Predicción de episodios depresivos basada en características clínicas, rasgos cognitivos, proteínas relacionadas con la inflamación y datos EEG

Por qué convertir las ondas cerebrales y los análisis de sangre en pistas sobre el estado de ánimo

La depresión afecta a cientos de millones de personas, pero los médicos todavía la diagnostican principalmente mediante conversaciones con los pacientes y cuestionarios. Este estudio explora si patrones ocultos en problemas de sueño, habilidades cognitivas, actividad cerebral y moléculas del sistema inmune en la sangre pueden combinarse con técnicas informáticas modernas para ofrecer una señal más objetiva de cuándo alguien está experimentando un episodio depresivo. Si esa señal resulta fiable, podría ayudar en el futuro a detectar la depresión antes y a personalizar los tratamientos con mayor precisión.

Integrando muchos tipos de pistas

Los investigadores siguieron a 115 adultos con depresión mayor y los compararon con 66 voluntarios sanos. Para cada persona, recopilaron un amplio conjunto de información: escalas de síntomas para depresión, ansiedad, anhedonia e insomnio; pruebas detalladas de memoria, atención y pensamiento visoespacial; una forma especial de registro cerebral llamada microestados EEG que sigue cambios rápidos en las redes cerebrales; y niveles de más de 30 proteínas relacionadas con la inflamación circulantes en la sangre. Cincuenta y seis pacientes fueron reevaluados tras cuatro semanas de tratamiento antidepresivo. La primera tanda de datos de los pacientes junto con todos los voluntarios sanos se utilizó para entrenar modelos informáticos, mientras que los datos de seguimiento más el mismo grupo sano se usaron para probar qué tan bien esos modelos podían reconocer la depresión en mediciones nuevas.

Cómo buscaron las computadoras una huella de la depresión

Dado que el conjunto de datos era rico pero de tamaño moderado, el equipo primero lo limpió cuidadosamente, eliminando mediciones que faltaban con frecuencia y rellenando huecos menores con métodos estadísticos establecidos. A continuación usaron una técnica llamada regresión Lasso para reducir docenas de medidas candidatas a un conjunto más pequeño que aportara la mayor información sobre quién estaba deprimido y quién no. A partir de ahí se centraron en ocho características destacadas: gravedad del insomnio, rendimiento en una tarea visoespacial que evalúa la capacidad para procesar y construir información visual, la duración media de un patrón EEG específico llamado microestado D, y cinco proteínas relacionadas con la inflamación en sangre (IL-8, IL-18, MMP-8, CD40 y CASP-8). Estas características se introdujeron luego en seis algoritmos de aprendizaje automático diferentes que aprenden a reconocer patrones que distinguen a los participantes deprimidos de los sanos.

Lo que el modelo aprendió sobre el cuerpo y el cerebro en la depresión

Los seis modelos informáticos funcionaron bien, pero durante la validación con los datos de seguimiento destacó el modelo k-vecinos más cercanos, que clasificó correctamente alrededor del 95% de los casos y mostró una separación casi perfecta entre participantes deprimidos y no deprimidos. Para indagar qué señales eran más importantes, los investigadores emplearon un método explicativo que trata cada característica como un “jugador” que contribuye a la decisión del modelo. Dos proteínas inmunes, IL-8 e IL-18, surgieron como especialmente influyentes, seguidas por la puntuación de insomnio, la proteína MMP-8, el receptor inmunitario CD40, la enzima CASP-8, la capacidad de pensamiento visoespacial y la duración media del microestado D en el EEG. Cuando se eliminaron todas las proteínas inflamatorias del modelo, su rendimiento cayó drásticamente, lo que muestra que los marcadores del sistema inmunitario no eran meros ecos redundantes de otras medidas clínicas o cerebrales, sino que aportaban información única.

Qué podría significar esto para el sueño, el pensamiento y la inflamación

El patrón de resultados encaja con un creciente cuerpo de trabajo que vincula la inflamación crónica de bajo grado y las redes cerebrales alteradas con la depresión. Las personas con depresión en este estudio tendieron a dormir mal, pensar con menos claridad en ciertas tareas visoespaciales, mostrar un tiempo alterado del microestado D en su EEG y presentar niveles cambiados de varias proteínas inmunes en la sangre. En lugar de depender de una única medida, el patrón combinado a través de estos dominios creó una señal potente de un episodio depresivo. Los hallazgos también subrayan cómo el insomnio y los cambios cognitivos sutiles no son solo efectos secundarios, sino piezas centrales del rompecabezas de la depresión.

Cómo podría ayudar este trabajo en la atención futura

Para un lector no especialista, la conclusión es que la depresión deja una huella en el cuerpo y en el cerebro que puede detectarse con pruebas elegidas con cuidado y análisis informáticos inteligentes. El estudio sugiere que un panel relativamente pequeño de puntuaciones de sueño, medidas cognitivas, rasgos de las ondas cerebrales y proteínas sanguíneas puede, en conjunto, distinguir a personas con depresión de individuos sanos con alta precisión. Aunque el trabajo se realizó en un único hospital y debe confirmarse en grupos más grandes y diversos y durante periodos más largos, muestra un camino hacia herramientas más objetivas e informadas por la biología que podrían, algún día, apoyar —pero no reemplazar— la entrevista clínica en el diagnóstico y seguimiento de la depresión.

Cita: Sun, W., Yang, H., Sun, C. et al. Prediction of depressive episodes based on clinical features, cognitive characteristics, inflammation-related proteins, and EEG data. Transl Psychiatry 16, 202 (2026). https://doi.org/10.1038/s41398-026-03960-4

Palabras clave: trastorno depresivo mayor, biomarcadores, inflamación, microestados EEG, aprendizaje automático