Uso de inteligencia artificial y procesamiento del lenguaje natural para identificar mujeres en posparto con trastorno de estrés postraumático relacionado con el parto

El trastorno de estrés postraumático (TEPT) es común entre las mujeres en edad fértil. Si bien somos cada vez más cuidadosos en detectar síntomas depresivos durante el embarazo y el posparto, preguntamos con menos frecuencia sobre los síntomas de PTSD. Después del nacimiento o PTSD relacionado con el parto (CB-PTSD) es poco común y puede ser precipitado por una experiencia de parto estresante o traumática. Sharon Dekel, PhD, directora del Programa de investigación sobre trastornos de estrés traumático posparto en Mass General, y su equipo descubrieron que, si bien el trastorno de estrés postraumático relacionado con el nacimiento puede surgir después de partos asociados con complicaciones médicas más graves o la muerte del bebé (nacimiento muerto); El trastorno de estrés postraumático también puede ocurrir después de lo que muchos consideran un parto sin complicaciones.

De hecho, hasta el 17% de las mujeres en muestras comunitarias experimentan síntomas de CB-PTSD, incluso después de haber dado a luz a un bebé sano a término (Dekel y otros, 2017).

El trastorno de estrés postraumático relacionado con el parto puede convertirse en una condición permanente y debilitante; sin embargo, no realizamos pruebas de detección de forma rutinaria para detectar esta afección y no contamos con herramientas validadas para detectar de manera rápida y eficiente el trastorno de estrés postraumático relacionado con el nacimiento. Dekel y su equipo han estado examinando cómo se puede utilizar el uso de relatos narrativos personales escritos de experiencias de parto para identificar a mujeres con trastorno de estrés postraumático relacionado con el parto. Para ello, desarrollaron un modelo basado en procesamiento del lenguaje natural (PNL) y algoritmos de aprendizaje automático para identificar el trastorno de estrés postraumático relacionado con el parto. La PNL es una rama de la inteligencia artificial que utiliza algoritmos y técnicas como el aprendizaje automático y el análisis de texto para interpretar y analizar contenido en lenguaje natural a partir de narrativas, documentos y otras fuentes.

Uso del procesamiento del lenguaje natural para identificar personas con CB-PTSD

En un estudio exploratorio, Bartal y colegas (2023) analizaron narrativas proporcionadas por mujeres que habían dado a luz en los últimos seis meses y que estaban inscritas en un estudio de encuesta realizado durante la pandemia de COVID-19. Un total de 1.127 participantes completaron una encuesta anónima basada en Internet y proporcionaron información sobre su salud mental y sus experiencias de parto. Al final de esta encuesta, los participantes tuvieron la oportunidad de proporcionar una breve narración escrita del nacimiento en la que se les indicó que se centraran en los aspectos más angustiosos de su experiencia del parto. Este enfoque es una estrategia comúnmente utilizada para estudiar las secuelas del trauma en muestras no posnatales. Se utilizó la lista de verificación de PTSD para el DSM-5 (PCL-5 con una puntuación de corte de 31) para identificar a las mujeres con CB-PTSD.

Los investigadores observaron que las mujeres con PTSD relacionado con el nacimiento tendían a generar narrativas más largas y usaban más expresiones emocionales negativas y palabras relacionadas con la muerte para describir su experiencia de parto en comparación con aquellas sin CB-PTSD. Se utilizó el aprendizaje automático para construir, entrenar y probar diferentes modelos derivados del procesamiento del lenguaje natural utilizando las narrativas de nacimiento recopiladas. Pudieron generar un modelo que logró un buen rendimiento (área bajo la curva, 0,75; puntuación F1, 0,76; sensibilidad, 0,8; especificidad, 0,70). El área bajo la curva o AUC refleja la capacidad de una prueba para discriminar entre casos y no casos. En general, se considera aceptable un AUC de 0,7 a 0,8. En un estudio posterior (Bartal et al, 2024), pudieron mejorar el rendimiento del modelo, con un AUC de 0,8.

Implicaciones clínicas

Los estudios realizados por el equipo de Dekel indican que las narrativas personales de la experiencia del parto se pueden analizar utilizando métodos computacionales avanzados y se pueden utilizar para identificar a mujeres con CB-PTSD con una precisión relativamente alta. Por lo tanto, las narrativas de las experiencias del nacimiento pueden ser una herramienta prometedora para evaluar la salud mental materna. Si bien la detección universal con un instrumento como la Lista de verificación de PTSD para el DSM-5 (PCL-5) también se puede utilizar para identificar a mujeres con PTSD relacionado con el parto, Dekel y su equipo sostienen que las narrativas personales pueden tener ventajas específicas en este entorno.

