Evaluación del curso del trastorno bipolar tipo I

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 comporta...

Full description

Autores:
Hernández-Cuellar, Camilo Eduardo
Tipo de recurso:
Doctoral thesis
Fecha de publicación:
2023
Institución:
Universidad de Antioquia
Repositorio:
Repositorio UdeA
Idioma:
spa
OAI Identifier:
oai:bibliotecadigital.udea.edu.co:10495/40072
Acceso en línea:
https://hdl.handle.net/10495/40072
Palabra clave:
Trastorno bipolar
Bipolar disorder
Cognición
Cognition
Investigación biomédica traslacional
Translational research, biomedical
Medicina de precisión
Precision medicine
Índice de severidad de la enfermedad
Severity of illness index
https://id.nlm.nih.gov/mesh/D001714
https://id.nlm.nih.gov/mesh/D003071
https://id.nlm.nih.gov/mesh/D057170
https://id.nlm.nih.gov/mesh/D057285
https://id.nlm.nih.gov/mesh/D012720
Rights
embargoedAccess
License
http://creativecommons.org/licenses/by-nc-sa/2.5/co/
Description
Summary: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.