Aprendizaje profundo en la investigación de resultados de salud mental: una revisión exploratoria

Las enfermedades mentales, como la depresión, son muy prevalentes y se ha demostrado que impactan la salud física de un individuo. Recientemente, se han introducido métodos de inteligencia artificial (IA) para ayudar a los proveedores de salud mental, incluidos psiquiatras y psicólogos, en la toma de decisiones basadas en los datos históricos de los pacientes (por ejemplo, historias clínicas, datos de comportamiento, uso de redes sociales, etc.). El aprendizaje profundo (AP), como una de las generaciones más recientes de tecnologías de IA, ha demostrado un rendimiento superior en muchas aplicaciones del mundo real que van desde la visión por computadora hasta la salud. El objetivo de este estudio es revisar la investigación existente sobre las aplicaciones de los algoritmos de AP en la investigación de resultados de salud mental. Específicamente, primero hacemos una breve descripción de las técnicas de AP más avanzadas. Luego revisamos la literatura relevante a las aplicaciones de AP en resultados de salud mental. Según los escenarios de aplicación, categorizamos estos artículos relevantes en cuatro grupos: diagnóstico y pronóstico basados en datos clínicos, análisis de datos genéticos y genómicos para comprender las condiciones de salud mental, análisis de datos de expresión vocal y visual para la detección de enfermedades, y estimación del riesgo de enfermedad mental utilizando datos de redes sociales. Finalmente, discutimos los desafíos en el uso de algoritmos de AP para mejorar nuestra comprensión de las condiciones de salud mental y sugerimos varias direcciones prometedoras para sus aplicaciones en la mejora del diagnóstico y tratamiento de la salud mental.