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.

EV0922

Conectividad funcional en reposo en el diagnóstico diferencial entre la esquizofrenia y los trastornos del estado de ánimo: un estudio de aprendizaje automático

RESTING-STATE FUNCTIONAL CONNECTIVITY FOR THE DIFFERENTIAL DIAGNOSIS OF SCHIZOPHRENIA AND MOOD DISORDERS: A MACHINE LEARNING STUDY

Los modelos de máquinas de vectores de soporte basados en la conectividad funcional en reposo permiten distinguir la esquizofrenia de la depresión mayor y del trastorno bipolar con una exactitud balanceada de aproximadamente el 70 %.

El objetivo del estudio fue evaluar si la conectividad funcional en reposo (resting state functional connectivity) permite distinguir la esquizofrenia de los trastornos del estado de ánimo mediante aprendizaje automático. La muestra estuvo formada por 50 pacientes con esquizofrenia (schizophrenia, SCZ), 148 con trastorno depresivo mayor (major depressive disorder, MDD) y 125 con trastorno bipolar (bipolar disorder, BD); los datos de resonancia magnética funcional en reposo se preprocesaron con HALFpipe y se extrajeron características mediante regresión dual (dual regression, DR) en 14 redes en reposo y mediante conectividad basada en semillas (seed based connectivity, SBC), utilizando como semillas la amígdala, el cuerpo estriado, la corteza cingulada anterior y el hipocampo de ambos hemisferios. Para las comparaciones entre SCZ y MDD y entre SCZ y BD se desarrollaron clasificadores independientes de máquinas de vectores de soporte (support vector machine, SVM) con el programa PRoNTo, y se calcularon la exactitud balanceada (balanced accuracy, BA) y el área bajo la curva (AUC) mediante validación cruzada anidada de 5 particiones. Para distinguir entre SCZ y MDD, el mejor modelo fue el de conectividad basada en la amígdala derecha como semilla (BA del 70 %, AUC de 0,75; p<0,001); en esta comparación se obtuvieron 5 modelos significativos con DR y 5 con SBC, y otros modelos destacados fueron el componente 11 de DR (BA del 70 %, AUC de 0,74), el componente 10 de DR (BA del 69 %, AUC de 0,73) y la SBC del cuerpo estriado derecho (BA del 69 %, AUC de 0,72). Para distinguir entre SCZ y BD, el mejor modelo fue el componente 13 de DR, que incluía el cúneo bilateral (BA del 69 %, AUC de 0,69; p<0,001); en este caso hubo 4 modelos significativos con DR y 1 con SBC, y la clasificación se sustentó más específicamente en la regresión dual. Los otros modelos de esta comparación fueron el componente 12 de DR (BA del 65 %, AUC de 0,70), el componente 2 de DR (BA del 65 %, AUC de 0,65) y la SBC de la amígdala izquierda (BA del 61 %, AUC de 0,59). En conclusión, los patrones de conectividad complementarios permiten distinguir la esquizofrenia de los trastornos del estado de ánimo; el enfoque basado en semillas destaca en la distinción entre SCZ y MDD, mientras que la regresión dual destaca en la distinción entre SCZ y BD, y estos métodos se presentan como posibles herramientas de apoyo objetivo a la evaluación clínica.

Todos los resúmenes del WCP 2026