Introducción La depresión durante la adolescencia representa uno de los principales desafíos de salud pública a nivel mundial. Su elevada prevalencia, la tendencia a la recurrencia y el impacto sobre el desarrollo académico, social y emocional convierten a este trastorno en una prioridad para los sistemas sanitarios. A pesar de los avances en el conocimiento cl...
PUBLICIDAD
Crea tu cuenta gratis y léelo completo ahora.
¿Ya estás registrado? Inicia sesión aquí .
La depresión durante la adolescencia representa uno de los principales desafíos de salud pública a nivel mundial. Su elevada prevalencia, la tendencia a la recurrencia y el impacto sobre el desarrollo académico, social y emocional convierten a este trastorno en una prioridad para los sistemas sanitarios.
A pesar de los avances en el conocimiento clínico de la depresión, el diagnóstico continúa basándose fundamentalmente en entrevistas clínicas y cuestionarios subjetivos. Aunque estas herramientas son esenciales en la práctica asistencial, presentan limitaciones para la identificación temprana y no permiten disponer de marcadores biológicos objetivos que ayuden a detectar el riesgo o anticipar la evolución clínica.
Paralelamente, el ejercicio físico se ha consolidado como una de las intervenciones no farmacológicas más recomendadas para el tratamiento de los síntomas depresivos. Sin embargo, la respuesta terapéutica no es uniforme. Se estima que entre un 30 % y un 40 % de los pacientes experimentan beneficios limitados, lo que plantea la necesidad de desarrollar herramientas capaces de identificar qué personas tienen mayor probabilidad de responder favorablemente a este tipo de intervención.
En este contexto, la electroencefalografía en estado de reposo (rs-EEG) y las técnicas de aprendizaje automático emergen como estrategias prometedoras para el desarrollo de biomarcadores objetivos aplicables a la psiquiatría de precisión.
Limitaciones de los métodos diagnósticos actuales
El diagnóstico de la depresión se fundamenta actualmente en criterios clínicos y escalas de evaluación psicológica. Aunque estos procedimientos son imprescindibles, no permiten medir directamente los procesos neurobiológicos asociados al trastorno.
La identificación de biomarcadores fiables podría contribuir a:
- Mejorar la detección precoz.
- Identificar perfiles de riesgo.
- Personalizar intervenciones terapéuticas.
- Monitorizar la respuesta al tratamiento.
- Favorecer estrategias preventivas.
El potencial de la electroencefalografía
La electroencefalografía en reposo ofrece varias ventajas para la investigación clínica:
- Técnica no invasiva.
- Bajo coste.
- Alta resolución temporal.
- Aplicabilidad en población infantil y adolescente.
- Posibilidad de evaluar redes cerebrales funcionales.
Estas características la convierten en una herramienta especialmente atractiva para el desarrollo de modelos predictivos en salud mental.
La investigación tuvo dos objetivos principales:
Construcción de un modelo diagnóstico
Desarrollar un sistema basado en EEG y aprendizaje automático capaz de diferenciar adolescentes con depresión subclínica de adolescentes sanos.
Predicción de la respuesta al ejercicio
Identificar biomarcadores neurofisiológicos capaces de anticipar la respuesta emocional a una intervención basada en ejercicio físico mediante realidad virtual.
El propósito final fue avanzar hacia modelos de intervención más individualizados y precisos.
Participantes
La investigación incluyó dos grupos de adolescentes:
155 participantes sanos.
149 participantes con depresión subclínica.
Registro electroencefalográfico
Todos los participantes completaron un registro de EEG en reposo de seis minutos de duración.
Posteriormente, las señales fueron procesadas y segmentadas utilizando la plantilla cerebral de Schaefer, permitiendo el análisis de 78 regiones cerebrales distribuidas en cinco redes funcionales principales:
Red sensoriomotora (SMN).
Red de atención dorsal (DAN).
Red de saliencia (SN).
Red por defecto (DMN).
Red ejecutiva central (CEN).
Extracción de características
Los investigadores analizaron la conectividad funcional cerebral en las bandas de frecuencia:
Theta.
Alfa.
Beta.
A partir de estas señales se obtuvieron 45 indicadores de conectividad funcional sincronizada.
Modelos de aprendizaje automático
Se compararon cuatro algoritmos de clasificación:
Regresión logística.
Máquinas de vectores de soporte (SVM).
Random Forest.
XGBoost.
El rendimiento fue evaluado mediante validación cruzada y diferentes métricas de precisión diagnóstica.
Interpretabilidad mediante SHAP
Para comprender mejor las decisiones de los modelos, se aplicó el marco SHAP (Shapley Additive Explanations), que permite identificar la importancia relativa de cada biomarcador y analizar las interacciones entre redes cerebrales.
