Los datos de Fitbit predicen con precisión los cambios de humor del trastorno bipolar

Los investigadores han utilizado datos cotidianos de Fitbit para entrenar un algoritmo de aprendizaje automático para predecir con precisión los episodios de estado de ánimo asociados con el trastorno bipolar. Abre la puerta al uso de un algoritmo personalizado para impulsar el tratamiento de la afección que afecta la vida.

Trastorno bipolarLos episodios de humor característicos de (BD) (los cambios extremos entre depresión y manía, seguidos de un período de remisión) pueden tener un gran impacto en el trabajo, las relaciones y la salud de una persona. El tratamiento del BD se centra en limitar ese impacto, lo que requiere la pronta identificación y tratamiento de los episodios del estado de ánimo.

Al liderar un nuevo estudio destinado a encontrar una forma precisa de detectar episodios de estado de ánimo en personas con BD, investigadores del Brigham and Women’s Hospital (BWH) en Boston recurrieron a un dispositivo de monitoreo de salud ahora omnipresente, el Fitbit.

«La mayoría de las personas caminan con dispositivos digitales personales como teléfonos inteligentes y relojes inteligentes que capturan datos del día a día que podrían informar el tratamiento psiquiátrico», dijo Jessica Lipschitz, PhD, del Departamento de Psiquiatría de BWH y autora principal del estudio. «Nuestro objetivo era utilizar esos datos para identificar cuándo los participantes del estudio diagnosticados con trastorno bipolar experimentaban episodios de humor».

Los estudios han demostrado que la mayoría de las personas con TB, que solía llamarse trastorno maníaco depresivo o depresión maníaca, experimentan un cambio en la gravedad de los síntomas y la «polaridad» del estado de ánimo al menos tres veces al año. Esto incluye pasar de sentirse muy feliz, irritable, con un marcado aumento en el nivel de actividad (manía), a sentirse triste, indiferente o desesperanzado con niveles de actividad muy bajos (depresión). La hipomanía es como la manía pero menos grave; no causa el deterioro en el funcionamiento social o laboral que causan los episodios maníacos.

Hay dos tipos de TB: trastorno bipolar I y trastorno bipolar II. La BP-I se define por episodios maníacos que duran al menos siete días (la mayor parte del día, casi todos los días) o manía tan grave que requiere hospitalización. También suelen producirse episodios depresivos separados que suelen durar al menos dos semanas. Algunas personas con BP-I experimentan lo que se conoce como «ciclo rápido», en el que tienen más de cuatro episodios de manía o depresión en un año. BP-II se caracteriza por un patrón de depresión e hipomanía.

Para el presente estudio, los investigadores reclutaron a 54 adultos diagnosticados con BP-I o BP-II y les pidieron que usaran un Fitbit continuamente durante nueve meses. Se eligió Fitbit Inspire por su capacidad para recopilar datos sobre actividad, frecuencia cardíaca y sueño. También se pidió a los participantes que informaran sus síntomas de depresión y manía cada dos semanas durante el mismo período de nueve meses.

Los datos, que incluían 17 variables como recuento de pasos, minutos muy activos, minutos sedentarios, frecuencia cardíaca y frecuencia cardíaca en reposo, tiempo total de sueño, puntuación de eficiencia del sueño, duración del sueño profundo, duración del sueño REM y hora de acostarse, se utilizaron para entrenar a un Algoritmo predictivo de aprendizaje automático. El algoritmo pudo descubrir la importancia de cada variable en la predicción de síntomas clínicamente significativos de depresión y manía.

El algoritmo predijo con precisión el 89,1% de los síntomas maníacos o hipomaníacos clínicamente significativos (con una sensibilidad del 80,0% y una especificidad del 90,1%) y el 80,1% de los síntomas depresivos clínicamente significativos (sensibilidad del 71,2%, especificidad del 85,6%). La sensibilidad se refiere a la capacidad de una prueba para identificar correctamente a los pacientes con una afección; la especificidad es su capacidad para identificar correctamente a personas sin esa condición.

Las cinco variables que más contribuyeron a las predicciones de depresión fueron la duración de los despertares, el tiempo total de sueño, la hora media de acostarse, la frecuencia cardíaca en reposo y el porcentaje de sueño pasado en sueño profundo. Para las predicciones de manía o hipomanía, las cinco variables principales fueron la frecuencia cardíaca, la eficiencia del sueño, el porcentaje de sueño en fase REM, el número de minutos muy activos y la hora media de acostarse.

«Nuestros hallazgos son particularmente notables porque todas las entradas se recopilaron pasivamente, ninguna de las métricas utilizadas fue invasiva en términos de privacidad, utilizamos dispositivos de consumo convencionales y nuestros métodos no exigieron altos niveles de cumplimiento de Fitbit», dijeron los investigadores. “Otros investigadores han logrado predicciones del estado de ánimo más precisas con protocolos de recopilación de datos más invasivos que utilizan datos como la geolocalización y funciones de vozque puede plantear preocupaciones sobre la privacidad, y los wearables textiles, que pueden resultar restrictivos para los pacientes”.

Los hallazgos tienen el potencial de transformar los modelos de atención en BD y mejorar la precisión del tratamiento.

«En el futuro, nuestra esperanza es que algoritmos de aprendizaje automático como el nuestro puedan ayudar a los equipos de tratamiento de los pacientes a responder rápidamente a episodios nuevos o incesantes para limitar el impacto negativo», dijo Lipschitz.

El estudio fue publicado en la revista Revista psiquiátrica escandinavay está disponible como vista anticipada PDF.

Fuente: BWH a través de Eurek¡Alerta!