Desarrollo de una Herramienta de Software, Utilizando Inteligencia Artificial, que Integra Datos Clínicos, Biológicos, Genéticos y de Imagen para Predecir el Diagnóstico y Evolución de Pacientes Deprimidos para Mejorar el Pronóstico y Limitar los Costos Sanitarios.

Sobre la base de evidencia sólida de la literatura, los investigadores plantean la hipótesis de la presencia de fundamentos neurobiológicos específicos de la enfermedad para el trastorno bipolar y unipolar, que pueden servir como biomarcadores para el diagnóstico diferencial. Sin embargo, los enfoques de comparación de grupos adoptados en la investigación psiquiátrica no logran traducir el conocimiento emergente a la rutina diagnóstica.

¿Cómo pueden los médicos predecir el diagnóstico diferencial y la respuesta al tratamiento utilizando los conocimientos de vanguardia obtenidos en la última década? ¿Cómo un conocimiento tan extenso puede ser útil y aplicable en la práctica clínica? Con este proyecto, los investigadores proponen una solución a estos desafíos mediante el desarrollo de una herramienta de software que integra los datos clínicos, biológicos, genéticos y de imágenes disponibles para predecir el diagnóstico y el resultado de nuevos pacientes individuales.

La plataforma de apoyo a la decisión empleará inteligencia artificial, en concreto técnicas de aprendizaje automático, que serán "entrenadas" a través de datos para predecir la categoría a la que pertenece una nueva observación. Al hacer esto, los conjuntos de datos multimodales existentes y recién adquiridos de pacientes bipolares y unipolares se traducirán en predictores para el diagnóstico y pronóstico personalizado del paciente.

El proyecto puede tener un gran impacto en la comunidad psiquiátrica y el sistema de salud. La identificación de biomarcadores predictivos para UD y BD proporcionará una herramienta esencial en las primeras etapas de la enfermedad, asegurando un diagnóstico preciso, mejorando el pronóstico y limitando los costos de atención médica.

Los investigadores reclutarán a 80 pacientes bipolares, 80 pacientes unipolares y 80 controles sanos para el estudio de resonancia magnética. Se obtendrán datos clínicos, genéticos y de inflamación de todos los sujetos.

Se obtendrán los siguientes datos: edad, sexo, número de episodios, recurrencia, edad de inicio de la enfermedad, psicosis de por vida, familiaridad con BD o UD, tentación de suicidio, medicación, puntuaciones en HDRS, Inventario de Depresión de Beck y batería BACS.

La resonancia magnética se realizará en escáneres de 3.0 Tesla. Las adquisiciones de IRM incluirán secuencias SE EPI DTI, MPRAGE 3D ponderadas en T1 y fMRI durante el estado de reposo y un paradigma de comparación de rostros, que anteriormente permitía definir la conectividad en el trastorno del estado de ánimo.

Se recolectarán muestras de sangre y se extraerá plasma y se almacenará a -80. Las citocinas proinflamatorias y antiinflamatorias se medirán utilizando el Bioplex human cytokines 27-plex.

Las variantes genéticas asociadas consideradas para el diagnóstico diferencial se evaluarán utilizando Infinium PsychArray-24 BeadChip. Esta micromatriz rentable y de alta densidad se desarrolló en colaboración con el Consorcio de Genómica Psiquiátrica para estudios genéticos a gran escala centrados en la predisposición y el riesgo psiquiátricos.

La relevancia de las características clínicas, genéticas, moleculares y basadas en imágenes únicas como firmas de trastornos bipolares y unipolares se evaluará considerando la literatura de vanguardia y se estimará en un conjunto de datos independiente ya existente (30 sujetos por grupo). Se utilizarán análisis del modelo lineal general seguidos de pruebas t bilaterales para identificar si cada parámetro difiere significativamente entre los grupos, eliminando al mismo tiempo la contribución de la edad, el sexo, la duración de la enfermedad y otros factores de confusión.

Un algoritmo de aprendizaje de múltiples núcleos (MKL) proyectará las características de múltiples fuentes a un espacio de mayor dimensión donde los tres grupos de sujetos estarán separados al máximo. Las características seleccionadas se utilizarán tanto por separado como en combinación. Los efectos molestos de la edad, el sexo, la duración de la enfermedad y el sistema de resonancia magnética se corregirán durante la fase de entrenamiento del algoritmo. El clasificador MKL se probará utilizando una estrategia de validación cruzada anidada de k veces con ajuste de hiperparámetros. El conjunto de datos de entrenamiento ya está disponible e incluye alrededor de 550 temas.

La arquitectura del software se diseñará en el entorno de Matlab mediante la integración de métodos de imagen cuantitativos, algoritmos de aprendizaje automático y análisis estadísticos como módulos separados en una interfaz fácil de usar, lo que facilitará el intercambio de recursos computacionales en la comunidad clínica.