Rendimiento excepcional de XGBoost
El algoritmo XGBoost fue el que obtuvo mejores resultados para distinguir adolescentes con depresión subclínica de controles sanos.
Los indicadores alcanzados fueron:
AUC: 0,994.
Precisión diagnóstica: 96,7 %.
Estos resultados sugieren una capacidad de discriminación muy elevada basada exclusivamente en patrones neurofisiológicos obtenidos mediante EEG.
Biomarcadores cerebrales identificados
Los biomarcadores más relevantes se localizaron principalmente en:
Red de atención dorsal (DAN).
Red de saliencia (SN).
Red sensoriomotora (SMN).
Las conexiones observadas en las bandas beta y alfa mostraron una especial relevancia diagnóstica.
Entre todas ellas, las conexiones dentro de la red de atención dorsal en la banda beta fueron las que más contribuyeron al rendimiento del modelo.
Alteraciones distribuidas en múltiples redes
El análisis SHAP reveló que la depresión subclínica no se asociaba a una única alteración cerebral aislada.
Por el contrario, los resultados mostraron una compleja desregulación funcional que involucraba múltiples redes y bandas de frecuencia.
Interacciones no lineales
Los investigadores identificaron diferentes patrones de interacción entre redes cerebrales, incluyendo:
Mecanismos sinérgicos entre atención dorsal y red sensoriomotora.
Fenómenos de inhibición entre distintas bandas de frecuencia.
Activaciones dinámicas que involucraban la red por defecto.
Estos hallazgos respaldan la visión de la depresión como una alteración de sistemas cerebrales distribuidos más que de regiones individuales.
Superioridad de las máquinas de vectores de soporte
En el análisis predictivo de la respuesta a la intervención con ejercicio físico, el mejor rendimiento correspondió al algoritmo SVM.
Factores predictivos clave
Dos variables destacaron especialmente como predictores de respuesta:
Afecto positivo basal
Los niveles iniciales de afecto positivo constituyeron uno de los indicadores más importantes para anticipar la mejoría emocional tras la intervención.
Conectividad SMN-DAN en banda beta
La conectividad funcional entre la red sensoriomotora y la red de atención dorsal en frecuencia beta emergió como uno de los biomarcadores neurofisiológicos más relevantes.
Estos resultados sugieren que determinadas configuraciones cerebrales previas podrían influir en la eficacia del ejercicio físico como estrategia terapéutica.
Hacia diagnósticos más objetivos
Los hallazgos apoyan el potencial de la combinación entre neuroimagen funcional e inteligencia artificial para complementar las herramientas clínicas tradicionales.
La disponibilidad futura de biomarcadores fiables podría facilitar procesos de detección más tempranos y objetivos.
Personalización de intervenciones
Uno de los aspectos más prometedores del estudio es la posibilidad de identificar qué adolescentes tienen mayor probabilidad de beneficiarse de programas de ejercicio físico.
Este enfoque se alinea con los principios de la medicina de precisión, que busca adaptar las intervenciones a las características individuales de cada paciente.
Aplicaciones futuras
La integración de EEG, aprendizaje automático e intervenciones no farmacológicas podría abrir nuevas oportunidades para:
- Estratificación del riesgo.
- Prevención temprana.
- Selección personalizada de tratamientos.
- Monitorización continua de resultados.
Este estudio demuestra que la combinación de electroencefalografía en reposo y algoritmos de aprendizaje automático permite identificar con elevada precisión patrones neurofisiológicos asociados a la depresión subclínica en adolescentes. Además, determinados indicadores cerebrales y emocionales muestran capacidad para predecir la respuesta a intervenciones basadas en ejercicio físico.
Los resultados refuerzan el potencial de los biomarcadores EEG como herramientas para la detección temprana y la personalización de tratamientos en salud mental. Aunque será necesario validar estos hallazgos en muestras independientes y contextos clínicos reales, la investigación representa un paso relevante hacia modelos de psiquiatría más precisos, objetivos e individualizados.
Resumen y adaptación editorial: Virginia Candelas García (Cibermedicina / Psiquiatria.com)
Fuente original: Building an auxiliary diagnostic and treatment efficacy prediction model for adolescent depression using machine learning based on electroencephalography technology - Front. Hum. Neurosci., 09 June 2026Sec. Brain Health and Clinical Neuroscience
Texto completo disponible en: https://www.frontiersin.org/journals/human-neuroscience/articles/10.3389/fnhum.2026.1774822/full
Este contenido es un resumen adaptado. La autoría científica corresponde a los autores originales.
Artículo distribuido bajo licencia Creative Commons según la fuente original.
Explora el artículo con IA