Defectos metodológicos y de calidad en el uso de la inteligencia artificial en la investigación en salud mental

Autor/autores: Tornero-Costa R , Martinez-Millana A , Azzopardi-Muscat N...(et.al)

La inteligencia artificial (IA) está dando lugar a una revolución en la medicina y la atención sanitaria. Las condiciones de salud mental son muy frecuentes en muchos países, y la pandemia de COVID-19 ha aumentado el riesgo de una mayor erosión del bienestar mental en la población. Por lo tanto, es relevante evaluar el estado actual de la aplicació...

Estás viendo una versión reducida de este contenido.

Para consultar la información completa debes registrarte gratuitamente.
Tan sólo te llevará unos segundos.
Y si ya estás registrado inicia sesión pulsando aquí.

Por lo tanto, es relevante evaluar el estado actual de la aplicación de la IA a la investigación en salud mental para informar sobre tendencias, brechas, oportunidades y desafíos.

Objetivo

Este estudio tiene como objetivo realizar una descripción sistemática de las aplicaciones de IA en salud mental en términos de metodologías, datos, resultados, rendimiento y calidad.

Métodos

Se realizó una búsqueda sistemática en las bases de datos PubMed, Scopus, IEEE Xplore y Cochrane para recopilar registros de casos de uso de IA para estudios de trastornos de salud mental desde enero de 2016 hasta noviembre de 2021. Se evaluó la elegibilidad de los registros si eran una implementación práctica de IA en ensayos clínicos que involucren condiciones de salud mental.

Los registros de casos de estudio de IA fueron evaluados y categorizados por la clasificación Internacional de Enfermedades 11ª Revisión (ICD-11). Los datos relacionados con la configuración del ensayo, la metodología de recopilación, las características, los resultados y el desarrollo y la evaluación del modelo se extrajeron siguiendo la guía CHARMS (Evaluación crítica y extracción de datos para revisiones sistemáticas de estudios de modelos de predicción). Además, se proporciona una evaluación del riesgo de sesgo.

Resultados

Se recuperó un total de 429 registros no duplicados de las bases de datos y se incluyeron 129 para una evaluación completa, 18 de los cuales se agregaron manualmente. Se encontró que la distribución de las aplicaciones de IA en salud mental no estaba equilibrada entre las categorías de salud mental de la CIE-11. Las categorías predominantes fueron los trastornos depresivos (n=70) y la esquizofrenia u otros trastornos psicóticos primarios (n=26). La mayoría de las intervenciones se basaron en ensayos controlados aleatorios (n=62), seguidos de cohortes prospectivas (n=24) entre estudios observacionales.

La IA se aplicó típicamente para evaluar la calidad de los tratamientos (n=44) o estratificar a los pacientes en subgrupos y grupos (n=31). Los modelos generalmente aplicaron una combinación de cuestionarios y escalas para evaluar la gravedad de los síntomas utilizando registros de salud electrónicos (n = 49), así como imágenes médicas (n = 33).

La evaluación de calidad reveló fallas importantes en el proceso de aplicación de IA y canalizaciones de preprocesamiento de datos. Un tercio de los estudios (n = 56) no informó ningún preprocesamiento o preparación de datos. Una quinta parte de los modelos se desarrollaron comparando varios métodos (n=35) sin evaluar su idoneidad por adelantado y una pequeña proporción reportó validación externa (n=21).

Solo 1 artículo informó una segunda evaluación de un modelo de IA anterior. El riesgo de sesgo y la transparencia de los informes arrojaron puntajes bajos debido a un informe deficiente de la estrategia para ajustar los hiperparámetros, los coeficientes y la explicabilidad de los modelos.

La colaboración internacional fue anecdótica (n=17) y los datos y los modelos desarrollados en su mayoría permanecieron privados (n=126). Un tercio de los estudios (n = 56) no informó ningún preprocesamiento o preparación de datos. Una quinta parte de los modelos se desarrollaron comparando varios métodos (n=35) sin evaluar su idoneidad por adelantado y una pequeña proporción reportó validación externa (n=21). Solo 1 artículo informó una segunda evaluación de un modelo de IA anterior.

El riesgo de sesgo y la transparencia de los informes arrojaron puntajes bajos debido a un informe deficiente de la estrategia para ajustar los hiperparámetros, los coeficientes y la explicabilidad de los modelos.

Conclusiones

Estas importantes carencias, junto con la falta de información que garantice la reproducibilidad y la transparencia, son un indicativo de los desafíos que debe enfrentar la IA en salud mental antes de contribuir a una base sólida para la generación de conocimiento y ser una herramienta de apoyo en la gestión de la salud mental.

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