¿Puede la IA combatir la crisis de salud mental?

Tiempo de lectura: 5 minutos, 30 segundos

El año pasado, hemos visto a compañeros cercanos que luchan contra una crisis mental, a un compañero emprendedor que se suicidó y la historia de un amigo que trabaja en una clínica de salud mental que presenció el suicidio de un estudiante mientras hablaba por teléfono debido a una interrupción del servicio. Como se trata de algo parecido a la IA de Arkangel, queríamos abordarlo en este artículo, arrojando algo de luz sobre los desafíos futuros y algunas ideas sobre cómo resolverlos.

En la actualidad, casi mil millones de personas viven con un trastorno mental.

Al crear y dirigir una empresa de tecnología de la salud, nos dimos cuenta de que no hablamos lo suficiente sobre la salud mental. Empecé a aprender y descubrí que 2 de cada 3 personas tienen un trastorno mental no se tratan en los Estados Unidos. Hoy en día, alrededor del 48% de su equipo tiene tuvo una mala salud mental en su trabajo. Y el 57% de las personas con una enfermedad mental no reciben tratamiento en un año determinado.

Brechas en la atención

Los hospitales actuales se enfrentan a desafíos debido al aumento de las crisis de salud mental. En un informe de la OMS se menciona que la prevalencia mundial de la ansiedad y la depresión [aumentó un enorme 25%] (https://www.who.int/news/item/02-03-2022-covid-19-pandemic-triggers-25-increase-in-prevalence-of-anxiety-and-depression-worldwide#:~:text=Wake-up call to all, mental health services and support&text=En el primer año de, la Organización de la Salud (OMS) hoy.) en el año posterior a la COVID-19. Lo realmente preocupante es que el informe muestra que esta crisis es la que más afecta a los jóvenes, ya que «[corren un riesgo desproporcionado de sufrir conductas suicidas y autolesivas] (https://www.who.int/news/item/02-03-2022-covid-19-pandemic-triggers-25-increase-in-prevalence-of-anxiety-and-depression-worldwide#:~:text=Wake-up call to all, mental health services and support&text=En el primer año de, la Organización de la Salud (OMS) hoy.)». A la gente le gustamos nosotros y nuestros amigos.

Las personas con crisis mentales son dos veces tienen más probabilidades de desarrollar diabetes tipo 2 y 3 a 5 veces más probabilidades de sufrir un derrame cerebral. Afortunadamente, notamos un aumento del interés hacia finales de 2021 por mejorar, pero a día de hoy sigue existiendo demanda creciente para servicios de salud mental junto con la escasez de personal cualificado.

Como ocurre con cualquier afección médica, la detección temprana es clave tanto para reducir los costos como para obtener mejores resultados para los pacientes. Hay muchas pruebas que muestran cómo podemos predecir los eventos críticos asociados con múltiples afecciones, que van desde la readmisión hospitalaria hasta la hipertensión y la diabetes (puede verlo) aquí, aquí, aquí, y aquí).

El problema es que la revisión manual de los registros de los pacientes simplemente no es práctica para los trabajadores de la salud mental debido al gran volumen de puntos de datos que deben tenerse en cuenta. El tratamiento oportuno puede evitar que se agraven los síntomas que provocan tales crisis y la posterior hospitalización. Además, ya sabemos que por cada dólar invertido en salud mental, apóyelo devuelve 4$ en la mejora de la salud y la productividad.

Una solución

En un estudio reciente publicado en el Revista Nature Medicine, los investigadores evaluaron la eficacia del aprendizaje automático en la predicción de crisis de salud mental.

Un equipo de investigadores desarrolló un modelo de inteligencia artificial para predecir crisis de salud mental durante un período de 28 días en el futuro. El objetivo era estimar el riesgo de una crisis de salud mental, optimizar la asignación del personal sanitario y prevenir la crisis.

La premisa es que tenemos patrones en los datos que pueden predecir futuras crisis de salud mental en los registros médicos electrónicos (EHR), a pesar del ruido y los errores.

