Prejuízo funcional em pacientes com transtorno de humor

Abstract

O Transtorno Depressivo Maior e o Transtorno Bipolar são transtornos psiquiátricos associados a comprometimento psicossocial. Apesar da melhora clínica, as queixas funcionais geralmente permanecem, prejudicando principalmente o desempenho ocupacional e cognitivo. Neste estudo, objetivamos utilizar técnicas de aprendizado de máquina para prever o comprometimento funcional em pacientes eutímicos com diagnóstico de transtornos de humor. Nossos dados são provenientes de um estudo de coorte de base populacional realizado na cidade de Pelotas. Este estudo teve sua primeira etapa realizada em 2007-2009 e a segunda em 2012-2014, tendo em média 5 anos entre a avaliação de base e a avaliação de acompanhamento. Todos os participantes diagnosticados com transtorno de humor na linha de base e posteriormente reavaliados foram considerados (n= 282). Random Forest (RF) com seleção prévia de variaveis e algoritmos LASSO foram aplicados a um conjunto de treinamento com dados imputados resultando em dois modelos principais. Após a seleção prévia de variáveis, 25 variáveis foram mantidas. O modelo de RF teve melhor desempenho em relação ao LASSO (Área sob a curva (AUC): 0,715 vs. 0,693). As variáveis mais importantes na predição do comprometimento funcional foram abuso sexual, escore total do SRQ, negligência física, abuso emocional e abuso físico. O modelo demonstrou desempenho aceitável para predizer comprometimento funcional. No entanto, nossa amostra é composta por participantes jovens, nesse sentido, o modelo pode não ser generalizado para indivíduos mais velhos com transtornos de humor. A calculadora apresentada possui dados clínicos, sociodemográficos e ambientais, demonstrando que é possível utilizar tais informações para prever o desempenho funcional. Para estudos futuros, sugerimos a integração de dados digitais de saúde e informações biológicas.

Major Depressive Disorder and Bipolar Disorder are psychiatric disorders associated with psychosocial impairment. Despite clinical improvement, functional complaints usually remain, mainly impairing occupational and cognitive performance. In this study, we aimed to use machine learning techniques to predict functional impairment in euthymic patients diagnosed with mood disorders. Our data come from a population-based cohort study carried out in the city of Pelotas. This study had its first stage carried out in 2007-2009 and the second in 2012-2014, taking an average of 5 years between the baseline assessment and the follow-up assessment. All participants diagnosed with mood disorder at baseline and later reassessed were considered (n=282). Random forest (RF) with previous recursive feature selection and LASSO algorithms were applied to a training set with imputed data by bagged trees resulting in two main models. Following recursive feature selection, 25 variables were retained, and the RF model had the best performance compared to LASSO (Area under the curve (AUC): 0.715 vs. 0.693). The most important variables in predicting functional impairment were sexual abuse, SRQ total score, physical negligence, emotional abuse, and physical abuse. The model demonstrated acceptable performance to predict functional impairment. However, our sample is composed of young participants and the model may not generalize to older individuals with mood disorders. Further studies are needed in this direction. The calculator presented has clinical, sociodemographic and environmental data, demonstrating that it is possible to use such information to predict functional performance. For future studies, it would be interesting to include integrating digital health data and biological information.