Fondo
El aprendizaje automático (ML) ofrece técnicas estadísticas y probabilísticas vigorosas que pueden predecir con éxito ciertas condiciones clínicas utilizando grandes volúmenes de datos. Una revisión de ML y análisis de investigación de big data en la depresión materna es pertinente y oportuna, dados los rápi...
Fondo
El aprendizaje automático (ML) ofrece técnicas estadísticas y probabilísticas vigorosas que pueden predecir con éxito ciertas condiciones clínicas utilizando grandes volúmenes de datos. Una revisión de ML y análisis de investigación de big data en la depresión materna es pertinente y oportuna, dados los rápidos desarrollos tecnológicos de los últimos años.
Objetivo
Este estudio tiene como objetivo sintetizar la literatura sobre ML y análisis de big data para la salud mental materna, en particular la predicción de la depresión posparto (PPD).
Métodos
Usamos una metodología de revisión de alcance utilizando el marco de Arksey y O'Malley para mapear rápidamente la actividad de investigación en ML para predecir la PPD. Dos investigadores independientes buscaron PsycINFO, PubMed, IEEE Xplore y la Biblioteca digital ACM en septiembre de 2020 para identificar publicaciones relevantes en los últimos 12 años. Los datos se extrajeron del modelo ML de los artículos, el tipo de datos y los resultados del estudio.
Resultados
Se identificaron un total de 14 estudios. Todos los estudios informaron el uso de técnicas de aprendizaje supervisado para predecir la depresión posparto. La máquina de vectores de soporte y el bosque aleatorio fueron los algoritmos más utilizados, además de Naive Bayes, regresión, red neuronal artificial, árboles de decisión y XGBoost (Extreme Gradient Boosting).
Hubo una heterogeneidad considerable en el algoritmo ML de mejor rendimiento en los estudios seleccionados. El área bajo los valores de la curva característica operativa del receptor informados para diferentes algoritmos fueron máquina de vectores de soporte (rango 0, 78-0, 86), método de bosque aleatorio (0, 88), XGBoost (0, 80) y regresión logística (0, 93).
Conclusiones
Los algoritmos ML pueden analizar conjuntos de datos más grandes y realizar cálculos más avanzados, lo que puede mejorar significativamente la detección de PPD en una etapa temprana.
Se requieren más colaboraciones de investigación clínica para ajustar los algoritmos de ML para la predicción y el tratamiento. El AA podría convertirse en parte de la práctica basada en la evidencia además del conocimiento clínico y la evidencia de investigación existente.
Para acceder al texto completo consulte las características de suscripción de la fuente original:https://mental. jmir. org/