Un estudio de Cedars-Sinai muestra cómo mejorar la equidad en el diagnóstico de trastornos del estado de ánimo perinatal.
Investigadores de Cedars-Sinai han evaluado modelos predictivos basados en inteligencia artificial (AI) para identificar trastornos de ánimo y ansiedad perinatales (PMAD, en inglés), como la depresión posparto. Publicado en JAMA Network Open, el estudio destaca cómo el diseño y la evaluación de estos modelos pueden reducir disparidades en el diagnóstico entre grupos raciales y étnicos.
El propósito fue desarrollar modelos predictivos de depresión posparto a partir de registros de salud electrónicos (EHR, en inglés) y mitigar posibles sesgos clínicos derivados de datos históricos. Los modelos se entrenaron con datos de 19,430 pacientes ingresados en unidades de maternidad y posparto en Cedars-Sinai entre 2020 y 2023.
“Los modelos anteriores asumían que todas las mujeres evaluadas por depresión posparto recibían el mismo tratamiento y a menudo no tenían en cuenta las disparidades raciales», expresó la Dra. Tiffani J. Bright, autora principal del estudio y codirectora del Centro de Investigación y Educación en Inteligencia Artificial de Cedars-Sinai. “Fuimos capaces de crear modelos que no perpetuaron los mismos sesgos que a menudo se ven en los modelos de predicción anteriores, lo que sugiere el papel crítico de las decisiones de modelado centradas en la equidad para garantizar una atención equitativa al paciente”, añadió.
Para el estudio se utilizaron tres enfoques: regresión logística, bosques aleatorios y extreme gradient boosting, para predecir resultados en dos herramientas de evaluación psicológica:
- PHQ-9 (Cuestionario de Salud del Paciente de 9 ítems)
- EPDS (Escala de Depresión Posnatal de Edimburgo)
Cada modelo fue ajustado con y sin técnicas de reponderación de datos para equilibrar la representación demográfica, evaluando la precisión (área bajo la curva ROC) y la equidad en las tasas de falsos negativos entre grupos raciales y étnicos. En cuanto a su precisión los modelos lograron un desempeño modesto, con un rango de AUROC entre 0.602 y 0.635. Sin técnicas de reponderación significa que los datos para entrenar el modelo no fueron ajustados para corregir desequilibrios o desigualdades entre diferentes grupos en el conjunto de datos.
Los pacientes de minorías raciales y étnicas tuvieron una probabilidad significativamente mayor de obtener resultados positivos en ambas pruebas, en comparación con los pacientes blancos no hispanos. De esta manera, la reponderación de datos redujo disparidades en métricas clave, como diferencias en la paridad demográfica y en las tasas de falsos negativos.
Los hallazgos resaltan la importancia de diseñar modelos predictivos que minimicen las disparidades en salud, especialmente en grupos vulnerables. El uso de estas herramientas puede mejorar el diagnóstico temprano de depresión posparto y guiar tratamientos más inclusivos.
