A inteligência artificial será o caminho para a medicina personalizada na psiquiatria?

A inteligência artificial (IA) está transformando vários setores da sociedade e tem benefícios potenciais também no campo da psiquiatria. A biotipagem e a fenotipagem podem ajudar a identificar os pacientes com maior probabilidade de se beneficiar de diferentes agentes; os modelos integrativos de IA podem prever a resposta terapêutica; e a avaliação momentânea ecológica pode, um dia, ajudar a monitorar os sintomas e orientar os psiquiatras no atendimento ao paciente.

O desenvolvimento de medicamentos em psiquiatria tem manifestado “estase de inovação”, observou o professor Roger McIntyre, da Universidade de Toronto, Canadá, no AsCNP Virtual 2021. As taxas de resposta para antidepressivos permaneceram relativamente estáticas nos últimos 40 anos, disse ele. Ao mesmo tempo, existe uma mudança no foco da doença, mudando da ausência de doença para resultados baseados em domínios e relatados pelo paciente.1

 

Biotipos inflamatórios podem se traduzir em fenótipos clínicos no TDM

A ligação entre distúrbios inflamatórios e doenças mentais tornou-se um tema importante na psiquiatria. Estudos demonstram que alterações nos níveis de citocinas inflamatórias estão associadas a alterações patológicas em pacientes com TDM e podem alterar a resposta aos antipsicóticos convencionais.2-4

A biotipagem identificará grupos de pacientes que provavelmente se beneficiarão de um determinado medicamento.

No entanto, nem todos os pacientes com TDM apresentam alterações nos níveis de citocinas e existe heterogeneidade em relação aos biótipos inflamatórios que estão surgindo, por isso precisamos tentar refinar os biofenótipos de diferentes tipos de depressão, disse o professor McIntyre.

 

Modelos integrativos em machine learning predizem com maior precisão a resposta terapêutica

A inteligência artificial, usando técnicas de redução de dimensionalidade, pode identificar padrões em várias citocinas diferentes. Essa técnica permitiu que os pacientes fossem separados em biótipos distintos de depressão bipolar, que podem ajudar a prever quais pacientes responderão melhor a um tratamento.5

Uma meta-análise de mais de 20 estudos, realizada para avaliar a utilidade de algoritmos de machine learning (aprendizado de máquina) na previsão precisa do resultado terapêutico em adultos com depressão bipolar, descobriu que a precisão foi significativamente maior em modelos integrativos alimentados por vários tipos de dados, em comparação com dados de menor dimensão. Os tipos de dados incluídos no modelo integrativo incluíam características fenomenológicas do paciente, neuroimagem e dados de expressão gênica periférica.6

A IA nos ajudará a integrar interações em vários sistemas biológicos diferentes

 

Acompanhamento e monitoramento do TDM - um facilitador para o gerenciamento de casos

A capacidade de identificar digitalmente os pacientes também pode ser uma ajuda crucial na psiquiatria. Usando a avaliação momentânea ecológica e o aplicativo "mind.me", os sintomas em adultos com depressão clinicamente relevante foram rastreados por meio da coleta de dados, como: reconhecimento de voz, mensagens de texto e uso do vocabulário. Isso permitiu a previsão de sintomas depressivos com precisão de 91%, sensibilidade de 98% e especificidade de 93%.7

A inteligência artificial não vai inventar novas drogas, disse o professor McIntyre, mas nos ajudará a integrar interações que ocorrem dentro e entre diferentes sistemas biológicos, que são impossíveis de medir sem IA.

 

 

Quer receber as novidades da Progress in Mind Brazil no seu celular?

Participe do nosso canal no Telegram clicando aqui e receba os novos conteúdos assim que forem publicados!

Our correspondent’s highlights from the symposium are meant as a fair representation of the scientific content presented. The views and opinions expressed on this page do not necessarily reflect those of Lundbeck.

Referências
  1. Manderscheid et al. Prev Chronic Dis 2010; 7:A19. Epub 2009.
  2. Hepgul N, et al. Neuropsychopharmacology 2016;41:2502-11.
  3. Osimo EF, et al. Brain Behav Immun 2020;87:901-909.
  4. Haroon E, et al. Psychoneuroendocrinology 2018;95:43-49.
  5. Lee Y, et al. Mol Psychiatry 2021:26: 3395-3406.
  6. Lee Y, et al. J Affect Disord 2018;241:519-532.
  7. McIntyre RS, et al. J Psychiat Res 2021;135:311-317.
Você está deixando Progress in Mind
Olá,
Por favor, confirme seu e-mail
Enviamos um link de confirmação para o seu endereço de email. Por favor, verifique sua caixa de entrada e/ou sua caixa de spam e clique no botão Confirmo meu endereço de email para obter acesso completo ao site.
As informações neste site são exclusivamente destinadas a profissionais de saúde.