Introducción

La depresión se define como un trastorno del estado de ánimo que provoca un sentimiento persistente de tristeza y pérdida de interés. Es una de las principales causas de enfermedad en el mundo y se estima que afecta a 300 millones de personas a nivel global. Se considera que tiene una amplia gama de determinantes que comprenden factores demográficos (edad, sexo), situación socioeconómica (educación, empleo, ingresos), condiciones del vecindario (hacinamiento, vivienda, contaminación, violencia) y factores relacionados con la salud (consumo de alcohol, ejercicio, tabaquismo, enfermedades, genética). La inteligencia artificial puede definirse como la capacidad de una máquina para imitar la conducta humana inteligente. La definición de aprendizaje automático puede ser una división de la inteligencia artificial para extraer conocimientos de grandes cantidades de datos. Hay seis algoritmos comunes de aprendizaje automático: el árbol de decisión, el predictor bayesiano ingenuo primitivo, el bosque aleatorizado, la máquina de vectores de apoyo, la red neuronal artificial y la red neuronal profunda (aprendizaje profundo). Un árbol de decisión tiene tres componentes: un nodo intermedio (una prueba sobre una variable independiente), una rama (un resultado de la prueba) y un nodo terminal (un valor de la variable dependiente). Un predictor bayesiano ingenuo realiza un diagnóstico anticipado basado en el teorema de Bayes, que establece que la probabilidad de la variable dependiente, dados ciertos valores de las variables independientes, proviene de las probabilidades de las variables independientes dado un determinado valor de la variable dependiente. Un bosque aleatorio es una colección de muchos árboles de decisión y se realizan votaciones mayoritarias sobre la variable dependiente. Una máquina de vectores de apoyo origina una línea o espacio llamado "hiperplano" (una colección de "vectores de apoyo"). El hiperplano divide los datos con la mayor distancia entre diferentes subgrupos. Una red neuronal artificial es una red de "neuronas", es decir, unidades de información combinadas mediante pesos. La red neuronal artificial tiene una capa de entrada, una, dos o tres capas intermedias y una capa de salida. Por último, una red neuronal profunda es una red neuronal artificial con un gran número de capas intermedias, por ejemplo, 5, 10 o incluso 1000. La red neuronal profunda se denomina "aprendizaje profundo" dado que el aprendizaje "profundiza" a través de numerosas capas intermedias.

El objetivo de este estudio fue revisar los recientes avances del aprendizaje automático para el diagnóstico precoz de la depresión.

Métodos

La fuente de datos fueron 32 estudios originales de 120 seleccionados de la Web of Science. Los criterios de elegibilidad de esta reseña fueron: 1) las intervenciones basadas en el árbol de decisión, el predictor bayesiano primitivo o ingenuo, el bosque aleatorio, la máquina de vectores de apoyo o la red neuronal artificial; 2) los criterios de valoración de la precisión y el área bajo la curva ROC (ABC) para el diagnóstico precoz de la depresión; 3) el año de publicación en 2000 o posterior; 4) el idioma de publicación en inglés; 5) la revista de publicación de Science Citation Index Expanded y Social Science Citation Index, y 6) que la depresión fuera la variable dependiente. Se adoptaron las siguientes medidas de resumen: los métodos de aprendizaje automático, el tamaño de la muestra, el tipo de datos, las medidas de rendimiento y los predictores importantes.

Resultados

Según los resultados de esta reseña, diferentes métodos de aprendizaje automático serían apropiados (es decir, mostrarían las mejores medidas de rendimiento) para diferentes tipos de datos para el diagnóstico precoz de la depresión: 1) la regresión logística, el bosque aleatorio, la máquina de vectores de apoyo y la red neuronal artificial en el caso de los datos numéricos; 2) el bosque aleatorio en el caso de los datos genómicos; 3) el bosque aleatorio o la máquina de vectores de apoyo en el caso de los datos radiómicos, y 4) el bosque aleatorio en el caso de los datos de servicios de redes sociales. Las medidas de rendimiento comunicadas variaron entre 60.1 y 100 para la precisión, entre 68.8 y 95 para la sensibilidad, entre 76 y 94 para la especificidad y entre 64 y 96 para el ABC. Según los resultados de esta reseña, los siguientes predictores serían variables importantes para el diagnóstico precoz de la depresión: psicopatología comórbida, discapacidad relacionada con los síntomas, credibilidad del tratamiento, acceso a los terapeutas, tiempo de uso de determinados módulos de intervención en Internet; dolor-fatiga (escala de intensidad de los síntomas), comorbilidad; 30 marcadores microbianos (microbiota intestinal); elasticidad psicológica; nivel de ingresos; movimientos-posturas de la parte superior del cuerpo; conectividad cerebral dentro de la corteza cingulada posterior, dentro de la ínsula, entre la corteza cingulada posterior y la ínsula/hipocampo-amígdala, entre la ínsula y el precúneo, entre el lóbulo parietal superior y la corteza prefrontal medial; polimorfismos de nucleótido único (rs12248560, rs878567, rs17710780); asimetría del istmo cingulado, asimetría del globo pálido, relación entre el grosor cortical paracentral y el precentral, relación entre el grosor cortical occipital lateral y el grosor cortical pericalcarino; miedo autoevaluado relacionado con el corazón, sexo, número de palabras para responder a la primera tarea de la psicoterapia administrada por Internet. Sin embargo, el aprendizaje automático es un método basado en datos y es necesario realizar más estudios con más datos externos para lograr una mayor validez externa.

Discusión y conclusión

Según los autores, este estudio presentó una de las reseñas más completas en relación con los recientes avances del aprendizaje automático para el diagnóstico temprano de la depresión. En este análisis se revisaron 32 estudios originales de un total de 120 obtenidos en la Web of Science. Además, esta investigación cubrió una amplia gama de medidas de resumen, es decir, los métodos de aprendizaje automático, el tamaño de la muestra, el tipo de datos, las medidas de rendimiento y los predictores importantes, y si se informó de la importancia de la variable del bosque aleatorio. Los estudios actuales sobre el diagnóstico precoz de la depresión basados en el aprendizaje automático presentan limitaciones. En primer lugar, muchos trabajos adoptaron datos transversales y el empleo de datos longitudinales reforzaría el rendimiento del aprendizaje automático. En segundo lugar, muchos estudios utilizaron datos con tamaños pequeños en centros únicos. En tercer lugar, la mayoría de las investigaciones no tuvieron en cuenta los posibles efectos mediadores entre los predictores. En cuarto lugar, algunos trabajos informaron sobre la precisión o el ABC por debajo de 70, y estos resultados no serían apropiados como pruebas de diagnóstico. En quinto lugar, las categorías binarias (no, sí) son muy populares en la actualidad, pero pueden refinarse a categorías múltiples con más conocimientos clínicos. En sexto lugar, la combinación de diferentes tipos de enfoques de aprendizaje automático para diferentes tipos de datos sobre la depresión aportaría nuevas innovaciones en muchos aspectos. En séptimo lugar, este estudio comparó las medidas de rendimiento de los seis métodos de aprendizaje automático solo para diferentes tipos de datos.

En conclusión, este estudio demostró que el aprendizaje automático proporciona un sistema eficaz y no invasivo de apoyo a la toma de decisiones para el diagnóstico precoz de la depresión.