La mayor parte de la medicina moderna tiene pruebas físicas o técnicas objetivas para definir gran parte de lo que nos aflige. Sin embargo, actualmente no existe una prueba genética o de sangre, o un procedimiento imparcial que pueda diagnosticar definitivamente una enfermedad mental, y ciertamente ninguno para distinguir entre diferentes enfermedades psiquiátricastrastornos con síntomas similares. Los expertos de la Universidad de Tokio están combinando el aprendizaje automático con herramientas de imágenes cerebrales para redefinir el estándar para el diagnóstico de enfermedades mentales.
"Los psiquiatras, incluyéndome a mí, a menudo hablamos de síntomas y comportamientos con los pacientes y sus maestros, amigos y padres. Solo nos encontramos con pacientes en el hospital o la clínica, no en su vida diaria. Tenemos que sacar conclusiones médicas utilizando subjetivos,información de segunda mano ", explicó el Dr. Shinsuke Koike, MD, Ph.D., profesor asociado de la Universidad de Tokio y autor principal del estudio publicado recientemente en Psiquiatría traslacional .
"Francamente, necesitamos medidas objetivas", dijo Koike.
Desafío de síntomas superpuestos
Otros investigadores han diseñado algoritmos de aprendizaje automático para distinguir entre aquellos con una condición de salud mental y los no pacientes que se ofrecen voluntariamente como "controles" para tales experimentos.
"Es fácil saber quién es un paciente y quién es un control, pero no es tan fácil distinguir la diferencia entre los diferentes tipos de pacientes", dijo Koike.
El equipo de investigación de UTokyo dice que el suyo es el primer estudio que diferencia entre múltiples diagnósticos psiquiátricos, incluido el trastorno del espectro autista y la esquizofrenia. Aunque se describe de manera muy diferente en la cultura popular, los científicos han sospechado durante mucho tiempo que el autismo y la esquizofrenia están vinculados de alguna manera.
"Los pacientes con trastorno del espectro autista tienen un riesgo 10 veces mayor de esquizofrenia que la población en general. Se necesita apoyo social para el autismo, pero en general la psicosis de la esquizofrenia requiere medicación, por lo que se debe distinguir entre las dos afecciones o saber cuándo coexistenes muy importante ", dijo Koike.
La computadora convierte las imágenes del cerebro en un mundo de números
Un equipo multidisciplinario de médicos y expertos en aprendizaje automático entrenó su algoritmo informático utilizando escáneres cerebrales de resonancia magnética IRM de 206 adultos japoneses, una combinación de pacientes ya diagnosticados con trastorno del espectro autista o esquizofrenia, individuos considerados de alto riesgo de esquizofrenia y aquellosque experimentaron su primera instancia de psicosis, así como personas neurotípicas sin problemas de salud mental. Todos los voluntarios con autismo eran hombres, pero había aproximadamente el mismo número de voluntarios masculinos y femeninos en los otros grupos.
El aprendizaje automático utiliza estadísticas para encontrar patrones en grandes cantidades de datos. Estos programas encuentran similitudes dentro de los grupos y diferencias entre los grupos que ocurren con demasiada frecuencia como para descartarlas fácilmente como una coincidencia. Este estudio utilizó seis algoritmos diferentes para distinguir entre las diferentes imágenes de resonancia magnética delos grupos de pacientes.
El algoritmo utilizado en este estudio aprendió a asociar diferentes diagnósticos psiquiátricos con variaciones en el grosor, área de superficie o volumen de áreas del cerebro en las imágenes de resonancia magnética. Aún no se sabe por qué una diferencia física en el cerebro se encuentra a menudo con uncondición de salud mental específica.
Ampliando la delgada línea entre diagnósticos
Después del período de capacitación, el algoritmo se probó con escáneres cerebrales de 43 pacientes adicionales. El diagnóstico de la máquina coincidió con las evaluaciones de los psiquiatras con alta confiabilidad y hasta un 85 por ciento de precisión.
Es importante destacar que el algoritmo de aprendizaje automático podría distinguir entre no pacientes, pacientes con trastorno del espectro autista y pacientes con esquizofrenia o factores de riesgo de esquizofrenia.
Las máquinas ayudan a dar forma al futuro de la psiquiatría
El equipo de investigación observa que el éxito de distinguir entre los cerebros de los no pacientes y los de las personas en riesgo de esquizofrenia puede revelar que las diferencias físicas en el cerebro que causan la esquizofrenia están presentes incluso antes de que surjan los síntomas y luego permanecen constantes a lo largo del tiempo.
El equipo de investigación también observó que el grosor de la corteza cerebral, los 1,5 a 5 centímetros superiores del cerebro, era la característica más útil para distinguir correctamente entre las personas con trastorno del espectro autista, esquizofrenia y las personas típicas. Esto revela un aspecto importantedel papel que juega el grosor de la corteza en la distinción entre diferentes trastornos psiquiátricos y puede dirigir estudios futuros para comprender las causas de las enfermedades mentales.
Aunque el equipo de investigación entrenó su algoritmo de aprendizaje automático utilizando escáneres cerebrales de aproximadamente 200 personas, todos los datos se recopilaron entre 2010 y 2013 en una máquina de resonancia magnética, lo que aseguró que las imágenes fueran consistentes.
"Si toma una foto con un teléfono con cámara iPhone o Android, las imágenes serán ligeramente diferentes. Las máquinas de resonancia magnética también son así: cada resonancia magnética toma imágenes ligeramente diferentes, por lo que al diseñar nuevos protocolos de aprendizaje automático como el nuestro, usamosla misma máquina de resonancia magnética y exactamente el mismo procedimiento de resonancia magnética ", dijo Koike.
Ahora que su algoritmo de aprendizaje automático ha demostrado su valor, los investigadores planean comenzar a usar conjuntos de datos más grandes y, con suerte, coordinar estudios en varios sitios para capacitar al programa para que funcione independientemente de las diferencias de resonancia magnética.
Fuente de la historia :
Materiales proporcionado por Universidad de Tokio . Nota: el contenido se puede editar por estilo y longitud.
Referencia de la revista :
cite esta página :