Evaluación del curso del trastorno bipolar tipo I

Abstract

RESUMEN: El curso del trastorno bipolar tipo I (TB I) conlleva episodios prolongados y deterioro cognitivo, afectando la función del paciente. A pesar del avance en la comprensión de las causas, su predicción del curso a largo plazo sigue siendo limitada. Nuestro estudio pretende evaluar el comportamiento temporal de variables clínicas y cognitivas del TB I observadas a partir de un estudio de cohorte longitudinal de 146 pacientes diagnosticados con TB I durante un seguimiento de 9-10 años. Desarrollamos un modelo predictivo basado en datos clínicos y cognitivos para predecir la gravedad a largo plazo. Empleamos análisis bivariados, ElasticNet y Random Forest para identificar variables asociadas y predecir la gravedad. Los predictores principales fueron el dominio atencional, velocidad de procesamiento visual y memoria. El modelo basado en "ElasticNet" y "Random Forest" mostró alta precisión para predecir gravedad baja y media, con sensibilidad y especificidad adecuadas. La evaluación longitudinal de la cohorte evidenció la efectividad del modelo, aunque algunos pacientes no completaron todas las evaluaciones. Nuestra cohorte siguió acudiendo a las consultas psiquiátricas y recibiendo su tratamiento farmacológico habitual. Algunos pacientes no completaron las evaluaciones en todo el tiempo de evaluación. Asimismo, el pequeño tamaño de nuestra muestra (n=146) puede estar sobre ajustando la predicción de nuestro modelo. Nuestros resultados muestran que el modelo de predicción funciona muy bien en la determinación de la gravedad de la enfermedad a largo plazo, con potencial traslación a la práctica clínica, abriendo un camino hacia la psiquiatría de precisión.

ABSTRACT: The course of bipolar disorder type I (BD I) involves prolonged episodes and cognitive impairment, affecting the patient's function. Despite progress in understanding the causes, its prediction of the long-term course still needs to be improved. Our study aims to evaluate the temporal behavior of clinical and cognitive variables of BD I observed from a longitudinal cohort study of 146 patients diagnosed with BD I during a follow-up of 9-10 years. We developed a predictive model based on clinical and cognitive data to predict long-term severity. We employed bivariate, ElasticNet, and Random Forest analyses to identify associated variables and predict severity. The main predictors were the attentional domain, visual processing speed and memory. The ElasticNet and Random Forest-based model showed high accuracy for predicting low and medium severity, with adequate sensitivity and specificity. Longitudinal evaluation of the cohort evidenced the model's effectiveness, although some patients still needed to complete all assessments. Our cohort continued to attend psychiatric consultations and receive their usual pharmacological treatment. Some patients only completed assessments throughout the entire evaluation time. Also, our small sample size (n=146) may be overfitting the prediction of our model. Our results show that the prediction model works very well in determining the long-term severity of illness, with potential translation to clinical practice, opening a path toward precision psychiatry.