Herramientas de diagnósticopersonalizado para el manejo delos primeros episodios psicóticosNikolaos Koutsouleris
Hotel Meliá Castilla, Madrid1 de febrero del 2020
Herramientas de diagnóstico personalizado para el manejo de los primeros episodios psicóticos
Nikolaos Koutsouleris Ludwig-Maximilian-University, Múnich, Alemania
01 Evolución variable 02 Aprendizaje automático
03 Intervención temprana 04 Algoritmo de aprendizaje automático
05 Función social 06 Predictores
07 Implementación (PRONIA) 08 Algoritmo: Datos clínicos
09 Algoritmo: IRM 10 Algoritmo: Datos clínicos + IRM
Aprendizaje automático
Intervención temprana
Algoritmo de aprendizaje automático
Función social
Predictores
Implementación (PRONIA)
Algoritmo: Datos clínicos
Algoritmo: IRM
Algoritmo: Datos clínicos + IRM
Evolución variable
EVOLUCIÓN VARIABLE
Ý El estudio multicéntrico de Fusar-Poli P y cols. (2012) con 2500 pacientes con alto riesgo de psicosis, mostró que en las fases tem-pranas de la enfermedad hay una alta heterogeneidad pronóstica: solo 15-30% de los pacientes desarrollará enfermedad completa.1
Ý Estudios longitudinales en los que se siguió durante más de 20 años a 502 pacientes con un primer episodio psicótico, mostraron una alta variabilidad en la trayectoria de la enfermedad: hay pacien-tes que, tras el primer episodio, volvieron a experimentar la enfer-medad, y otros que jamás se recuperaron.2
1. Fusar-Poli P, Bonoldi I, Yung AR, Borgwardt S, Kempton MJ, Valmaggia L, et al. Predicting psychosis: meta-analysis of transition outcomes in individuals at high clinical risk. Arch Gen Psychiatry. 2012 Mar;69(3):220-9. 2. Huber G, Gross G, Schüttler R, Linz M. Longitudinal studies of schizophrenic patients. Schizophr Bull. 1980;6(4):592-605.
Evolución variable
Intervención temprana
Algoritmo de aprendizaje automático
Función social
Predictores
Implementación (PRONIA)
Algoritmo: Datos clínicos
Algoritmo: IRM
Algoritmo: Datos clínicos + IRM
Aprendizaje automático
APRENDIZAJE AUTOMÁTICO
ÝUn enfoque de aprendizaje automático permite hacer predicciones generalizables mediante un modelo matemático, a partir de la re-copilación de:1
ą datos clínicos, ą de neurocognición, ą exámenes de imagen, ą estudios proteómicos y genéticos.
ÝMediante estos métodos multivariados se puede predecir qué pa-cientes tienen mayor riesgo de desarrollar psicosis.1
1. Dwyer DB, Falkai P, Koutsouleris N. Machine Learning Approaches for Clinical Psychology and Psychiatry. Annu Rev Clin Psychol. 2018 May 7;14:91-118.