Conjunto de datos

El equipo utilizó un conjunto de datos del Fundación NHS de Salud Mental de Birmingham y Solihull recopilados durante 7 años (2012-2018), que incluyeron:

• 17.122 pacientes de entre 16 y 102 años que contienen 5.816.586 registros.
• El conjunto de datos tenía 60 388 crisis con una media de 24 eventos por episodio.
• Incluían solo a pacientes: que tenían al menos 2 episodios de crisis en su historia clínica para que fueran aptos para las fases de entrenamiento y prueba. Con más de 3 meses de registros en el registro médico electrónico para que su historial fuera suficiente como para que el algoritmo pudiera aprender de ellos.

El objetivo de predicción:

Figura 1 del artículo: Ejemplo de cronología de un episodio de crisis: el inicio de una crisis es el primer evento de crisis de un episodio de crisis que sigue a una semana estable (es decir, una semana sin eventos de crisis).

• Califican el evento de «crisis» cuando un paciente necesitó uno de los siguientes servicios urgentes de crisis de salud mental en una semana determinada: evaluación de emergencia, ingreso hospitalario, evaluación de tratamiento domiciliario y hospitalización.
• Se seleccionó la ventana de predicción de 28 días debido a que se alineaba con el enfoque orientado al servicio del fideicomiso.

Las 8 variables más predictivas

Actuaron Cálculos de valores SHAP para encontrar las variables más predictivas y obtuve estas:

1. Semanas desde la última crisis
2. Nunca hospitalizado
3. Número de episodios de crisis
4. Número de años transcurridos desde la primera visita
5. Semanas desde la última cita faltada
6. Edad
7. No diagnosticado
8. F6 Trastornos de la personalidad y el comportamiento de los adultos

El mejor algoritmo

Entrenaron varios modelos y descubrieron que:

1. XGBoost mostró la mayor precisión en diferentes métricas, seguido de
2. Redes neuronales,
3. Bosque aleatorio,
4. Regresión logística.

Resultados

Compararon el modelo con dos clasificadores de referencia: un modelo de referencia basado en la práctica clínica (árbol de decisiones) para emular las decisiones del médico de evaluar el riesgo de recaída, y una regresión logística basada en el diagnóstico que se basó en el diagnóstico y el tiempo transcurrido desde la última crisis.

Rendimiento del modelo (cuanto más cerca de 1.0 en ambos casos, mejor):

• El área bajo la característica operativa del receptor (AUROC): el modelo ML: 0,797 (intervalo de confianza (IC) del 95%: 0,793 a 0,802), el valor basal basado en la práctica clínica: 0,736 (IC del 95%: 0,733 a 0,740) El valor basal basado en el diagnóstico: 0,746 (IC del 95%: 0,741 a 0,750).
• Precisión promedio (AP): el modelo ML: 0,159 (IC del 95%: 0,154 a 0,165) El valor basal basado en la práctica clínica: 0,092 (IC del 95%: 0,090 a 0,094) El valor basal basado en el diagnóstico: 0,092 (IC del 95%: 0,089 a 0,094).

Perspectivas clave:

• Si no había información sobre el paciente durante más de un año, las métricas disminuían. (AUROC 0.617)
• Los pacientes con al menos un registro en el mes anterior mostraron resultados estables. (AURÓRICA 0.765)
• El historial prolongado del paciente en la EHR mejoró el rendimiento de la predicción: pacientes que visitaron el centro por primera vez en los 6 meses anteriores (AUROC 0,794) Pacientes cuya EHR (el primer registro histórico data de hace 5 años) (AUROC 0,816)

Resultados de la práctica clínica:

Los investigadores probaron el algoritmo en un estudio prospectivo de 6 meses en varios sitios para ver las reacciones y los resultados de los profesionales de la salud y descubrieron:

• Discrepancia del 7% (n = 65) de todas las predicciones a lo largo de 6 meses.
• Las predicciones son clínicamente valiosas para gestionar el número de casos o mitigar el riesgo de crisis en el 64% de los casos.

