Investigadores desarrollaron un modelo de machine learning que ayuda a identificar el riesgo de depresión posparto en mujeres sin antecedentes depresivos, utilizando información recabada durante la hospitalización por parto.
La depresión posparto afecta aproximadamente al 15% de las personas que dan a luz y representa una causa significativa de morbilidad e incluso mortalidad en el periodo posterior al embarazo. Para abordar este problema, investigadores de Mass General Brigham diseñaron un modelo predictivo basado en aprendizaje automático capaz de estimar el riesgo de desarrollar depresión posparto utilizando únicamente información disponible antes del alta hospitalaria. El estudio fue publicado en la revista American Journal of Psychiatry.
“La depresión posparto es uno de los mayores desafíos que algunas madres pueden experimentar en el período posterior al parto, un momento en el que muchos se enfrentan a la falta de sueño, a nuevas tensiones y a cambios significativos en la vida”, dijo el autor principal Mark Clapp del Departamento de Obstetricia y Ginecología del Mass General Brigham. “Los sentimientos persistentes de tristeza, depresión o ansiedad pueden ser más comunes de lo que mucha gente cree”, agregó.
El equipo analizó datos clínicos 29,168 personas que dieron a luz entre 2017 y 2022 en ocho hospitales de Massachusetts y New Hampshire, excluyendo a quienes tenían antecedentes de depresión o tratamiento con antidepresivos. El objetivo fue desarrollar una herramienta que ayudara a los equipos médicos a anticipar los casos de depresión posparto en pacientes que, hasta ese momento, no habían presentado síntomas o diagnósticos relacionados.
Los investigadores utilizaron un modelo estadístico denominado elastic net, que integró factores sociodemográficos, antecedentes médicos, datos del embarazo y puntuaciones prenatales en la escala de Edimburgo para depresión posnatal (EPDS, en inglés). Al validar externamente este modelo, se logró una precisión razonable, con un área bajo la curva (AUC) de 0.721, lo que indica una buena capacidad para distinguir entre personas con y sin riesgo de depresión posparto. Además, el modelo demostró una consistencia general entre distintos subgrupos raciales, étnicos y etarios.
Uno de los hallazgos más relevantes fue que la inclusión de la puntuación EPDS prenatal mejoró notablemente la precisión predictiva. Sin embargo, el modelo también funcionó adecuadamente en su versión sin esta variable, lo que sugiere que puede ser útil incluso en contextos donde no se aplique rutinariamente la evaluación EPDS durante el embarazo.
El estudio muestra que es posible predecir el riesgo de depresión posparto con datos clínicos disponibles antes del alta hospitalaria, incluso en pacientes sin antecedentes depresivos. Los autores explican que esta herramienta ayudaría a identificar a pacientes de una consulta con mayor riesgo y facilitar la planificación personalizada de la atención posparto para la prevención.
“Este es un progreso emocionante hacia el desarrollo de una herramienta de predicción que, emparejada con la experiencia de los clínicos, podría ayudar a mejorar la salud mental materna”, expresó Clapp. Además, reconoció que con una mayor validación, y en colaboración con los médicos y los pacientes, buscan lograr una identificación más temprana y especialmente, mejores resultados de salud mental para las pacientes posparto.