Evolución variable
Aprendizaje automático
Algoritmo de aprendizaje automático
Función social
Predictores
Implementación (PRONIA)
Algoritmo: Datos clínicos
Algoritmo: IRM
Algoritmo: Datos clínicos + IRM
Intervención temprana
INTERVENCIÓN TEMPRANA I
Ý Estos métodos hay que aplicarlos en fases tempranas de la enfer-medad, cuando aún no se ha manifestado.1-5
Ý Intervenir en estas fases (con intervenciones psicosociales, por ejem-plo) puede reducir de forma dramática el riesgo de transición a psi-cosis: reducción del 54% en 12 meses.1-5
Ý Si la intervención se realiza en fases tardías, una vez que se ha pro-ducido un primer episodio de psicosis, la intervención (combina-ciones de antipsicóticos, por ejemplo) también reduce de forma dramática el riesgo de recaídas en un 34-58% en 12 meses.1-5
1. Cosci F, Fava GA.Staging of mental disorders: systematic review. Psychother Psychosom. 2013;82(1):20-34. 2. McGorry PD, Hickie IB, Yung AR, Pan-telis C, Jackson HJ. Clinical staging of psychiatric disorders: a heuristic framework for choosing earlier, safer and more effective interventions. Aust N Z J Psychiatry. 2006 Aug;40(8):616-22. 3. van der Gaag M, Smit F, Bechdolf A, French P, Linszen DH, Yung AR, et al. Preventing a first episode of psy-chosis: meta-analysis of randomized controlled prevention trials of 12 month and longer-term follow-ups. Schizophr Res. 2013 Sep;149(1-3):56-62. 4. Camacho-Gomez M, Castellvi P. Effectiveness of Family Intervention for Preventing Relapse in First-Episode Psychosis Until 24 Months of Follow-up: A Systematic Review With Meta-analysis of Randomized Controlled Trials. Schizophr Bull. 2020 Jan 4;46(1):98-109. 5. Thompson A, Winsper C, Marwaha S, Haynes J, Alvarez-Jimenez M, Hetrick S, et al. Maintenance antipsychotic treatment versus discontinuation strategies following remission from first epi-sode psychosis: systematic review. BJPsych Open. 2018 Jun 29;4(4):215-225.
Evolución variable
Aprendizaje automático
Algoritmo de aprendizaje automático
Función social
Predictores
Implementación (PRONIA)
Algoritmo: Datos clínicos
Algoritmo: IRM
Algoritmo: Datos clínicos + IRM
Intervención temprana
INTERVENCIÓN TEMPRANA II
Ý Tratar de implementar métodos para predecir el riesgo de forma temprana es importante para lograr una prevención más efectiva.1-5
1. Cosci F, Fava GA.Staging of mental disorders: systematic review. Psychother Psychosom. 2013;82(1):20-34. 2. McGorry PD, Hickie IB, Yung AR, Pan-telis C, Jackson HJ. Clinical staging of psychiatric disorders: a heuristic framework for choosing earlier, safer and more effective interventions. Aust N Z J Psychiatry. 2006 Aug;40(8):616-22. 3. van der Gaag M, Smit F, Bechdolf A, French P, Linszen DH, Yung AR, et al. Preventing a first episode of psy-chosis: meta-analysis of randomized controlled prevention trials of 12 month and longer-term follow-ups. Schizophr Res. 2013 Sep;149(1-3):56-62. 4. Camacho-Gomez M, Castellvi P. Effectiveness of Family Intervention for Preventing Relapse in First-Episode Psychosis Until 24 Months of Follow-up: A Systematic Review With Meta-analysis of Randomized Controlled Trials. Schizophr Bull. 2020 Jan 4;46(1):98-109. 5. Thompson A, Winsper C, Marwaha S, Haynes J, Alvarez-Jimenez M, Hetrick S, et al. Maintenance antipsychotic treatment versus discontinuation strategies following remission from first epi-sode psychosis: systematic review. BJPsych Open. 2018 Jun 29;4(4):215-225.
AP, antipsicóticos; IF, intervenciones familiares.
