Este método permite predecir el resultado de los tratamientos para la depresión

Se estima que la depresión afecta a más de 300 millones de personas cada año en todo el mundo. Con este dato en mente, es lógico que exista un interés creciente en buscar maneras de monitorizar de manera continua la salud mental de cada persona.

Según un artículo publicado en el medio especializado Proceedings of the ACM on Interactive Mobile Wearable and Ubiquitous Technologies por investigadores de la Universidad Washington de St. Louis (EE UU) y de la Universidad de Illinois Chicago (EE UU), la clave para lograr esto podría estar en los wearables, dispositivos electrónicos tales como los smartwatches.

Los wearables, dicen los autores, son un método eficaz para medir marcadores tales como los niveles de actividad de una persona, su sueño o su frecuencia cardíaca. Empleando esta clase de datos, estos investigadores lograron predecir el resultado de los tratamientos para la depresión en una serie de individuos que participaron en un ensayo clínico aleatorizado.

Para lograr tal cosa, desarrollaron un nuevo modelo de inteligencia artificial que analizó datos de dos sets de pacientes: unos seleccionados aleatoriamente para recibir tratamiento y otros que no lo recibieron. Este modelo, afirman, es un paso adelante en el desarrollo de la medicina personalizada, en la que los especialistas desarrollan un plan de tratamiento específico para las necesidades de cada paciente y predicen resultados basándose en sus datos individuales.

La idea es que, si los profesionales son capaces de hacer predicciones personalizadas sobre la respuesta de cada paciente a determinados tratamientos, estos se aplicarán a los pacientes sólo cuando la respuesta vaya a ser mejor que no aplicarlo. Esto debería permitir terapias más efectivas y dirigidas.

En el ensayo clínico, a los pacientes se les dieron pulseras Fitbit y se les realizaron test psicológicos. Unos dos tercios de ellos recibieron terapia conductual, mientras que los restantes no la recibieron. Los pacientes de ambos grupos fueron estadísticamente similares de entrada, lo que permitía a los investigadores saber si el tratamiento daría lugar a mejores resultados basándose en los datos individuales.

Gracias a los datos combinados de los dos grupos, el modelo disponía de una base más amplia para aprender, capturando además las diferencias entre aquellos que recibieron tratamiento y aquellos que no. Además, de esta manera comprobaron que un modelo multitarea funcionaba mejor que un modelo que mirase a cada grupo de forma separada.

El método es pionero, ya que combina el grupo intervenido y el grupo de control en un ensayo controlado aleatorizado para que juntos entrenen un modelo unificado que prediga los resultados personalizados de un individuo con y sin tratamiento.

En la clínica, este enfoque permitiría realizar esas predicciones personalizadas de los resultados de los pacientes dependiendo del tratamiento recibido de manera temprana, lo que podría contribuir a una mejor toma de decisiones tanto por el profesional como por el paciente.