Muchos médicos no están familiarizados con las tecnologías digitales, sin embargo, existe una gran demanda para su introducción en muchos campos de la medicina, incluyendo la psiquiatría. En un simposio conjunto de la Asociación Europea de Psiquiatría (EPA) y el Colegio Europeo de Neuropsicofarmacología (ECNP) celebrado durante el congreso de la EPA de 2019, en el que se utilizaron avatares, realidad virtual y algoritmos derivados del tratamiento, se mostró que las tecnologías digitales pueden alterar la práctica psiquiátrica en un futuro muy próximo.
Ver la compasión con los ojos de un niño
El Profesor Chris Brewin, de la División of Psicología y Ciencias del Lenguaje, UCL, Londres, Reino Unido, demostró que el uso de avatares puede ayudar a los pacientes con depresión a vencer sus sentimientos de alta autocrítica y baja autocompasión. En su demostración, solicitó a 43 mujeres con un alto grado de autocrítica, personificadas por avatares, que consolaran a un niño avatar disgustado. El niño respondió al avatar de la paciente y se tranquilizó por la compasión mostrada por la paciente. Luego, la paciente se personificó en el avatar del niño y pudo ver y oír su intervención desde la perspectiva del niño.
Escalas de evaluación diseñadas específicamente para medir cambios en la autocompasión y la autocrítica indicaron que una sola experiencia con avatares ayudaba a las pacientes a modificar el rigor con el que se juzgaban a ellas mismas. La exposición repetida ayudó a reforzar este hallazgo.
Una sola experiencia con avatares ayudaba a las pacientes a modificar el rigor con el que se juzgaban a ellas mismas
Cabe destacar que las pacientes no temieron expresar compasión por los demás. En la vida real, mostraban compasión por los demás espontáneamente, pero su capacidad de autocompasión seguía estando fuera del intervalo saludable. Con la práctica del uso de avatares, este temor a la autocompasión tendió a aumentar.
A las pacientes no les gusta oír sus propias voces
Es interesante observar que a las pacientes no les gustó oír sus propias voces, que escuchaban mientras eran consoladas usando el disfraz de niño avatar. El Profesor Brewin, no obstante, sugirió que sentirse cómodas con sus propias voces podría ser parte integral de la terapia. Es posible que a los pacientes les parezca que usar programas de realidad virtual como este es una forma de experimentar situaciones que en la realidad temen o anhelan.
Los pacientes deprimidos ven las cosas de otra forma
Gerard Dawson, P1vital LTD, Psiquiatría, Oxford, Reino Unido, afirmó que un algoritmo de aprendizaje automático también podría tener valor para la prescripción de antidepresivos. En general, deben transcurrir entre 4 y 6 semanas para poder determinar si un paciente está recibiendo un beneficio del tratamiento antidepresivo. Sin embargo, estudios de investigación han mostrado que los pacientes con depresión no procesan las emociones de la misma manera que los sujetos de control no deprimidos. Donde un sujeto de control ve una cara que expresa felicidad, un paciente con depresión podría ver tristeza subyacente, en particular si el rostro no expresa totalmente una emoción.
Sin embargo, los antidepresivos inducen cambios muy rápidos en este sesgo emocional negativo que perciben los pacientes con depresión tras el inicio de la terapia, lo que sugiere que supervisar los cambios en el sesgo negativo y, por consiguiente, en el procesamiento emocional, podría ser una manera más rápida para predecir si un tratamiento será eficaz.
Supervisar los cambios en el sesgo negativo y, por consiguiente, en el procesamiento emocional, podría ser una manera más rápida para predecir si un tratamiento será eficaz
Se ha desarrollado un algoritmo derivado del aprendizaje automático que combina los cambios en el procesamiento emocional con información derivada del Inventario rápido de sintomatología depresiva (QIDS) y se ha incorporado a la aplicación. Los pacientes podían usar esta aplicación para enviar regularmente a su médico los cuestionarios completos para su evaluación.
Un estudio de prueba de concepto en el que participaron 58 pacientes reclutados en las consultas de 10 médicos de atención primaria predijo cuáles serían los pacientes que fracasarían y los que obtendrían un beneficio del tratamiento antidepresivo con una precisión del 75 %. ¿El conocimiento del MAP de los cambios en el sesgo negativo de sus pacientes facilitaría un cambio temprano de los tratamientos antidepresivos (en lugar de esperar más tiempo) y lograría que los pacientes obtuvieran mejores resultados?
