Un equipo de clínicos, ingenieros y neurocientíficos ha realizado un descubrimiento pionero en el campo de la depresión al identifican un biomarcador crucial para la recuperación de la depresión resistente al tratamiento.
Aprovechando el poder de la IA, han desvelado los primeros datos sobre el complejo funcionamiento de la terapia de estimulación cerebral profunda para la depresión resistente al tratamiento, según publican en línea en la revista
'Nature'.
Analizando la actividad cerebral de pacientes sometidos a
estimulación cerebral profunda (ECP), una prometedora terapia que consiste en implantar electrodos que estimulan el cerebro, los investigadores identificaron un patrón único en la actividad cerebral que refleja el proceso de recuperación en pacientes con depresión resistente al tratamiento.
Este patrón, conocido como biomarcador, sirve de indicador mensurable de la recuperación de la enfermedad y representa un avance significativo en el tratamiento de las formas más graves e intratables de depresión.
Los hallazgos ofrecen la primera ventana al intrincado funcionamiento y los efectos mecánicos de la ECP en el cerebro durante el tratamiento de la depresión grave.
¿En qué consiste la estimulación cerebral profunda?
La ECP consiste en implantar finos electrodos en una zona específica del cerebro para administrar pequeños impulsos eléctricos, similares a los de un marcapasos. Aunque ha sido aprobada y utilizada para trastornos del movimiento como la enfermedad de Parkinson durante muchos años, sigue siendo experimental para la depresión.
Así, este estudio es un paso crucial hacia el uso de datos objetivos recogidos directamente del cerebro a través del dispositivo de ECP para informar a los médicos sobre la respuesta del paciente al tratamiento. Esta información puede
ayudar a guiar los ajustes de la terapia DBS, adaptándola a la respuesta única de cada paciente y optimizando los resultados de su tratamiento, aseguran los investigadores.
Ahora han demostrado que es posible monitorizar el efecto antidepresivo a lo largo del tratamiento, ofreciendo a los médicos una herramienta análoga al análisis de glucosa en sangre para la diabetes o el control de la presión arterial para las enfermedades cardiacas: una lectura del estado de la enfermedad en un momento dado. Además distingue entre las fluctuaciones típicas del estado de ánimo en el día a día y la posibilidad de una recaída inminente del episodio depresivo.
El equipo de investigación, que incluye expertos del Instituto de Tecnología de Georgia, la
Facultad de Medicina Icahn del Monte Sinaí y la Facultad de Medicina de la Universidad Emory, en Estados Unidos, utilizó inteligencia artificial (IA) para detectar cambios en la actividad cerebral que coincidieran con la recuperación de los pacientes.
En el estudio, financiado por la Iniciativa BRAIN (Brain Research Through Advancing Innovative Neurotechnologies) de los Institutos Nacionales de la Salud de Estados Unidos, participaron 10 pacientes con depresión grave resistente al tratamiento.
El equipo del estudio utilizó un nuevo dispositivo de ECP que permitía registrar la actividad cerebral. El análisis de estas grabaciones cerebrales a lo largo de seis meses permitió identificar un biomarcador común que cambiaba a medida que cada paciente se recuperaba de su depresión.
Tras seis meses de terapia de ECP, el 90 por ciento de los sujetos mostraron una mejora significativa de sus síntomas de depresión y el 70 por ciento dejaron de cumplir los criterios de depresión.
Las altas tasas de respuesta de esta cohorte de estudio permitieron a los investigadores desarrollar algoritmos conocidos como 'inteligencia artificial explicable', que permiten a los humanos entender el proceso de toma de decisiones de los sistemas de IA. Esta técnica ayudó al equipo a identificar y comprender los patrones cerebrales únicos que diferenciaban un cerebro 'deprimido' de un cerebro 'recuperado'.
'El uso de IA explicable nos permitió identificar patrones complejos y utilizables de actividad cerebral que corresponden a una recuperación de la depresión a pesar de las complejas diferencias en la recuperación de un paciente --señala Sankar Alagapan, investigador de Georgia Tech y autor principal del estudio--. Este enfoque nos permitió rastrear la recuperación del cerebro de un modo interpretable por el equipo clínico, lo que supuso un gran avance en el potencial de estos métodos para ser pioneros en nuevas terapias en psiquiatría'.
La investigación del equipo también confirmó una antigua observación subjetiva de los psiquiatras: a medida que el cerebro de los pacientes cambia y su depresión disminuye, sus
expresiones faciales también cambian. Las herramientas de IA del equipo identificaron patrones en las expresiones faciales individuales que se correspondían con la transición de un estado de enfermedad a una recuperación estable. Estos patrones resultaron ser más fiables que las actuales escalas de valoración clínica.
Además, el equipo utilizó dos tipos de resonancia magnética para identificar anomalías estructurales y funcionales en la sustancia blanca del cerebro y en las regiones interconectadas que forman la red a la que se dirige el tratamiento.
Descubrieron que estas irregularidades se correlacionan con el tiempo necesario para que los pacientes se recuperen, con déficits más pronunciados en la red cerebral objetivo correlacionados con un tiempo más largo para que el tratamiento muestre la máxima eficacia. Estos cambios faciales y déficits estructurales observados aportan pruebas conductuales y anatómicas que respaldan la relevancia de la firma de actividad eléctrica o biomarcador.
'Cuando tratamos a pacientes con depresión, nos basamos en sus informes, en una entrevista clínica y en escalas de valoración psiquiátrica para controlar los síntomas.
Las señales biológicas directas de los cerebros de nuestros pacientes proporcionarán un nuevo nivel de precisión y pruebas para orientar nuestras decisiones terapéuticas', explica Patricio Riva-Posse, Profesor Asociado y Director del Servicio de Psiquiatría Intervencionista del Departamento de Psiquiatría y Ciencias del Comportamiento de la Facultad de Medicina de la Universidad Emory, y psiquiatra principal del estudio.
