La IA aprende a predecir si los antidepresivos funcionarán

Un equipo de investigadores ha desarrollado un modelo de aprendizaje automático capaz de predecir si un antidepresivo habitual ayudará a una persona con depresión antes incluso de que tome la primera pastilla. El sistema analiza la actividad eléctrica del cerebro —mediante electroencefalografía, o EEG— para predecir con gran precisión el éxito del tratamiento. Los resultados apuntan a que ciertos patrones de conexiones y ritmos cerebrales podrían servir como biomarcadores para una psiquiatría personalizada. El estudio se ha publicado en el Journal of Affective Disorders.

La depresión es uno de los trastornos más graves: deteriora el estado de ánimo, altera el pensamiento e incluso afecta al estado físico. El tratamiento habitual se basa en medicamentos del grupo de los ISRS, los inhibidores selectivos de la recaptación de serotonina. La serotonina es la principal «hormona de la felicidad» del cerebro y una de las sustancias que utilizan las neuronas para intercambiar señales.

El problema es que los ISRS solo ayudan a alrededor de la mitad de los pacientes, y los médicos aún no saben a cuáles. Por eso, a menudo hay que observar durante varias semanas los cambios tras la primera prescripción. Si no funciona, se receta otro medicamento y toca esperar de nuevo. Todo esto aumenta el sufrimiento y el riesgo de efectos secundarios.

Gang Li y Boyi Huang, de la Universidad Normal de Zhejiang, decidieron cambiar la situación: buscaron biomarcadores objetivos que pudieran indicar de antemano si el medicamento ayudaría. Se decantaron por el EEG, que es una técnica no invasiva, registra la actividad eléctrica cerebral con gran precisión y permite detectar cambios mínimos.

En el estudio participaron 27 pacientes con depresión. Se les hizo un EEG antes de empezar el tratamiento y después recibieron un ciclo de dos semanas de ISRS; el efecto se evaluó con la escala de depresión de Hamilton. Se consideró que los pacientes que redujeron su puntuación en un 50 % o más habían «respondido»; el resto, que no habían respondido.

Para analizar los complejos datos del EEG, los autores recurrieron a la inteligencia artificial. De las señales extrajeron tres características clave: la potencia relativa (la distribución de la energía entre ritmos cerebrales como alfa, beta y theta); la entropía difusa (el grado de complejidad y caos de las señales); y el índice de retardo de fase (que refleja el nivel de interacción entre distintas regiones cerebrales). A continuación, aplicaron un modelo de «máquinas de vectores de soporte» y un algoritmo especial para seleccionar las características más «informativas».

Los autores comprobaron expresamente cuánto tiempo había que registrar el EEG para obtener un resultado preciso. El fragmento óptimo resultó ser de 12 segundos: bastaba para obtener un patrón estable y no era tan largo como para enredarse en el «ruido» de los datos.

El modelo mostró una precisión impresionante: un 96,83 % en el grupo principal y hasta un 100 % en la validación independiente (con cinco pacientes de una muestra adicional). Entre los biomarcadores distintivos de quienes respondieron destacaban una actividad intensa en la banda Beta2 (característica de la vigilia y el trabajo mental) y conexiones de largo alcance reforzadas entre zonas cerebrales distantes, sobre todo en las regiones frontales, responsables de las emociones y el «pensamiento».

En quienes no respondieron, por el contrario, predominaban las conexiones en el ritmo theta lento y, en conjunto, el cerebro estaba menos «integrado». Esto podría explicar por qué algunos pacientes no responden a los ISRS.

El estudio tiene limitaciones: una muestra reducida (32 personas en un solo hospital) y, por ahora, solo se han probado los ISRS. Hace falta investigar más con personas de distintas regiones y con otros medicamentos. Llevar el método a la práctica clínica es otro reto: los médicos necesitan una herramienta sencilla y clara.

Aun así, el experimento supone un paso importante hacia la psiquiatría del futuro: elegir el medicamento de forma personalizada según la actividad cerebral, en lugar de «probar a ciegas». Así se podrían ahorrar meses de sufrimiento innecesario a los pacientes y reducir gastos superfluos. Los autores del estudio son Gang Li, Boyi Huang, Yuling Wang, Bin Zhou, Fo Hu y Linbing Wang.