"Este primer gran proyecto constituye una excelente demostración del potencial de la IA para la prevención en salud mental y adicciones", indica Christian Gagné, profesor en la Facultad de Ciencias e Ingeniería de la Universidad Laval y director del Instituto de Inteligencia y Datos.
Fatemeh Gholi Zadeh Kharrat, becaria postdoctoral en la Universidad Laval, integró datos ecológicos, relacionados con la demografía o el entorno, y datos anonimizados de individuos, recopilados entre 2000 y 2019. Analizó estadísticas relacionadas con la población, el seguro de medicamentos, la accesibilidad a los sistemas de salud y mucho más.
Comprender para prevenir mejor
La iniciativa permitió confirmar hipótesis existentes sobre el tema, además de generar nuevos conocimientos. "Por ejemplo, vimos que las personas que habían tenido un seguimiento en salud mental en los 60 días anteriores tenían un mayor riesgo de suicidio. Lo mismo para el consumo de drogas. Este es el tipo de relación que esperábamos ver, pero el análisis mediante aprendizaje automático nos mostró claramente su incidencia", señala Christian Gagné, quien trabajó en estrecha colaboración con Alain Lesage, profesor en la Facultad de Medicina de la Universidad de Montreal.
Los modelos que utilizan IA también demostraron que los trastornos de salud mental y las adicciones son factores importantes en la predicción del suicidio. Asimismo, pusieron en evidencia el efecto acumulativo de los factores de riesgo, tanto relacionados con el individuo como con el contexto en el que vive. Lo que ocurre a nivel individual también está determinado por factores de tipo ecológico, como el presupuesto regional en salud mental y adicciones.
Los análisis también mostraron que la tasa de muertes por suicidio en hombres es más alta en las regiones donde el presupuesto por habitante para situaciones relacionadas con adicciones es más bajo. "Es, por tanto, una relación clara entre los niveles de inversión pública en salud mental y adicciones y el riesgo de suicidio lo que se ha establecido. A la inversa, si incrementamos la financiación, entonces hay un efecto real en la reducción de este riesgo", subraya el profesor Gagné.
600 variables estudiadas
Este tipo de relación pudo ser destacada gracias a la inclusión de una gran cantidad de variables. Situación sociodemográfica, diagnósticos y hospitalizaciones, antecedentes de salud física o mental, presupuesto regional de salud mental, fueron consideradas unas 600 variables clínicas o sociales. "¡Hemos podido ver cuán ricos eran los datos proporcionados por el INSPQ!", relata Fatemeh Kharrat.
Dos modelos de IA se impusieron rápidamente, definidos en función del género. "La diferenciación de los factores de riesgo en hombres y mujeres es algo que ya está bien comprendido por el ámbito clínico. Al desarrollar modelos por género, pudimos destacar otras variables de interés, e incluso identificar variables que serían específicas según el sexo", señala Christian Gagné.
Durante las simulaciones, el equipo midió el impacto de las diferentes variables para identificar los factores con mayor influencia. "Si manipulamos la desfavorecimiento social del barrio donde vive la persona, ¿qué efecto tiene sobre los factores de riesgo?", ejemplifica Fatemeh Kharrat. Pudimos entender las relaciones entre las variables y su efecto sobre el nivel de riesgo."
Para la interpretación de los resultados, los investigadores trabajaron con especialistas en el campo. "Ellos podían verificar si la relación existe o es probable desde un punto de vista clínico", añade Christian Gagné.
Este proyecto, apoyado por financiación del programa Nuevas Fronteras en Investigación de los tres consejos de investigación de Canadá, ha sido publicado en revistas científicas como PLOS One y JMIR Public Health and Surveillance.