Neuroimagen y aprendizaje automático, nuevas vías para diagnósticar el trastorno bipolar

A través de la participación de 3.000 pacientes (853 con la enfermedad y 2.167 sanos), un estudio colaborativo llevado a cabo por el ENIGMA Bipolar Disorders Working Group y publicado en la revista Molecular Psychiatry ha analizado datos clínicos y neuroimagen para diferenciar los individuos de un grupo u otro según técnicas de aprendizaje automático.

En este caso particular, se buscaba la identificación de patrones  que ayudasen a clasificar correctamente a los participantes en el grupo de pacientes con trastorno bipolar o en el de controles sanos. El trabajo ha contado con la participación de un total de 13 centros de investigación líderes en el tratamiento del trastorno bipolar.

De esta manera, se analizaron las imágenes cerebrales obtenidas mediante resonancias magnéticas junto con otras variables clínicas y sociodemográficas de interés (tratamiento, género o edad) de los participantes.

Los resultados demostraron un mayor rendimiento de clasificación del que se esperaría encontrar solo por azar, con un área bajo la curva (ROC-AUC) de 71, 49%. No obstante, los autores destacan que el nivel de precisión fue del 65, 23% inferior al umbral del 80% necesario para ser utilizado en la práctica clínica habitual.

El estudio constituye hasta la fecha la mejor aproximación para el empleo de técnicas de neuroimagen como exploraciones complementarias que ayuden a confirmar el diagnóstico clínico del trastorno bipolar. (Foto: SINC)

El trabajo, sin embargo, constituye hasta la fecha la mejor aproximación para el empleo de técnicas de neuroimagen como exploraciones complementarias que ayuden a confirmar el diagnóstico clínico del trastorno bipolar.

En la actualidad, el diagnóstico es puramente clínico, basado en la identificación de síntomas mediante una entrevista clínica llevada a cabo por un experto en salud mental, pero una parte de la investigación se dedica a estudiar marcadores biológicos, como cambios en zonas cerebrales, que puedan contribuir a mejorar el diagnóstico. (Fuente: SINC)