Modelagem populacional com aprendizado de máquina pode aprimorar medidas de saúde mental

FUNDAMENTO: O envelhecimento biológico é revelado por medidas físicas, por exemplo, sondas de DNA ou exames de imagem cerebral. Em contraste, as diferenças individuais na função mental são explicadas por construtos psicológicos, por exemplo, inteligência ou neuroticismo. Esses construtos são tipicamente avaliados por testes neuropsicológicos personalizados que se baseiam no julgamento de especialistas e requerem interpretação cuidadosa. O aprendizado de máquina em grandes amostras da população geral pode ser usado para construir medidas proxy desses construtos que não requerem intervenção humana? RESULTADOS: Aqui, construímos medidas proxy aplicando aprendizado de máquina em imagens de RM multimodais e informações sociodemográficas ricas da maior coorte biomédica até o momento: o Biobanco do Reino Unido. Comparações objetivas de modelos revelaram que todas as medidas proxy capturaram os construtos-alvo e foram tão úteis, e às vezes mais úteis, do que as medidas originais para caracterizar comportamentos de saúde no mundo real (sono, exercício, consumo de tabaco, consumo de álcool). Observamos essa complementaridade das medidas proxy e das medidas originais na captura de múltiplos construtos relacionados à saúde ao modelar a partir de sinais cerebrais e dados sociodemográficos. CONCLUSÃO: A modelagem populacional com aprendizado de máquina pode derivar medidas de saúde mental a partir de inputs heterogêneos, incluindo sinais cerebrais e dados de questionários. Isso pode complementar ou até mesmo substituir as avaliações psicométricas em populações clínicas.