra exploratoria, del 60 % en la validación externa y del 41,1 % en el grupo de control con solución salina. Los autores concluyeron que los sistemas de apoyo a la decisión y el análisis de sesiones aumentan la permanencia de los pacientes en el tratamiento, mejoran los síntomas de depresión y ansiedad a largo plazo y reducen la carga de documentación. Se subraya la necesidad de ensayos clínicos prospectivos y doble ciego que evalúen la efectividad en condiciones reales y la relación coste-efectividad de las herramientas de apoyo a la decisión basadas en neuroimagen y multiómica antes de incorporarlas a la práctica habitual.

Tüm WCP 2026 özetleri