PReDicT: ¿actuarán los médicos generalistas teniendo en cuenta la información proporcionada?
Para determinar si esto es así, se levó a cabo un ensayo controlado aleatorizado, el estudio PReDicT Test (Test de predicción de la respuesta al tratamiento de la depresión), en 900 pacientes. El estudio comparó a pacientes que recibían la atención habitual con aquellos a los que el sesgo emocional negativo se supervisaba una semana después del inicio del tratamiento antidepresivo. Cabe señalar que los médicos de atención primaria podían optar por utilizar la información para cambiar el tratamiento o no en función de los cambios en el sesgo emocional observados, si lo consideraban adecuado. También se evaluó la relación coste-efectividad y la aceptación de la tecnología por parte del paciente.
Los resultados obtenidos en el estudio sugieren que, en efecto, los médicos cambiaron su conducta de forma temprana en el grupo de estudio del PReDicT, con lo que los pacientes obtuvieron mejores resultados.
Sin embargo, es necesario destacar que los médicos no cambiaron la medicación y decidieron ignorar la predicción en más del 50% de los casos en los que el algoritmo sugirió que el paciente no obtendría ningún beneficio del tratamiento antidepresivo que estaba tomando. Asimismo, como que el estudio de prueba de concepto estuvo basado en el uso de un único tratamiento antidepresivo, mientras que en el estudio PReDicT se habían prescrito a los pacientes muchos tratamientos diferentes terapias, el algoritmo predijo un número excesivo de respuestas positivas a la medicación. Ambos factores hicieron que en el PReDicT, los niveles de beneficio para el paciente fuesen más bajos que los que se podría haber obtenido.
En más del 50 % de los casos en los que el algoritmo sugirió que el paciente no obtendría ningún beneficio del tratamiento antidepresivo que estaba tomando, los médicos no cambiaron la medicación y decidieron ignorar la predicción
Información precisa de los pacientes y buena aceptación de la tecnología
Quedó claro que la autonotificación del paciente mediante el cuestionario es tan precisa como la notificación del médico. Además, el nivel de cumplimiento durante el curso del estudio de 8 semanas fue alto. Los pacientes valoraron la tecnología, pensaban que el médico supervisaba los resultados de sus pruebas y que intervendría si algo no iba bien, incluso los pacientes del grupo de control. El Dr. Dawson concluyó que los pacientes con depresión están realmente interesados en mejorar.
Los pacientes valoraron la tecnología, pensaban que el médico supervisaba los resultados de sus pruebas y que intervendría si algo no iba bien
El Profesor Andreas Meyer-Lindenberg, del Central Institute of Mental Health, Mannheim, Alemania, presentó métodos de aprendizaje automático y profundo, y centró su presentación en los algoritmos y las redes neurales artificiales. Los sistemas han cambiado considerablemente desde la aparición de las redes neurales de una capa, o perceptrones, debido a tres descubrimientos que han conducido a la explosión de su aplicabilidad.
Capas ocultas de las redes neurales
Las redes neurales artificial deben ser multicapa para que funcionen, y los sistemas más potentes, las redes neurales profundas, tienen muchas capas escondidas. Si la información se envía a la red, estas redes recurrentes son aún más potentes. La propagación retrógrada de los errores en la predicción de resultados facilita el entrenamiento de las redes. En tercer lugar, el uso de un hardware eficiente en forma de procesadores gráficos permite que las máquinas sean eficientes para múltiples tareas.1
Para entrenar a las redes, son necesarios muchos datos, BIG data, algo que a la psiquiatría no le falta. De hecho, la cantidad de datos recabados aumenta exponencialmente. Sin embargo, ahora el hardware funciona a su máxima capacidad y muchas organizaciones buscan alternativas a la arquitectura informática convencional.
Integrar redes que gestionan datos de imagen y genéticos, por ejemplo, puede desvelar fenotipos útiles. De manera similar, los teléfonos inteligentes pueden recabar datos que se podrían utilizar para identificar y determinar agrupaciones de pacientes. Piense en un área de la práctica psiquiátrica y en las posibilidades que existen de que las redes neuronales artificiales puedan contribuir a la investigación futura.
Our correspondent’s highlights from the symposium are meant as a fair representation of the scientific content presented. The views and opinions expressed on this page do not necessarily reflect those of Lundbeck.