Predecir el riesgo allana con precisión el camino para una prevención efectiva1-5
Estado 0
Tiempo
Sano
Estado Ia Estado Ib Estado II Estado III
Func
iona
lidad
Prevención primaria indicadaReducción del riesgo Transición
54% en 12 meses (todas las intervenciones)
Prevención primaria indicadaReducción del riesgo Recaída
34% (AP) 58% (AP-IF) en 12 meses
Evolución variable
Aprendizaje automático
Intervención temprana
Función social
Predictores
Implementación (PRONIA)
Algoritmo: Datos clínicos
Algoritmo: IRM
Algoritmo: Datos clínicos + IRM
Algoritmo de aprendizaje automático
ALGORITMO DE APRENDIZAJE AUTOMÁTICO
ÝUno de los primeros estudios en utilizar algoritmos de aprendizaje automático (Koutsouleris N y cols. 2009) logró predecir, mediante técnicas de imagen, qué pacientes en riesgo de psicosis desarro-llaban psicosis a 5 años.1
Ý Se observó un patrón de reducción en el volumen de la materia gris.1
ÝAunque el tamaño de la muestra fue pequeño, esta correlación mostró una exactitud (BAC, balanced accuracy) del 82,3%.1
Ý Este método de pronóstico de riesgo puede mejorar la detección temprana y debe ser validado en el futuro.1
1. Koutsouleris N, Meisenzahl EM, Davatzikos C, Bottlender R, Frodl T, Scheuerecker J, et al. Use of neuroanatomical pattern classification to identify sub-jects in at-risk mental states of psychosis Aand predict disease transition. Arch Gen Psychiatry. 2009 Jul;66(7):700-12.
Evolución variable
Aprendizaje automático
Intervención temprana
Algoritmo de aprendizaje automático
Predictores
Implementación (PRONIA)
Algoritmo: Datos clínicos
Algoritmo: IRM
Algoritmo: Datos clínicos + IRM
Función social
FUNCIÓN SOCIAL I
Ý El estudio de Velthorst E y cols. (2017) evaluó 4 trayectorias de funcio-namiento social (preservada, moderadamente, gravemente y profunda-mente deteriorada) según diferentes trastornos psicóticos en pacientes con un primer episodio psicótico a lo largo de 20 años de seguimiento.1
Depresión psicótica y trastornos del espectro de la esquizofrenia asociadas a un funcionamientosocial significativamente peor a los 20 años1
Profundamente deteriorado (clase 1) Gravemente deteriorado (clase 2) Moderadamente deteriorado (clase 3) Preservado (clase 4) Comparación entre grupos
0,5 1 20Tiempo desde la entrada en la cohorte (años)
4 10 0 20 40 60 80 100Distribución del diagnóstico entre clases (%)
1
16
15
14
13
12
11
10
9
8
7
6
5
4
3
2
17
Func
iona
mie
nto
soci
al (
punt
uaci
ón)
Trastorno bipolar con psicosisDepresión mayor con psicosis
Espectro de esquizofrenia
Preservado (clase 4)
Trastorno bipolar con psicosisDepresión mayor con psicosis
Espectro de esquizofrenia
Moderadamente deteriorado (clase 3)
Trastorno bipolar con psicosisDepresión mayor con psicosis
Espectro de esquizofrenia
Gravemente deteriorado (clase 2)
Trastorno bipolar con psicosisDepresión mayor con psicosis
Espectro de esquizofrenia
Profundamente deteriorado (clase 1)
1. Velthorst E, Fett AJ, Reichenberg A, Perlman G, van Os J, Bromet EJ, et al. The 20-Year Longitudinal Trajectories of Social Functioning in Individuals With Psychotic Disorders. Am J Psychiatry. 2017 Nov 1;174(11):1075-1085.
Evolución variable
Aprendizaje automático
Intervención temprana
Algoritmo de aprendizaje automático
Predictores
Implementación (PRONIA)
Algoritmo: Datos clínicos
Algoritmo: IRM
Algoritmo: Datos clínicos + IRM
Función social
FUNCIÓN SOCIAL II
Ý La esquizofrenia y la depresión mayor con características psicóticas se asociaron de forma significativa a las 2 peores trayectorias. Es un fenómeno transdiagnóstico relevante, ya que afecta directamente a la vida de los pacientes.1
Ý Los pacientes que siguieron las 2 peores trayectorias, también su-frieron mayor deterioro a nivel funcional de diferentes dominios:1
ąmayor tasa de desempleo, ą aumento en la necesidad de asistencia sanitaria pública, ąmenos capacidad de mantener una vida independiente, ą tratados más intensamente con antipsicóticos, ą síntomas positivos y negativos más pronunciados.
