Parámetros computacionales en SUDs: estables, mecanísticos, pero con limitada capacidad predictiva

Los trastornos por consumo de sustancias (SUDs) representan un desafío social y sanitario de gran magnitud, mientras que los mecanismos que los sostienen siguen siendo poco comprendidos. La psiquiatría computacional, un campo en expansión, ha comenzado a revelar procesos clave implicados en estas condiciones, como dificultades para aprender de consecuencias negativas y una toma de decisiones menos determinista. Sin embargo, su utilidad clínica aún es limitada debido a la falta de estudios longitudinales que evalúen la estabilidad y el valor predictivo de estos parámetros computacionales.

Este estudio de confirmación longitudinal incluyó 144 participantes del proyecto Tulsa 1000 (75 con SUDs y 69 controles sanos). Todos realizaron una tarea de bandido de tres brazos al inicio y un año después. Mediante modelización computacional, se estimaron parámetros como tasas de aprendizaje, precisión de las acciones y otros índices de toma de decisiones. Se aplicaron análisis bayesianos y frecuentistas para evaluar diferencias entre grupos, estabilidad temporal y relaciones con la gravedad de síntomas (medida mediante el Drug Abuse Screening Test — DAST). Además, se entrenaron modelos de machine learning para evaluar la capacidad de clasificación fuera de muestra, combinando este conjunto con un estudio exploratorio previo (83 SUDs, 48 controles).

Los resultados mostraron que los parámetros computacionales tenían una estabilidad moderada a lo largo de un año (ICC 0. 40–0. 58). De manera consistente con investigaciones anteriores, las tasas de aprendizaje ante pérdidas fueron inferiores en personas con SUDs (probabilidad posterior > 0. 99). Sin embargo, los parámetros basales no predijeron de forma significativa los puntajes DAST al año. El análisis predictivo fuera de muestra alcanzó una exactitud modesta (59 %, AUC = 0. 62).

En conjunto, los hallazgos confirman que los parámetros computacionales muestran una estabilidad razonable y diferencias claras entre grupos, lo que respalda su importancia para comprender los mecanismos cognitivos subyacentes en los SUDs. No obstante, su valor predictivo clínico aún es limitado. Los autores señalan la necesidad de mejorar la fiabilidad experimental e integrar medidas neurofisiológicas y enfoques dimensionales que incrementen la relevancia clínica de la psiquiatría computacional.

Resumen modificado por Cibermedicina

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