La mayoría de los adultos en los Estados Unidos están expuestos a un evento potencialmente traumático, pero solo unos pocos desarrollan afecciones de salud mental perjudiciales, como el trastorno de estrés postraumático (TEPT).
Identificar a las personas con riesgo elevado poco después de la exposición al trauma es un desafío clínico....
La mayoría de los adultos en los Estados Unidos están expuestos a un evento potencialmente traumático, pero solo unos pocos desarrollan afecciones de salud mental perjudiciales, como el trastorno de estrés postraumático (TEPT).
Identificar a las personas con riesgo elevado poco después de la exposición al trauma es un desafío clínico. El objetivo de este estudio fue desarrollar métodos computacionales para identificar de manera más efectiva a los pacientes en riesgo y, por lo tanto, apoyar mejores intervenciones tempranas.
Propusimos la inducción de modelos de aprendizaje automático (ML) para predecir automáticamente síntomas elevados de TEPT en pacientes 1 mes después de un trauma, utilizando síntomas autoinformados a partir de datos recopilados a través de teléfonos inteligentes.
Mostramos que un modelo de conjunto predice con precisión los síntomas elevados de TEPT, con un área bajo la curva (AUC) de 0,85, utilizando una bolsa de máquinas de vectores de soporte, Bayes ingenuas, regresión logística y algoritmos forestales aleatorios. Además, mostramos que solo se necesitan 7 elementos (características) autoinformados para obtener este AUC. Lo más importante es que mostramos que se pueden hacer predicciones precisas de 10 a 20 días después del trauma.
Estos resultados sugieren que las encuestas de pacientes simples basadas en teléfonos inteligentes, junto con el análisis automatizado utilizando modelos entrenados en ML, pueden identificar a aquellos en riesgo de desarrollar síntomas elevados de TEPT y, por lo tanto, dirigirse a ellos para una intervención temprana.
Para acceder al texto completo consulte las características de suscripción de la fuente original:https://mental.jmir.org