logo onda cero

ESCÚCHANOS ONLINE

UAM

El machine learning ayuda a identificar la depresión

Escrito hace

7 meses

el

El machine learning permite el aprendizaje automático mediante algoritmos, ¿cómo puede ayudar a identificar la depresión?

Un equipo de investigadores del Grupo Multidisciplinar de Investigación en Trastornos Afectivos, del Departamento de Psiquiatría de la Universidad Autónoma de Madrid de la Universidad Autónoma de Madrid (UAM) ha conseguido aplicar esta tecnología para, mediante gran cantidad de datos, identificar a los pacientes con depresión a partir del estado inflamatorio, las alteraciones metabólicas y los estilos de vida. Además del diagnóstico de depresión, estas técnicas han servido para identificar la depresión resistente y la depresión melancólica.

La depresión, una de las principales causas de discapacidad

La depresión es una enfermedad común que afecta aproximadamente al 4% de la población mundial, siendo una de las principales causas de discapacidad. A pesar de que existen tratamientos efectivos, un alto porcentaje de pacientes pueden sufrir episodios recurrentes y muchos de ellos son resistentes al tratamiento.

La heterogeneidad de los síntomas de depresión dificulta la identificación de los mecanismos fisiopatológicos de esta enfermedad. Un marco conceptual prometedor para poder llegar a comprender sus mecanismos fisiopatológicos es el estudio de la desregulación inflamatoria, apuntando teorías recientes a una asociación entre alteraciones inmunometabólicas y subtipos específicos de depresión.

Teniendo en cuenta esta base de conocimiento, y utilizando diferentes algoritmos de aprendizaje automático, los investigadores realizaron un estudio de clasificación de pacientes con trastorno depresivo mayor a partir de variables de tipo inmunometabólico (p.ej. proteína C-reactiva, factor de necrosis tumoral, colesterol de lipoproteínas de alta densidad, triglicéridos, nivel de azúcar en sangre, presión arterial y medida de cintura) y estrés oxidativo (niveles de peroxidación lipídica y glutatión), así como de variables relacionadas al estilo de vida (p.ej. hábito tabáquico, consumo de alcohol y realización de ejercicio físico).

Leer:  Un medicamento para el VIH podría servir para tratar el Alzheimer

“Estos resultados confirman la importancia de las variables inflamatorias y metabólicas en la depresión. Las alteraciones inflamatorias que presentan los pacientes con trastorno depresivo mayor podrían ser consecuencia de una hiperactivación del eje hipotalámo-hipofiso-adrenal motivada por el estrés crónico, impactando en la producción de proteínas proinflamatorias y agentes oxidativos a través de la desregulación de la producción de glucocorticoides”, detalla la Dra. Pilar López García, líder de la investigación.

“Por lo tanto —agregan—, el aumento de proteínas inflamatorias y de estrés oxidativo como el glutatión, el factor de necrosis tumoral o la proteína C reactiva en pacientes con trastorno depresivo mayor puede servir para diferenciar entre sujetos sanos y pacientes con trastorno depresivo”.

Concluye Mª Pilar señalando: “En nuestros resultados avanzamos y comprobamos que a los pacientes no sólo hay que hacerles preguntas sobre su estado mental, hay que tener parámetros de su salud metabólica y hacerles una analítica. Indicadores muy básicos, de esa manera podemos hacer intervenciones no farmacológicas y farmacológicas.

Leer:  ¿A qué olía la prehistoria? será una de las muchas cosas a descubrir este viernes en ‘La noche de los Investigadores e Investigadoras en la UAM’

El potencial del uso de algoritmos

Por último, el trabajo demuestra el potencial del uso de algoritmos de aprendizaje automático para abordar la depresión y, en especial, qué tipo de algoritmos producen el mejor rendimiento al hacerlo.

El trabajo fue llevado a cabo dentro del proyecto MARIDE (Estudio de MARcadores Inflamatorios en DEpresión), en el que colaboraron la UAM y Hospital Universitario de la Princesa de Madrid y el Hospital del Mar y Hospital de Bellvitge de Barcelona.

¿Te gusta este contenido?, ¡compártelo!