Para quienes han experimentado un evento traumático, el estilo narrativo y el lenguaje que usan las personas al relatar eventos traumáticos pueden brindarles una visión más profunda de su bienestar mental. Las investigaciones han demostrado que la forma en que las personas recuerdan y describen eventos traumáticos está relacionada con la expresión de sus síntomas de estrés postraumático. De hecho, ciertas características lingüísticas capturadas en las narrativas obtenidas inmediatamente después de un evento traumático reflejan la vulnerabilidad de un individuo al trastorno de estrés postraumático y la depresión, incluso antes de que haya ocurrido el procesamiento cognitivo del evento.

La recopilación de relatos breves escritos sobre los nacimientos se puede realizar de forma remota, potencialmente antes de una visita médica. Esta estrategia ayuda a identificar a las personas con alto riesgo de padecer CB-PTSD, pero también ayuda a facilitar la discusión sobre una experiencia potencialmente difícil o dolorosa. Debido a que el CB-PTSD puede ocurrir en el contexto de lo que los profesionales médicos consideran un embarazo «normal» o sin complicaciones, es posible que los proveedores desconozcan las experiencias subjetivas de sus pacientes y este enfoque puede ayudar a facilitar la conversación.

Aunque es probable que la detección temprana y masiva del CB-PTSD mejore las tasas de diagnóstico y facilite tratamiento, no existe un protocolo médico recomendado para la detección de CB-PTSD en hospitales y clínicas de salud. La oportunidad de evaluar a las mujeres mientras todavía están en contacto con proveedores obstétricos es importante, ya que ese contacto parece mucho más difícil de establecer más adelante, cuando los trastornos pueden volverse crónicos y a menudo comórbidos y, por lo tanto, más difíciles de tratar. Establecer la precisión potencial de la recopilación de datos no invasiva y de bajo costo basada en narrativas de nacimiento para identificar a las mujeres con CB-PTSD puede servir como un primer paso importante para complementar evaluaciones clínicas más extensas y métodos de orientación biológica.

Nuestra estrategia de evaluar las narrativas del nacimiento permitió la posibilidad de introducir una evaluación con una carga mínima durante un período agudo de rápido ajuste fisiológico y psicológico. El análisis de PNL de texto generado por sujetos está comenzando a usarse para el diagnóstico de enfermedades en contextos de investigación, y su aplicación para detectar CB-PTSD es novedosa. Nuestra estrategia puede tener el potencial de implementarse fácilmente en la rutina. atención obstétrica y puede justificar el desarrollo de un modelo de negocio para facilitar su adopción generalizada. Además, aún no se han explorado en detalle las disparidades raciales y étnicas relacionadas con el trauma asociado con el parto. Nuestro modelo tiene el potencial de mejorar la evaluación del riesgo de CB-PTSD, particularmente en poblaciones minoritarias, al tener en cuenta estas consideraciones.

El análisis de texto libre que utiliza el procesamiento del lenguaje natural (PLN) basado en aprendizaje automático (ML) es prometedor para el diagnóstico de afecciones psiquiátricas. Chat Generative Pre-trained Transformer (ChatGPT) ha demostrado una viabilidad inicial preliminar para este propósito; sin embargo, aún está por determinar si puede evaluar con precisión las enfermedades mentales. Este estudio evalúa la eficacia de ChatGPT y el modelo text-embedding-ada-002 (ADA) en la detección del trastorno de estrés postraumático posparto (CB-PTSD), una enfermedad mental posterior al nacimiento de la madre que afecta a millones de mujeres cada año, sin ningún protocolo de detección estándar.

Los investigadores utilizaron una muestra de 1.295 mujeres que habían dado a luz en los últimos seis meses y tenían al menos 18 años. Las mujeres fueron reclutadas a través de anuncios de hospitales, redes sociales y organizaciones profesionales.

Exploramos el potencial de ChatGPT y ADA para detectar CB-PTSD mediante el análisis de narrativas de nacimientos maternos. Los contribuyentes a este proyecto incluyen a Alon Bartal, Kathleen Jagodnik, Sabrina Chan, Mrithula Babu y Sharon Dekel.

Ruta Nonacs, MD PhD

Referencias

Bartal A, Jagodnik KM, Chan SJ, Dekel S. La IA y las incorporaciones narrativas detectan el trastorno de estrés postparto a través de historias de nacimiento. Representante de ciencia ficción 11 de abril de 2024; 14 (1): 8336.

Bartal A, Jagodnik KM, Chan SJ, Babu MS, Dekel S. Identificación de mujeres con trastorno de estrés postraumático posparto mediante el procesamiento del lenguaje natural de narrativas personales del parto. Soy J Obstet Gynecol MFM. 2023 marzo;5(3):100834.

El modelo de IA tiene potencial para detectar el riesgo de trastorno de estrés postraumático relacionado con el nacimiento (Aviso a los medios de los NIH)