Un estudio revela que el análisis de imágenes cerebrales con IA puede anticipar la gravedad del trastorno por estrés postraumático hasta 14 meses después de un trauma.
Investigadores de Yale, utilizaron imágenes médicas del cerebro y machine learning para construir un modelo capaz de predecir la gravedad de los síntomas de trastorno por estrés postraumático (TEPT). En un estudio publicado en JAMA Network Open los autores investigaron si es posible predecir la gravedad del TEPT en personas que recientemente vivieron experiencias traumáticas. Para ello, utilizaron imágenes por resonancia magnética funcional (fMRI, en inglés) tomadas un mes después del trauma, aplicando un método llamado Connectome-Based Predictive Modeling (CPM).
“Cuando se trata del TEPT, a menudo los investigadores estudian la amígdala, conocida como el centro del miedo del cerebro, y el hipocampo, que interviene en los procesos de memoria”, detalla Ziv Ben-Zion, becario postdoctoral de la Facultad de Medicina de Yale y coautor principal. “Pero a medida que ha avanzado la investigación, hemos llegado a comprender que en los trastornos psiquiátricos se producen alteraciones en redes cerebrales a gran escala, no sólo en regiones aisladas”.
Los resultados mostraron que ciertos patrones de conectividad cerebral, particularmente en redes como la red de modo predeterminado o anterior default mode, la red motora sensorial, la red de saliencia, la red ejecutiva central y la red visual, podían predecir la gravedad de los síntomas de TEPT hasta 14 meses después del trauma. Sin embargo, a los 6 meses no se observó una predicción significativa. Esto sugiere que los cambios iniciales en la conectividad cerebral pueden indicar quiénes tienen mayor riesgo de desarrollar TEPT a largo plazo.
Para el estudio participaron 162 adultos que habían sobrevivido a eventos traumáticos, como accidentes automovilísticos, asaltos, incendios o ataques terroristas. Además, se realizaron escaneos cerebrales mediante fMRI y evaluaciones clínicas a los 1, 6 y 14 meses después del trauma.
El modelo se basó en CPM, un enfoque de machine learning que analiza la conectividad entre diferentes regiones cerebrales para identificar patrones relacionados con la gravedad de los síntomas de TEPT.
“La motivación del estudio era ver si podíamos identificar algo en el cerebro en una fase temprana que nos ayudara a predecir quién desarrollará síntomas más graves con el tiempo y quién se recuperará”, explicó Ben-Zion. “Nuestros hallazgos demuestran que la conectividad cerebral temprana puede predecir la trayectoria de los síntomas, lo que será útil para el diagnóstico y la predicción del TEPT y, con suerte, incluso para el tratamiento”.
Este estudio destaca que las diferencias en la conectividad cerebral poco después de un trauma pueden ayudar a identificar a las personas con mayor riesgo de desarrollar TEPT, lo cual podría permitir intervenciones tempranas y personalizadas para prevenir o mitigar el desarrollo de la enfermedad. Además, los autores sugieren que las redes cerebrales involucradas en funciones como la atención, la memoria y la regulación emocional juegan un papel clave en la evolución del TEPT.
“Si la conectividad cerebral temprana al mes del trauma puede darnos alguna idea sobre quién desarrollará síntomas más graves, podría ayudarnos a establecer medidas más objetivas para el diagnóstico. Y aunque hay que seguir investigando, quizá en el futuro haya una forma de dirigirse a las redes cerebrales específicas implicadas en el TEPT”, concluyó Ben-Zion.
