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.

SO384

Integración de la inteligencia artificial explicable con el modelado estratificado por edad para predecir la resistencia al tratamiento y el riesgo de suicidio en la depresión

INTEGRATING AGE-STRATIFIED MODELING AND EXPLAINABLE AI FOR PREDICTING TREATMENT REFRACTORINESS AND SUICIDE RISK IN DEPRESSION

Los modelos TabNet estratificados por edad predijeron la depresión resistente al tratamiento y el riesgo de suicidio a partir de datos de PET con FDG con mayor exactitud que los métodos tradicionales de aprendizaje automático e identificaron patrones metabólicos distintos en cada grupo de edad.

Partiendo de la hipótesis de que los mecanismos cerebrales de la depresión resistente al tratamiento (treatment-resistant depression, TRD) varían entre los grupos de edad, el estudio tuvo como objetivo evaluar si el modelado estratificado por edad mejoraba la predicción al captar patrones metabólicos específicos de cada edad. Se dividió a 245 pacientes con trastorno depresivo mayor (de 21 a 82 años) del Taipei Veterans General Hospital en tres grupos: jóvenes (menores de 25 años; 7 sin resistencia al tratamiento y 17 con TRD), adultos (de 25 a 49 años; 26 sin resistencia al tratamiento y 58 con TRD) y personas de mayor edad (50 años o más; 56 sin resistencia al tratamiento y 81 con TRD). Se obtuvieron datos de PET con FDG en reposo de 116 regiones cerebrales del atlas AAL y se aplicaron una corrección del valor de captación estandarizado (SUV) y una normalización mín.-máx.; el marco estratificado por edad, desarrollado con TabNet, una arquitectura de aprendizaje profundo para datos tabulares, se comparó con modelos tradicionales de aprendizaje automático (SVM, RF y XGBoost). Para abordar el desequilibrio de clases se utilizaron SMOTE, Mixup y una función de pérdida equilibrada por clases, y la interpretabilidad del modelo se obtuvo mediante SHAP (SHapley Additive exPlanations). TabNet superó a los modelos tradicionales en todas las métricas; la exactitud en la predicción de la resistencia al tratamiento fue del 75,33 % en el grupo de jóvenes, del 71,62 % en el de adultos y del 77,80 % en el de personas de mayor edad. En la predicción del riesgo de suicidio, se notificó una exactitud del 86,00 % en el grupo de jóvenes, del 80,19 % en el de adultos y del 70,36 % en el de personas de mayor edad. El análisis SHAP reveló perfiles neurobiológicos específicos de cada edad: en los pacientes jóvenes se observaron diferencias en la integración sensorial y en las redes sociales (lóbulo parietal, polo temporal); en los adultos, una desregulación entre la corteza prefrontal, la corteza cingulada anterior y el sistema límbico; y en el grupo de mayor edad, afectación subcortical y cerebelosa (putamen, cerebelo). Los autores señalan que la edad es un moderador determinante de la presentación de la TRD y del rendimiento del modelo, y que la estratificación de los pacientes por edad y el uso de inteligencia artificial interpretable, como TabNet, mejoran la exactitud predictiva y permiten identificar mecanismos patológicos específicos de cada edad.

Todos los resúmenes del WCP 2026