Un nuevo análisis de los datos de fMRI podría perfeccionar el tratamiento de la esquizofrenia

En un nuevo estudio, investigadores de la Universidad de Maryland, Condado de Baltimore (UMBC) han desarrollado herramientas para mejorar el análisis de datos de imágenes de resonancia magnética funcional (fMRI) y, como resultado, ahora pueden identificar subgrupos de pacientes con esquizofrenia.

Los nuevos hallazgos pueden ayudar en el diagnóstico y tratamiento de pacientes con enfermedades mentales que pueden ser difíciles de identificar y mostrar a los médicos si los tratamientos actuales han funcionado o no en base a agrupaciones de imágenes.

El estudio se publica en la revista NeuroImage.

El método de análisis de imágenes se denomina análisis de vectores independientes (IVA) para la extracción del subespacio común (CS). A través de este método, los investigadores pudieron categorizar subgrupos de datos de resonancia magnética funcional basados ​​únicamente en la actividad cerebral, lo que demuestra que existe un vínculo entre la actividad cerebral y ciertas enfermedades mentales. En particular, pudieron identificar subgrupos de pacientes con esquizofrenia analizando los datos de fMRI.

Anteriormente, no había una forma clara de agrupar la esquizofrenia en pacientes basándose únicamente en imágenes cerebrales, pero el nuevo método demuestra una conexión significativa entre la actividad cerebral de un paciente y sus diagnósticos.

"La parte más emocionante es que descubrimos que los subgrupos identificados poseen importancia clínica al observar sus síntomas de diagnóstico", dijo Qunfang Long, un Ph.D. candidato en la UMBC en ingeniería eléctrica. "Este hallazgo nos animó a esforzarnos más en el estudio de subtipos de pacientes con esquizofrenia utilizando datos de neuroimagen".

Es importante destacar que el método IVA-CS utilizado para identificar estos subgrupos también conserva matices en los datos, pero aún presenta agrupaciones estadísticamente significativas.

“Ahora que los métodos basados ​​en datos han ganado popularidad, un gran desafío ha sido capturar la variabilidad para cada tema y al mismo tiempo realizar análisis en conjuntos de datos de resonancia magnética funcional de una gran cantidad de sujetos”, dijo el Dr. Tülay Adali, profesor de ciencias de la computación e ingeniería eléctrica y director del Laboratorio de Aprendizaje Automático para Procesamiento de Señales de UMBC.

"Ahora podemos realizar este análisis de manera eficaz y podemos identificar agrupaciones significativas de sujetos".

Diagnosticar y tratar las enfermedades mentales es increíblemente complejo. La misma enfermedad se presentará de manera diferente en diferentes pacientes y, a menudo, no existe un tratamiento único que sea eficaz para todos los pacientes. Una vez que se aplica un tratamiento, determinar si es exitoso también puede variar según el paciente.

Esta investigación responde a la variabilidad brindando a los médicos una forma objetiva de analizar los resultados de fMRI para pacientes dentro de subgrupos de diagnóstico relativamente similares, y luego comparar los resultados de fMRI a lo largo del tiempo para el mismo paciente.

Considere un paciente esquizofrénico que recibe tratamiento y regresa en seis meses para ser evaluado nuevamente. Si sus datos de resonancia magnética funcional se parecen más a los del grupo de control de pacientes mentalmente sanos que a los de otros pacientes con esquizofrenia, esa es una evidencia objetiva de que el tratamiento está funcionando. A mayor escala, estos datos proporcionan una mejor visión de los resultados médicos de los pacientes como resultado del tratamiento.

A continuación, el equipo de Adali trabajará con datos longitudinales para determinar qué tratamientos funcionan mejor para subgrupos de pacientes con enfermedades mentales específicas. Este método también se utilizará en un estudio longitudinal de adolescentes para ver si existen vínculos entre las imágenes de resonancia magnética funcional y los patrones de adicción y consumo de sustancias de esos adolescentes a lo largo del tiempo.

La investigación actual de Adali y Long es con su colaborador durante mucho tiempo, el Dr. Vince Calhoun, en el Centro Triinstitucional de Investigación Traslacional en Neuroimagen y Ciencia de Datos en Atlanta.

Fuente: Universidad de Maryland, condado de Baltimore