Figura 9 de datos del artículo: ejemplos de características que contribuyen a la puntuación de riesgo prevista.

Conclusión

Hoy en día tenemos un entorno clínico ajetreado, en el que la revisión manual de grandes cantidades de datos de muchos pacientes hace que las decisiones proactivas sobre la atención de la salud mental sean inutilizables, insostenibles y propensas a errores.

El futuro cambiará el enfoque de la revisión manual al análisis continuo de los datos para permitir la revisión continua de datos a gran escala para detectar las cosas antes de que sea demasiado tarde.

Nos enfrentamos a un nuevo tipo de pandemia. Es probable que muchos de nosotros sintamos o experimentemos una crisis de salud mental en algún momento de nuestras vidas. Sin embargo, hoy en día existen soluciones que nos ayudan a detectar, prevenir y ayudar a más personas a luchar contra estos desafíos, y tal vez la IA podría ser parte de esa solución.

Cuando esté listo, hay otras tres maneras en las que podemos ayudarlo:

1. **Trabaja con nosotros 1:1:** Reserve una llamada de descubrimiento para llevar el poder de la IA a su empresa.

2. Biblioteca The Ark: Eche un vistazo a los recursos gratuitos que tenemos para llevar la IA a su día a día.

3. Únase a nuestra comunidad para obtener consejos breves y útiles: Si eres el tipo de persona a la que le resulta útil recibir consejos breves y diarios, síguenos en LinkedIn. Publicamos algunos consejos breves todos los días.

Referencias de revistas (y otras buenas lecturas):

• Garriga, R., Mas, J., Abraha, S. y col. Modelo de aprendizaje automático para predecir crisis de salud mental a partir de historias clínicas electrónicas. Nat Med 28, 1240—1248 (2022). https://doi.org/10.1038/s41591-022-01811-5 (eslabón)
• Van Le, D., Montgomery, J., Kirkby, K. C. y Scanlan, J. Predicción de riesgos mediante el procesamiento del lenguaje natural de los registros electrónicos de salud mental en un entorno de psiquiatría forense para pacientes hospitalizados. J. Biomed. Informe. 86, 49—58 (2018).
• Sí, C. y col. Predicción de la incidencia de hipertensión en el próximo año: estudio prospectivo que utiliza historias clínicas electrónicas estatales y aprendizaje automático. J. Med. Resolución 20 de Internet, e22 (2018).
• Arcadu, F. y col. El algoritmo de aprendizaje profundo predice la progresión de la retinopatía diabética en pacientes individuales. Dígito NPJ. Med. 2, 92 (2019)
• Hyland, S. y col. Predicción temprana de la insuficiencia circulatoria en la unidad de cuidados intensivos mediante el aprendizaje automático. Nat. Med. 26, 364—373 (2020).
• Li, X. y col. Un modelo de aprendizaje automático por fases para la predicción en tiempo real de la sepsis en cuidados intensivos. Crítico. Care Med. 48, e884—e888 (2020).
• Él, Z. y col. Predicción temprana de la sepsis mediante el aprendizaje conjunto con características profundas y artificiales extraídas de historias clínicas electrónicas de salud. Crítico. Care Med. 48, e1337—e1342 (2020).
• Chen, Q. y col. Predecir el intento de suicidio o la muerte por suicidio tras una visita a un centro psiquiátrico especializado: un estudio de aprendizaje automático con datos del registro nacional sueco. PLoS Med. 17, e103416 (2020).
• Su, C. y col. Aprendizaje automático para la predicción del riesgo de suicidio en niños y adolescentes con historias clínicas electrónicas. Traducción. Psiquiatría 10, 413 (2020).

Si te ha gustado este boletín, no olvides compartirlo con otras personas y/o danos comentarios para que podamos mejorarlo. ¡Hasta la próxima vez!

Saludos cordiales,