Identificación de la depresión y la ansiedad en adolescentes a través de datos del mundo real y determinantes sociales de la salud

La prevalencia de trastornos de salud mental en adolescentes, particularmente la depresión y la ansiedad, ha aumentado de manera alarmante en los últimos años. Estos trastornos afectan significativamente el bienestar emocional, el rendimiento académico y la calidad de vida de los jóvenes.

A pesar del potencial del aprendizaje automático (ML) para mejorar la identificación temprana y la intervención en estos trastornos, existe una notable escasez de modelos predictivos que utilicen datos del mundo real (Real-World Data, RWD). Además, los determinantes sociales de la salud (Social Determinants of Health, SDoH) han sido poco explorados en estudios basados en ML, a pesar de su impacto en la salud mental de los adolescentes.

Objetivo

Este estudio tuvo como objetivo desarrollar modelos de aprendizaje automático para identificar de manera temprana la ansiedad y la depresión en adolescentes, utilizando datos clínicos del mundo real combinados con determinantes sociales de la salud.

Métodos

Se analizaron datos de 52. 054 adolescentes de entre 10 y 17 años, integrando información demográfica, antecedentes médicos, diagnósticos previos, medicamentos recetados, procedimientos clínicos y mediciones de laboratorio registradas antes del diagnóstico de ansiedad o depresión. Además, los datos clínicos se vincularon con determinantes sociales de la salud a nivel de bloque geográfico para evaluar su influencia en la predicción de estos trastornos.

Para la modelización, se desarrollaron tres modelos predictivos separados para detectar la ansiedad, la depresión y una combinación de ambas condiciones. Se utilizó Extreme Gradient Boosting (XGBoost) como modelo de aprendizaje automático, debido a su alto rendimiento en tareas de clasificación.

La evaluación del modelo se realizó mediante validación cruzada anidada para garantizar su generalización y robustez. Además, se aplicó el método de explicación aditiva de Shapley (SHapley Additive exPlanations, SHAP) para interpretar las predicciones del modelo e identificar los factores más relevantes en la detección de ansiedad y depresión.

Resultados

Los modelos desarrollados lograron valores de área bajo la curva (Area Under the Curve, AUC) de 0, 80 para la predicción de ansiedad, 0, 81 para depresión y 0, 78 para la identificación combinada de ambas afecciones. Se observó que la exclusión de los determinantes sociales de la salud tuvo un impacto mínimo en el rendimiento del modelo, lo que sugiere que los datos clínicos por sí solos tienen un alto valor predictivo. El análisis mediante SHAP identificó que factores como el género, la raza, el nivel educativo y diversas condiciones médicas previas fueron los predictores más influyentes en la detección de ansiedad y depresión en adolescentes.

Conclusiones

Este estudio demuestra el potencial del aprendizaje automático en la identificación temprana de la ansiedad y la depresión en adolescentes, utilizando datos clínicos del mundo real. La capacidad de estos modelos para detectar a individuos en riesgo antes de la aparición de síntomas graves puede permitir una intervención temprana y personalizada por parte de los profesionales de la salud. Integrar enfoques basados en ML en la práctica clínica podría mejorar significativamente los resultados en salud mental de la población adolescente, optimizando los recursos sanitarios y promoviendo estrategias preventivas más efectivas.

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