El aprendizaje automático (AA) se ha convertido en una herramienta prometedora para mejorar la predicción del suicidio. Sin embargo, dado que muchos estudios con muestras grandes combinan poblaciones psiquiátricas y no psiquiátricas, un diagnóstico psiquiátrico formal se ha convertido en un potente predictor del riesgo de suicidio, eclipsando factores de riesgo más sutiles específicos de distintas poblaciones.
Para superar esta limitación, realizamos una revisión sistemática de estudios de AA que evaluaron conductas suicidas exclusivamente en poblaciones clínicas psiquiátricas. Se realizó una búsqueda sistemática de la literatura desde su inicio hasta el 17 de noviembre de 2022 en PubMed, EMBASE y Scopus, siguiendo las directrices PRISMA. Se incluyeron investigaciones originales que utilizaron técnicas de AA para evaluar el riesgo de suicidio o predecir intentos de suicidio en la población psiquiátrica. Se evaluó el riesgo de sesgo utilizando el informe transparente de las directrices TRIPOD (modelo de predicción multivariable para pronóstico o diagnóstico individual).
Se recuperaron aproximadamente 1032 estudios, de los cuales 81 cumplieron los criterios de inclusión y se incluyeron para la síntesis cualitativa. Las características clínicas y demográficas fueron las más frecuentemente empleadas, y los algoritmos de bosque aleatorio, máquinas de vectores de soporte y redes neuronales convolucionales obtuvieron mejores resultados en precisión que otros algoritmos en comparación directa. A pesar de la heterogeneidad de los procedimientos, la mayoría de los estudios reportaron una precisión del 70% o superior, basándose en características como intentos previos, gravedad del trastorno y tratamientos farmacológicos.
Si bien la evidencia reportada es prometedora, los algoritmos de aprendizaje automático (ML) para la predicción del suicidio aún presentan limitaciones, incluyendo la falta de datos neurobiológicos y de imagen, así como la falta de muestras de validación externa. Superar estos problemas puede conducir al desarrollo de modelos para su adopción en la práctica clínica. Se justifica la investigación adicional para impulsar un campo con el potencial de impactar críticamente la mortalidad por suicidio.
PUBLICIDAD
Comentario editorial sobre el artículo "Machine learning and the prediction of suicide in psychiatric populations: a systematic review"
El artículo de Pigoni et al. (2024) ofrece una revisión sistemática del uso de técnicas de aprendizaje automático (machine learning, ML) para predecir conductas suicidas en poblaciones clínicas psiquiátricas. A diferencia de estudios previos que incluían muestras mixtas, esta revisión se centra exclusivamente en pacientes con diagnósticos psiquiátricos, permitiendo identificar factores de riesgo específicos que podrían ser eclipsados en muestras más heterogéneas.
Se analizaron 81 estudios que emplearon algoritmos de ML para evaluar el riesgo de suicidio, encontrando que las características clínicas y demográficas fueron las más utilizadas como variables predictoras. Algoritmos como random forest, máquinas de vectores de soporte y redes neuronales convolucionales demostraron un rendimiento superior en términos de precisión. La mayoría de los estudios reportaron una precisión del 70% o más, basándose en factores como intentos previos, gravedad del trastorno y tratamientos farmacológicos.
No obstante, la revisión destaca limitaciones significativas, como la falta de datos neurobiológicos y de neuroimagen, así como la ausencia de muestras de validación externas, lo que limita la generalización de los modelos desarrollados. Además, se señala la necesidad de una mayor uniformidad en la definición de los resultados y en el diseño de los estudios para mejorar la aplicabilidad clínica de estos modelos predictivos.
En conclusión, aunque el uso de ML en la predicción del suicidio en poblaciones psiquiátricas muestra resultados prometedores, es esencial abordar las limitaciones metodológicas actuales. La integración de datos clínicos con información neurobiológica y la validación externa de los modelos son pasos cruciales para avanzar hacia herramientas predictivas fiables y aplicables en la práctica clínica.
Referencia: Pigoni, A., Delvecchio, G., Turtulici, N., Madonna, D., Pietrini, P., Cecchetti, L., ... & Brambilla, P. (2024). Machine learning and the prediction of suicide in psychiatric populations: a systematic review. Translational Psychiatry, 14, 140. https://doi.org/10.1038/s41398-024-02852-9
PUBLICIDAD
Explora el artículo con IA