As persoas con trastorno obsesivo-compulsivo (TOC) presentan un maior risco de desenvolver pensamentos e condutas suicidas que a poboación xeral. Con todo, ese risco non é igual para todos os pacientes. Identificar quen precisa un seguimento máis estreito segue a ser un dos principais retos da práctica clínica.
Nesa dirección avanza un estudo liderado por investigadoras do Centro Singular de Investigación en Medicina Molecular e Enfermidades Crónicas (CiMUS) da Universidade de Santiago de Compostela e do Instituto de Investigación Sanitaria de Santiago de Compostela (IDIS) en colaboración co Centro Singular de Investigación en Tecnoloxías (CiTIUS) e coa Unidade do TOC do Hospital Universitari de Bellvitge. Tras seguir durante unha media de case 18 anos a 199 pacientes e analizar os seus datos mediante técnicas de aprendizaxe automática (machine learning), o equipo identificou tres variables clínicas que permiten identificar as persoas con maior risco de desenvolver condutas suicidas: os antecedentes familiares de suicidio, a presenza de trastornos afectivos e o consumo de substancias.
“O máis importante é que conseguimos algo moi sinxelo mediante unha metodoloxía moi complexa”, resume Montse Fernández Prieto, coordinadora do grupo Cognición, Xénero e Neurodesenvolvemento (CogniGeND) do IDIS. O obxectivo, insisten as investigadoras, non é substituír o criterio clínico, senón achegar unha ferramenta de apoio á prevención.
Tres preguntas que poden marcar a diferenza
Durante unha media de 17,8 anos, o equipo seguiu a 199 persoas con trastorno obsesivo-compulsivo atendidas na Unidade de TOC do Hospital Universitari de Bellvitge, a onde pertencen os psiquiatras Cinto Segalàs e Pino Alonso, coautores do estudo. Ao longo dese tempo analizaron a súa evolución clínica e rexistraron a aparición de pensamentos ou condutas suicidas. Toda esta información resultou útil para que, posteriormente, os investigadores do CiTIUS puidesen desenvolver modelos de aprendizaxe automática capaces de analizar centos de combinacións entre variables clínicas.
A diferenza das análises estatísticas tradicionais, os algoritmos de machine learning permiten identificar relacións entre múltiples variables clínicas e descubrir cales achegan unha maior capacidade predictiva. “Os modelos de machine learning superan á estatística tradicional á hora de establecer relacións entre as distintas fontes de información que se empregan para predicir calquera variable”, explica María Tubío Fungueiriño, doutora en Neurociencia e Psicoloxía Clínica e investigadora do grupo CogniGeND.
Os investigadores analizaron datos como a idade, o sexo, a gravidade do TOC, a presenza doutros trastornos psiquiátricos, os traumas na infancia ou o consumo de substancias. O resultado foi inesperado: fronte á hipótese de que sería necesario combinar numerosas variables, o algoritmo concluíu que tres factores concentraban practicamente toda a capacidade para anticipar o risco: os antecedentes familiares de suicidio, a presenza de trastornos afectivos e o consumo de substancias, excluído o tabaco.
Esas tres variables xa forman parte da información que os profesionais sanitarios recollen de maneira habitual durante a atención aos pacientes, pero agora adquiren un significado diferente. “Ata o de agora podían recollerse de maneira puramente informativa para a historia clínica. Agora estánnos dicindo algo máis: que esa persoa podería desenvolver algún comportamento suicida no futuro”, explica Tubío Fungueiriño.
Unha ferramenta para apoiar a decisión clínica
As investigadoras insisten en que o modelo non está pensado para predicir con certeza que unha persoa vaia desenvolver unha conduta suicida. “Nós non diagnosticamos. O que facemos é ofrecer sinais de alerta”, subliña Montse Fernández Prieto. O diagnóstico e a valoración clínica, lembra, seguen correspondendo aos profesionais sanitarios.
Trátase do primeiro estudo en TOC cun seguimento tan prolongado, o que permitiu observar como diferentes acontecementos vitais podían influír na evolución dos pacientes. Ademais, o modelo baséase exclusivamente en datos clínicos dispoñibles en calquera consulta, sen recorrer a biomarcadores nin a probas complexas ou custosas.
Con todo, as propias autoras recoñecen que aínda queda camiño por percorrer antes de trasladar esta aproximación á práctica clínica. O algoritmo foi desenvolvido a partir de pacientes dunha unidade altamente especializada, polo que o seguinte paso será validalo en mostras máis amplas e diversas. María Tubío Fungueiriño lembra que, como calquera modelo de intelixencia artificial, necesita máis datos para mellorar a súa fiabilidade.
Investigar para previr
O seguinte paso será validar o modelo con máis pacientes e comprobar se os resultados se manteñen noutros contornos asistenciais. Non será un proceso doado. “Estamos a falar dunha temática moi sensible”, lembran as investigadoras. “Para nós son observacións desde o punto de vista da investigación, pero na vida real tradúcense en persoas que están a pasar por un episodio de comportamento suicida, que é algo moi grave”.
Esa reflexión resume tamén o alcance deste traballo. Detrás de cada caso incorporado ao algoritmo non hai só un dato para adestrar un modelo, senón unha persoa, unha historia e unha familia que conviven cunha realidade de enorme sufrimento. Por iso, máis aló da tecnoloxía empregada ou da capacidade predictiva do modelo, o obxectivo último da investigación segue sendo profundamente humano: ofrecer aos profesionais máis ferramentas para detectar antes o risco de suicidio, intervir a tempo e evitar que esas historias rematen nun desenlace irreversible.
