Predicción del estado afectivo en el trastorno bipolar

  1. Urgelés Puértolas, Diego
Dirigée par:
  1. Tomás Palomo Alvarez Directeur
  2. María Victoria López López Directeur/trice
  3. Guillermo Ponce Alfaro Directeur

Université de défendre: Universidad Complutense de Madrid

Fecha de defensa: 08 février 2021

Jury:
  1. Celso Arango López President
  2. Eva María Sánchez Morla Secrétaire
  3. Mª Elena Ezquiaga Terrazas Rapporteur
  4. Luis Caballero Martínez Rapporteur
  5. María Elena Hernando Pérez Rapporteur
Département:
  1. Medicina Legal, Psiquiatría y Patología

Type: Thèses

Résumé

El trastorno bipolar es una enfermedad crónica que afecta al estado de ánimo la actividad y el sueño. Su abordaje tiene tasas de efectividad mejorables y supone un importante problema sanitario. Predecir la aparición de crisis modelando el estado afectivo nos permitiría tratar precozmente los síntomas y minimizar sus consecuencias. Este trabajo pretende avanzar en el desarrollo de un modelo del estado afectivo en el trastorno bipolar tomando como base el carácter dinámico de esta enfermedad, la hipótesis de la primacía de la manía y la influencia del ritmo circadiano y el sueño en su fisiopatología. La hipótesis es que es posible predecir la aparición de sintomatología maníaca mediante análisis de variables clínicas previas. Para ello se ha diseñado dos estudios con diferentes objetivos. El estudio A tiene analiza diferentes variables clínicas recogidas mediante autoinformes que pueden servir como base de un modelo predictivo. El estudio B tiene como objetivo aplicar diferentes algoritmos de aprendizaje automático sobre subgrupos de las variables analizadas en el estudio A, midiendo su capacidad predictiva real. Se han recogido datos de 25 pacientes con trastorno bipolar que asisten a una unidad especializada durante 6 meses, recolectándose un total de 15 variables mediante autoinformes diarios a través del teléfono móvil, sumando un total de 3190 formularios. También se han realizado diferentes mediciones de la sintomatología maníaca mediante la escala de manía de Young (YMRS). En el estudio A se ha calculado la correlación lineal de las variables de estos formularios con el valor de YMRS, también se ha calculado la entropía de Shannon que contiene cada una de ellas. En el estudio B se han seleccionado distintos subgrupos de las variables recogidas en el estudio A, según las diferentes correlaciones y/o entropías que presentaban. Estos subgrupos han sido procesados por diferentes algoritmos clasificadores de aprendizaje automático con el fin de intentar predecir si a la semana de su recogida se iba a superar o no un determinado umbral de YMRS. Como resultado en el estudio A se ha encontrado una correlación significativa entre el valor de YMRS y las variables ánimo, ansiedad, calidad de sueño, concentración, hora de dormir, duración del sueño, hora del test, irritabilidad, motivación y tabaco, pertenecientes al formulario diario. También se ha medido la entropía de Shannon de las diferentes variables. Estas dos medidas han dado lugar a un ranking para clasificar la utilidad predictiva de estas variables. En el estudio B se ha usado este ranking para generar varios subgrupos de variables. Después se han aplicado diferentes algoritmos, siendo los más exitosos en la predicción las redes neuronales con retropropagación, KNN, Rpart y SVM, todo ellos clasificadores no lineales. Es por lo tanto posible modelar la evolución de la sintomatología maníaca mediante aprendizaje automático, tomando como partida las variables recogidas mediante autoinformes con al menos una semana de antelación, validándose nuestra hipótesis de partida. La estrategia usada de reducir el número de variables, clasificándolas según su correlación con la variable a predecir, realizando después un análisis mediante estadísticos derivados que recogen la dimensión temporal es efectiva. Los algoritmos predictivos más interesantes para el objetivo del estudio son los clasificadores no lineales, destacando entre ellos las redes neuronales artificiales.