El aprendizaje automático mejora la predicción médica del riesgo de suicidio

Las evaluaciones médicas son útiles, pero su precisión mejora al incorporar múltiples variables clínicas

Una investigación publicada en JAMA Psychiatry evaluó la capacidad predictiva de las evaluaciones clínicas del riesgo de suicidio, comparándolas con modelos de aprendizaje automático basados en múltiples predictores clínicos. El estudio, que analizó más de 800.000 evaluaciones en el sistema de salud Mass General Brigham, muestra que aunque los médicos pueden estratificar el riesgo significativamente por encima del azar, la precisión se incrementa sustancialmente al integrar información estructurada mediante algoritmos.

El estudio abarcó múltiples contextos asistenciales y poblaciones diversas

Se incluyeron 89.957 pacientes de 5 años o más que fueron evaluados por 2.577 médicos entre julio de 2019 y febrero de 2023 en consultas ambulatorias, hospitalizaciones y servicios de urgencias en 12 hospitales. La evaluación clínica se basó en una herramienta estructurada de cinco pasos para el triaje del riesgo suicida, incorporada a los registros electrónicos de salud.

Las variables principales fueron los intentos de suicidio registrados a los 90 y 180 días tras la evaluación índice. Los autores calcularon el rendimiento predictivo tanto del juicio clínico resumido en un único ítem como de un modelo basado en 87 variables clínicas aplicadas mediante aprendizaje automático.

El juicio clínico mostró utilidad pero con precisión variable según el entorno

Los valores del área bajo la curva (AUC) para la predicción a 90 días utilizando solo la estimación general del médico fueron de 0,77 para encuentros ambulatorios, 0,64 para hospitalizaciones y 0,60 para servicios de urgencias. Estos resultados indican que la evaluación clínica es más efectiva en contextos ambulatorios, posiblemente por la mayor continuidad de la relación médico-paciente y el conocimiento contextual del caso.

No obstante, la precisión fue limitada en escenarios más agudos como hospitalizaciones o visitas a urgencias, donde las decisiones suelen tomarse bajo presión y con menos información longitudinal.

La incorporación de múltiples predictores elevó sustancialmente la precisión del modelo

Cuando se aplicó un modelo de aprendizaje automático que integraba todos los datos estructurados recogidos en las evaluaciones clínicas, la capacidad predictiva aumentó en todos los entornos. El AUC alcanzó 0,87 en atención ambulatoria, 0,79 en pacientes hospitalizados y 0,76 en urgencias, con mejoras estadísticamente significativas respecto al juicio clínico aislado.

Estos modelos utilizaron variables como historia de pensamientos suicidas, conductas previas, trastornos psiquiátricos, consumo de sustancias, redes de apoyo, factores de protección y variables sociodemográficas, lo que sugiere un valor añadido en la sistematización de la información que el clínico ya recoge durante la entrevista.

Los valores predictivos positivos se multiplicaron con los modelos avanzados

Con una especificidad del 95 %, los valores predictivos positivos del modelo de aprendizaje automático oscilaron entre 3,6 y 10,1 veces la prevalencia base del intento de suicidio en los distintos contextos clínicos. Este hallazgo tiene gran relevancia para la práctica, ya que permite priorizar intervenciones preventivas de forma más eficiente y dirigida, especialmente en entornos de alta carga asistencial.

El modelo también mostró estabilidad para predicciones a 180 días, lo que amplía su aplicabilidad en contextos de seguimiento prolongado o en la planificación de estrategias terapéuticas a medio plazo.

Los hallazgos apoyan una integración clínico-algorítmica en la evaluación del riesgo suicida

Los autores concluyen que los médicos aportan valor en la estratificación del riesgo, pero que esta capacidad puede ser sustancialmente potenciada mediante herramientas estadísticas que integren múltiples dimensiones del riesgo. La sinergia entre juicio clínico y apoyo algorítmico no solo optimiza la detección, sino que puede reducir el número de falsos negativos y mejorar la asignación de recursos.

La investigación en JAMA Psychiatry refuerza el papel de la inteligencia artificial como complemento de la evaluación médica, especialmente en escenarios donde la precisión diagnóstica es crucial para evitar desenlaces fatales. La implementación de estos sistemas deberá considerar aspectos éticos, de interpretación clínica y de interoperabilidad con los sistemas electrónicos de salud.

The post El aprendizaje automático mejora la predicción médica del riesgo de suicidio appeared first on El médico interactivo.

from El médico interactivo https://ift.tt/vPmuRV7