Última actualización web: 26/05/2020

Machine Learning identifica la actividad a gran escala relacionada con recompensas modulada por la mejora dopaminérgica en la depresión mayor

Artículo | Depresión | 31/03/2020

  • Autor(es): Yuelu Liu, Roee Admon, Monika S. Mellem...(et.al)
  • Fuente: Biological Psychiatry
  • Referencia: VOL 5- Num 2- Pags. 163-172
RESUMEN

Los modelos teóricos han enfatizado las anormalidades a nivel de sistemas en el trastorno depresivo mayor (MDD). Para evaluaciones imparciales pero rigurosas de los mecanismos fisiopatológicos subyacentes al MDD, es de vital importancia desarrollar enfoques basados ​​en datos que aprovechen los datos del cerebro completo para clasificar el MDD y evaluar los posibles efectos de normalización de las intervenciones dirigidas. Aquí, utilizando un enfoque terapéutico experimental junto con el aprendizaje automático, investigamos el efecto de un desafío farmacológico con el objetivo de mejorar la señalización dopaminérgica en la respuesta del cerebro completo a los estímulos relacionados con la recompensa en MDD.

Usando un diseño doble ciego controlado por placebo, analizamos datos de imágenes de resonancia magnética funcional de 31 participantes con MDD no medicados que recibieron una dosis única de 50 mg de amisulprida (MDDAmisulpride), 26 participantes con MDD que recibieron placebo (MDDPlacebo) y 28 sujetos de control sanos que recibieron placebo (HCPlacebo) reclutado a través de dos estudios independientes. Se usó una técnica de aprendizaje automático guiada por importancia para la selección del modelo en datos de resonancia magnética funcional de todo el cerebro que sondean la anticipación y el consumo de recompensas para identificar características relacionadas con MDD (MDDPlacebo vs. HCPlacebo) y mejora dopaminérgica (MDDAmisulpride vs. MDDPlacebo).  

Surgieron modelos de clasificación altamente predictivos que distinguieron MDDPlacebo de HCPlacebo (área bajo la curva = 0. 87) y MDDPlacebo de MDDAmisulpride (área bajo la curva = 0. 89). Aunque la activación y la conectividad estriatal relacionadas con la recompensa se encontraban entre las características más predictivas, los mejores modelos truncados basados ​​en características de todo el cerebro fueron significativamente mejores en relación con los modelos entrenados utilizando solo características estriatales.

Los resultados indican que en MDD, la señalización dopaminérgica mejorada restaura la activación y conectividad anormales en una red generalizada de regiones. Estos hallazgos proporcionan nuevos conocimientos sobre la fisiopatología del MDD y el mecanismo farmacológico de los antidepresivos a nivel del sistema para abordar los déficits de procesamiento de recompensas entre las personas deprimidas.

 Para acceder al texto completo consulte las características de suscripción de la fuente original:https://www.biologicalpsychiatrycnni.org



Url corta de esta página: http://psiqu.com/2-61087
Etiquetas: Biomarcador, biotipos, depresión, dopamina, fMRI, aprendizaje automático


¿Eres psiquiatra o psicólog@?

Mantente informado y capta nuevos clientes.

Regístrate gratis en psiquiatria.com


Comentarios de los usuarios



No hay ningun comentario, se el primero en comentar
PUBLICIDAD
Próximos Cursos Online
Apúntate ahora y obtén hasta un 50% de descuento en la mayoría de nuestros cursos.
La Psicología de las Adicciones en el siglo XXI
PUBLICIDAD
psiquiatria.com - Portal número 1 en salud mental en lengua castellana