ÝActualmente no existen las herramientas para predecir quién se-guirá una trayectoria u otra ni, por lo tanto, sus resultados de fun-cionamiento social.1
1. Velthorst E, Fett AJ, Reichenberg A, Perlman G, van Os J, Bromet EJ, et al. The 20-Year Longitudinal Trajectories of Social Functioning in Individuals With Psychotic Disorders. Am J Psychiatry. 2017 Nov 1;174(11):1075-1085.
Evolución variable
Aprendizaje automático
Intervención temprana
Algoritmo de aprendizaje automático
Función social
Implementación (PRONIA)
Algoritmo: Datos clínicos
Algoritmo: IRM
Algoritmo: Datos clínicos + IRM
Predictores
PREDICTORES I
ÝRecognition and Prevention Program evaluó predictores de resulta-dos funcionales deficientes en pacientes con alto riesgo de psicosis.1
Ý Los participantes con mal funcionamiento social, velocidad de pro-cesamiento deteriorada y puntuación >4 en la subescala de desor-ganización de SOPS (Scale of Prodromal Symptoms) al inicio del estudio se asociaron a peores resultados sociales.1
Ý El área bajo la curva (AUC) para este modelo fue 0,82 e indica bue-na capacidad discriminativa, con una sensibilidad del 72,7% y una especificidad del 75,0%.1
Ý Los participantes con mal desempeño de rol, alteración de la me-moria verbal y aumento de las alteraciones motoras al inicio del es-tudio se asociaron a peores resultados de funcionamiento.1
1. Carrión RE, McLaughlin D, Goldberg TE, Auther AM, Olsen RH, Olvet DM, et al. Prediction of functional outcome in individuals at clinical high risk for psychosis. JAMA Psychiatry. 2013 Nov;70(11):1133-42.
Evolución variable
Aprendizaje automático
Intervención temprana
Algoritmo de aprendizaje automático
Función social
Implementación (PRONIA)
Algoritmo: Datos clínicos
Algoritmo: IRM
Algoritmo: Datos clínicos + IRM
Predictores
PREDICTORES II
Ý El AUC para este modelo fue de 0,77, con una sensibilidad de 62,2% y una especificidad de 72,3%.1
Ý La memoria verbal, el desempeño de rol y las alteraciones motoras tam-bién fueron predictores significativos del resultado de funcionamiento.1
AUC, área bajo la curva; SPOS, Scale of Prodromal Symptoms.
Múltiples variables sociodemográficas, clínicas y neurocognitivas evaluadas por su valor predictivo1
Rapidez de procesamiento. Funcionamiento social en el basal. Puntuación de desorganización SOPS total.
Resultados sociales
Memoria verbal. Función de rol en el basal. Alteraciones motoras.
Resultados de rol
0,0 0,2 0,4 0,6 0,8 1,0Especificidad
0
Sen
sibi
lidad
1,0
0,8
0,6
0,4
0,2AUC: 0,82
Sensibilidad: 72,7%Especificidad: 75,0%
0,0 0,2 0,4 0,6 0,8 1,0Especificidad
0
Sen
sibi
lidad
1,0
0,8
0,6
0,4
0,2AUC: 0,77
Sensibilidad: 62,2%Especificidad: 72,3%
1. Carrión RE, McLaughlin D, Goldberg TE, Auther AM, Olsen RH, Olvet DM, et al. Prediction of functional outcome in individuals at clinical high risk for psychosis. JAMA Psychiatry. 2013 Nov;70(11):1133-42.
