El machine learning ayuda a identificar la depresión

Investigadores del Grupo Multidisciplinar de Investigación en Trastornos Afectivos, del Departamento de Psiquiatría de la Universidad Autónoma de Madrid (UAM), han demostrado que es posible predecir el diagnóstico de depresión y su tipología clínica a partir de marcadores inmunometabólicos y hábitos de vida, utilizando técnicas de aprendizaje automático (machine learning). 

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).

Maching learning y grupos de pacientes

Los métodos de aprendizaje automático basados en hacer supuestos explícitos sobre los subtipos de pacientes y el posterior ajuste de los datos a estos supuestos, permite desarrollar modelos que pueden contribuir a crear grupos de pacientes más homogéneos. Además, no requiere un conocimiento previo de las posibles relaciones entre variables por lo que cada vez más se está utilizando en la investigación de los trastornos mentales.

En este estudio se evaluaron un total de 171 participantes, de los cuales 91 eran pacientes con depresión y 80 controles sanos. Teniendo en cuenta las variables anteriormente citadas, se logró clasificar de manera óptima a los pacientes frente a controles sanos y a los pacientes según su sintomatología y su respuesta al tratamiento. Además, se pudo analizar la importancia relativa de cada una de las variables en la clasificación.

“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”.

Por otro lado, respecto al estado metabólico, el riesgo de depresión es de aproximadamente el 50% en presencia de obesidad abdominal. La adiposidad abdominal se caracteriza por la acumulación de grasa visceral, más relacionada con desregulaciones metabólicas y con un mayor efecto sobre la inflamación.

Respecto al estilo de vida, el estudio ha puesto de manifiesto que tanto el consumo de alcohol como el ejercicio físico son importantes a la hora de clasificar a los sujetos con diagnóstico de depresión, siendo también determinantes en la clasificación de los subtipos depresivos.

Estos resultados tienen implicaciones importantes en entornos clínicos, ya que la identificación de estilos de vida poco saludables y de trastornos inmunometabólicos puede guiar y ayudar en el manejo de la depresión clínica.

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. 

“Es importante destacar que el posible perfeccionamiento de dichas técnicas puede ayudar en el futuro a los profesionales de la salud mental a redefinir los trastornos mentales de forma objetiva, pudiendo identificar a los pacientes y su pronóstico en función de los factores de riesgo determinados como variables predictivas y a su vez personalizar los tratamientos en función de los pacientes”, concluye Yolanda Sánchez-Carro, autora principal del artículo científico.

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.

_____________________

Referencia bibliográfica:

Sánchez-Carro, Y., de la Torre-Luque, A., Leal-Leturia, I., Salvat-Pujol, N., Massaneda, C., de Arriba-Arnau, A., Urretavizcaya, M., Pérez-Solà, V., Toll, A., Martínez-Ruiz, A., Ferreirós-Martínez, R., Pérez, S., Sastre, J., Álvarez, P., Soria, V., López-García, P. 2023. Importance of immunometabolic markers for the classification of patients with major depressive disorder using machine learning. Progress in neuro-psychopharmacology & biological psychiatry, 121, 110674. doi: 10.1016/j.pnpbp.2022.110674

Más cultura científica en UAM Gazette.