Se han utilizado imágenes cerebrales de miles de personas en todo el mundo para crear un clasificador basado en aprendizaje automático que podría ayudar en el diagnóstico temprano

La aparición de la psicosis se puede predecir antes de que ocurra, utilizando una herramienta de aprendizaje automático que puede clasificar los escáneres cerebrales por resonancia magnética entre aquellos que están sanos y aquellos en riesgo de sufrir un episodio psicótico.

Un consorcio internacional que incluye investigadores de la Universidad de Tokio utilizó el clasificador para comparar exploraciones de más de 2.000 personas de 21 ubicaciones globales. Aproximadamente la mitad de los participantes habían sido identificados como clínicamente en alto riesgo de desarrollar psicosis.

Utilizando datos de entrenamiento, el clasificador tuvo una precisión del 85% al ​​diferenciar entre personas que no estaban en riesgo y aquellas que luego experimentaron síntomas psicóticos manifiestos. Utilizando nuevos datos, tuvo una precisión del 73%. Esta herramienta podría ser útil en entornos clínicos futuros ya que, si bien la mayoría de las personas que experimentan psicosis se recuperan por completo, una intervención más temprana generalmente conduce a mejores resultados con un impacto menos negativo en la vida de las personas.

Cualquiera puede experimentar un episodio psicótico, que comúnmente implica delirios, alucinaciones o pensamientos desorganizados.

No existe una causa única, pero puede ser desencadenada por una enfermedad o lesión, un trauma, el consumo de drogas o alcohol, medicamentos o una predisposición genética. Aunque puede resultar aterradora o inquietante, la psicosis es tratable y la mayoría de las personas se recuperan. Como la edad más común para un primer episodio es durante la adolescencia o la edad adulta temprana, cuando el cerebro y el cuerpo están experimentando muchos cambios, puede resultar difícil identificar a los jóvenes que necesitan ayuda.

"Como máximo, sólo el 30% de los individuos con alto riesgo clínico presentan posteriormente síntomas psicóticos manifiestos, mientras que el 70% restante no los presenta", explicó el profesor asociado Shinsuke Koike de la Escuela de Graduados en Artes y Ciencias de la Universidad de Tokio. "Por lo tanto, los médicos necesitan ayuda para identificar a aquellos que tendrán síntomas psicóticos utilizando no sólo signos subclínicos, como cambios en el pensamiento, el comportamiento y las emociones, sino también algunos marcadores biológicos".

El consorcio de investigadores ha trabajado para crear una herramienta de aprendizaje automático que utiliza resonancias magnéticas cerebrales para identificar a las personas en riesgo de psicosis antes de que comience. Estudios anteriores que utilizaron resonancia magnética cerebral han sugerido que se producen diferencias estructurales en el cerebro después del inicio de la psicosis. Sin embargo, esta es la primera vez que se identifican diferencias en el cerebro de aquellos que tienen un riesgo muy alto pero que aún no han experimentado psicosis.

El equipo de 21 instituciones diferentes en 15 países diferentes reunió a un grupo grande y diverso de participantes adolescentes y adultos jóvenes. Según Koike, la investigación de los trastornos psicóticos mediante resonancia magnética puede ser un desafío porque las variaciones en el desarrollo del cerebro y en las máquinas de resonancia magnética dificultan la obtención de resultados muy precisos y comparables. Además, en el caso de los jóvenes, puede resultar difícil diferenciar entre los cambios que se producen debido al desarrollo típico y los que se deben a una enfermedad mental.

"Los diferentes modelos de resonancia magnética tienen diferentes parámetros que también influyen en los resultados", explicó Koike. "Al igual que con las cámaras, diversos instrumentos y especificaciones de disparo crean diferentes imágenes de la misma escena, en este caso el cerebro del participante. Sin embargo, pudimos corregir estas diferencias y crear un clasificador que está bien adaptado para predecir el inicio de la psicosis".

Los participantes se dividieron en tres grupos de personas con alto riesgo clínico: aquellos que luego desarrollaron psicosis; aquellos que no desarrollaron psicosis; y personas con estado de seguimiento incierto (1165 personas en total para los tres grupos), y un cuarto grupo de controles sanos para comparación (1029 personas).

Utilizando las exploraciones, los investigadores entrenaron un algoritmo de aprendizaje automático para identificar patrones en la anatomía del cerebro de los participantes. De estos cuatro grupos, los investigadores utilizaron el algoritmo para clasificar a los participantes en dos grupos principales de interés: controles sanos y aquellos con alto riesgo que luego desarrollaron síntomas psicóticos manifiestos.

En el entrenamiento, la herramienta tuvo una precisión del 85% en la clasificación de los resultados, mientras que en la prueba final que utilizó nuevos datos tuvo una precisión del 73% en predecir qué participantes tenían un alto riesgo de aparición de psicosis. Basándose en los resultados, el equipo considera que proporcionar resonancias magnéticas cerebrales a personas identificadas como de alto riesgo clínico puede ser útil para predecir la futura aparición de psicosis.

"Todavía tenemos que probar si el clasificador funcionará bien para nuevos conjuntos de datos. Dado que parte del software que utilizamos es mejor para un conjunto de datos fijo, necesitamos crear un clasificador que pueda clasificar de manera sólida las resonancias magnéticas de nuevos sitios y máquinas. un desafío que ahora está asumiendo un proyecto nacional de ciencia del cerebro en Japón, llamado Brain/MINDS Beyond", dijo Koike. "Si podemos hacer esto con éxito, podremos crear clasificadores más sólidos para nuevos conjuntos de datos, que luego podrán aplicarse a entornos clínicos de rutina y de la vida real".

Los resultados sugieren que, al considerar el desarrollo cerebral de los adolescentes, las resonancias magnéticas iniciales para individuos con alto riesgo clínico pueden ser útiles para identificar su pronóstico. Se requieren estudios prospectivos futuros sobre si el clasificador podría ser realmente útil en entornos clínicos.