Evolución variable
Aprendizaje automático
Intervención temprana
Algoritmo de aprendizaje automático
Función social
Predictores
Algoritmo: Datos clínicos
Algoritmo: IRM
Algoritmo: Datos clínicos + IRM
Implementación (PRONIA)
IMPLEMENTACIÓN (PRONIA)
Ý En el proyecto PRONIA (Personalised Prognostic Tools for Early Psychosis Management) participaron personas con psicosis, con alto riesgo de psicosis y jóvenes con primer episodio de depresión.1
ÝMediante el sistema de puntuación GF:S (Global Functioning: So-cial) para medir la función social de los pacientes, se observó una mejora global en las puntuaciones después de un año.1
1. Koutsouleris N, Kambeitz-Ilankovic L, Ruhrmann S, Rosen M, Ruef A, Dwyer DB, et al. Prediction Models of Functional Outcomes for Individuals in the Clinical High-Risk State for Psychosis or With Recent-Onset Depression: A Multimodal, Multisite Machine Learning Analysis. JAMA Psychiatry. 2018 Nov 1;75(11):1156-1172.
GF:S, Global Functioning: Social.
Etiquetas y descriptivos de funcionamiento social1
Funcionamiento superior en un amplio rangode actividades sociales e interpersonales10
S Ranking GF-S
Buen funcionamiento en todas las áreassociales, e interpersonalmente efectiva9
Algún deterioro leve transitorio en elfuncionamiento social8
Alguna dificultad leve persistente en elfuncionamiento social7
Deterioro moderado en funcionamiento social6
Deterioro grave en funcionamiento social5
Deterioro mayor en funcionamiento social4
Capacidad marginal para funcionar socialmenteo mantener relaciones interpersonales3
Incapaz de funcionar socialmente o mantenercualquier relación interpersonal2
Aislamiento social extremo1
BasalGF:S <8: 75%
SeguimientoGF:S <8: 57%
GF:S=2 (0,9%) GF:S=3 (4,3%) GF:S=4 (2,6%) GF:S=5 (8,6%) GF:S=6 (30,2%)
GF:S=7 (28,4%) GF:S=8 (23,3%) GF:S=9 (1,7%) GF:S=10 (0,0%)
GF:S=2 (0,9%) GF:S=3 (0,0%) GF:S=4 (3,4%) GF:S=5 (5,2%) GF:S=6 (19,8%)
GF:S=7 (27,6%) GF:S=8 (34,5%) GF:S=9 (8,6%) GF:S=10 (0,0%)
Evolución variable
Aprendizaje automático
Intervención temprana
Algoritmo de aprendizaje automático
Función social
Predictores
Implementación (PRONIA)
Algoritmo: IRM
Algoritmo: Datos clínicos + IRM
Algoritmo: Datos clínicos
ALGORITMO: DATOS CLÍNICOS
Ý Los modelos de aprendizaje automático que evalúan el funciona-miento social de pacientes de alto riesgo, predijeron los resultados con una BAC de 76,9%, que delimita un buen valor predictivo de resultado funcional después de un año.1
Ý La sensibilidad fue del 69,7% y la especificidad del 84,0%.1
Ý La característica más importante al inicio del estudio fue la función social más alta el año anterior, así como un funcionamiento más alto durante la vida.1
1. Koutsouleris N, Kambeitz-Ilankovic L, Ruhrmann S, Rosen M, Ruef A, Dwyer DB, et al. Prediction Models of Functional Outcomes for Individuals in the Clinical Hi-gh-Risk State for Psychosis or With Recent-Onset Depression: A Multimodal, Multisite Machine Learning Analysis. JAMA Psychiatry. 2018 Nov 1;75(11):1156-1172.
Evolución variable
Aprendizaje automático
Intervención temprana
Algoritmo de aprendizaje automático
Función social
Predictores
Implementación (PRONIA)
Algoritmo: Datos clínicos
Algoritmo: Datos clínicos + IRM
Algoritmo: IRM
ALGORITMO: IRM I
Ý Los modelos de predicción basados en IRM predijeron los resulta-dos de funcionamiento social en los grupos de pacientes de alto riesgo con una BAC de 76,2%, similar valor predictivo al reportado con los datos clínicos.1
Ý En este caso la sensibilidad y la especificidad fueron diferentes a las encontradas con los datos clínicos (sensibilidad 80,3%; especi-ficidad 72%).1
Ý El algoritmo clínico es más específico y el algoritmo con datos de IRM es más sensible.1
1. Koutsouleris N, Kambeitz-Ilankovic L, Ruhrmann S, Rosen M, Ruef A, Dwyer DB, et al. Prediction Models of Functional Outcomes for Individuals in the Clinical Hi-gh-Risk State for Psychosis or With Recent-Onset Depression: A Multimodal, Multisite Machine Learning Analysis. JAMA Psychiatry. 2018 Nov 1;75(11):1156-1172.
Evolución variable
Aprendizaje automático
Intervención temprana
Algoritmo de aprendizaje automático
Función social
Predictores
Implementación (PRONIA)
Algoritmo: Datos clínicos
Algoritmo: Datos clínicos + IRM
Algoritmo: IRM
ALGORITMO: IRM II
ÝUna reducción del volumen de materia gris prefrontal medial y tem-poro-parieto-occipital, así como el aumento del volumen de materia gris cerebelar y prefrontal dorsolateral predice peor funcionamiento social en pacientes de alto riesgo.1
Ý Esto parece estar relacionado con una maduración sináptica defi-ciente.1
Comparación de firmas neuroanatómicas predictivas en grupos de pacientes, detectadas por elmodelo basado en imágenes de resonancia magnética estructural1
1. Koutsouleris N, Kambeitz-Ilankovic L, Ruhrmann S, Rosen M, Ruef A, Dwyer DB, et al. Prediction Models of Functional Outcomes for Individuals in the Clinical Hi-gh-Risk State for Psychosis or With Recent-Onset Depression: A Multimodal, Multisite Machine Learning Analysis. JAMA Psychiatry. 2018 Nov 1;75(11):1156-1172.
Evolución variable
Aprendizaje automático
Intervención temprana
Algoritmo de aprendizaje automático
Función social
Predictores
Implementación (PRONIA)
Algoritmo: Datos clínicos
Algoritmo: IRM
Algoritmo: Datos clínicos + IRM
ALGORITMO: DATOS CLÍNICOS + IRM
Ý Teniendo en cuenta ambos dominios, se combinaron las prediccio-nes de ambos sistemas.1
Ý Los modelos combinados que predicen las puntuaciones de fun-cionamiento social predijeron los resultados de los pacientes de alto riesgo con una BAC del 82,7%. Sensibilidad: 83,2%; especificidad: 82,0%.1
ÝDebido a que las técnicas de IRM son costosas, y que a veces no se cuenta con sus datos a menos que el valor predictivo de los datos clínicos no sea del todo preciso, también se evaluó el valor pronós-tico de un modelo secuencial.1
Ý En estos casos se observó que, en términos de predictibilidad, has-ta un 60% de la población se puede beneficiar de la realización de un escáner.1
1. Koutsouleris N, Kambeitz-Ilankovic L, Ruhrmann S, Rosen M, Ruef A, Dwyer DB, et al. Prediction Models of Functional Outcomes for Individuals in the Clinical Hi-gh-Risk State for Psychosis or With Recent-Onset Depression: A Multimodal, Multisite Machine Learning Analysis. JAMA Psychiatry. 2018 Nov 1;75(11):1156-1172.
La información tiene fines exclusivamente educativos. Las opiniones expresadas en este material pertenecen a los autores y no necesariamente reflejan las opiniones y recomendaciones del laboratorio.
Material elaborado por el staff médico de EP Health Marketing SL.
Producción Editorial: EP Health Marketing, SL. Diseño Editorial: EP Health Marketing, SL.
Copyright 2020 12761.4_LBK_ESP_v2.2 [Koutsouleris]
ES-A
M-2
00
00
52
E
S-A
BIM
-018
7