¿Por qué fallan los modelos cerebrales?

El estudio encontró que los modelos cerebrales fallaron a cualquiera que no encajara en el estereotipo.

No existe un modelo de cerebro único para todos.

El aprendizaje automático ha ayudado a los científicos a comprender cómo el cerebro genera características humanas complejas, revelando patrones de actividad cerebral vinculados a acciones como la memoria de trabajo, rasgos como la impulsividad y estados como la depresión. Los científicos pueden usar estos métodos para desarrollar modelos de estas relaciones, que luego pueden usarse para hacer predicciones sobre el comportamiento y la salud de las personas.

Sin embargo, solo funcionan si los modelos son representativos de todos, e investigaciones anteriores han demostrado que no es así. Para cada modelo, hay algunos individuos inadecuados.

investigadores de Universidad de Yale Analizaron en quién tienden a fallar estos modelos, por qué sucede esto y qué se puede hacer para solucionarlo en un estudio publicado recientemente en la revista. templar la naturaleza.

Según el autor principal de la investigación, MD. Estudiante de la Facultad de Medicina Abigail Greene de la Universidad de Yale, los modelos deben ser aplicables a cualquier persona en particular para que sean de máxima utilidad.

«Si queremos trasladar este tipo de trabajo a una aplicación clínica, por ejemplo, debemos asegurarnos de que el modelo se aplique al paciente que tenemos sentado frente a nosotros», dijo.

Green y sus colegas están estudiando dos enfoques que creen que pueden ayudar a los modelos a proporcionar una clasificación psicológica más precisa. El primero es clasificar los grupos de pacientes con mayor precisión. Por ejemplo, el diagnóstico de esquizofrenia cubre una amplia gama de síntomas y puede variar mucho de una persona a otra. Los investigadores pueden clasificar a las personas de manera más precisa si tienen un mejor conocimiento de los fundamentos neurales de la esquizofrenia, incluidos sus síntomas y subtipos.

Segundo, ciertas características, como la impulsividad, son características de una variedad de condiciones. Comprender la base neuronal de la impulsividad puede ayudar a los médicos a tratar estos síntomas de manera más efectiva, independientemente del diagnóstico médico.

«Y ambos avances tendrán implicaciones para las respuestas al tratamiento», dijo Green. «Cuanto más podamos entender mejor a estos subgrupos de personas que pueden o no tener los mismos diagnósticos, mejor podremos diseñar terapias que sean apropiadas para ellos».

Pero primero, los modelos tienen que ser generalizables para todos, dijo.

Para comprender la falla del modelo, Green y sus colegas primero entrenaron modelos que pueden usar patrones de actividad cerebral para predecir qué tan bien una persona logrará una variedad de pruebas cognitivas. Cuando se probaron, los modelos predijeron correctamente qué tan bien la mayoría de las personas marcarían goles. Pero para algunas personas, estaban equivocados, esperando erróneamente que las personas obtuvieran una puntuación baja cuando en realidad tenían una buena puntuación, y viceversa.

Luego, el equipo de investigación analizó qué modelos no lograron categorizar correctamente.

«Descubrimos que había consistencia: las mismas personas estaban mal clasificadas en las tareas y en los análisis», dijo Green. «Y las personas que fueron clasificadas incorrectamente en un conjunto de datos tienen algo en común con aquellas que fueron clasificadas incorrectamente en otro conjunto de datos. Entonces, hubo algo realmente significativo en la clasificación incorrecta».

Luego, buscaron ver si estas clasificaciones erróneas similares podrían explicarse por diferencias en los cerebros de estos individuos. Pero no hubo diferencias consistentes. En cambio, encontraron que la clasificación errónea estaba relacionada con factores sociodemográficos como la edad y la educación, y con factores clínicos como la gravedad de los síntomas.

Finalmente, concluyeron que los modelos no reflejan únicamente la capacidad cognitiva. En cambio, explicó Green, reflejaban «perfiles» más complejos, una especie de combinación de habilidades cognitivas y diferentes factores sociales, demográficos y clínicos.

«Las modelos decepcionaron a cualquiera que no encajara en este estilo estereotípico», dijo.

A modo de ejemplo, los modelos utilizados en el estudio asociaron más educación con puntajes más altos en las pruebas cognitivas. Cualquier individuo con menos educación y buenas calificaciones no encajaba en el perfil del modelo y, por lo tanto, a menudo se predecía erróneamente que obtendría una puntuación baja.

Agregando a la complejidad del problema, el modelo no tenía acceso a la información sociodemográfica.

«Las variables sociodemográficas se incluyen en la puntuación de la prueba cognitiva», explicó Green. Esencialmente, los sesgos en cómo se diseñan, administran, califican e interpretan las pruebas cognitivas pueden filtrarse en los resultados obtenidos. Y el sesgo también es un problema en otras áreas; La investigación ha revelado cómo el sesgo de los datos de entrada afecta a los modelos utilizados en la justicia penal y la atención de la salud, por ejemplo.

«Entonces, los puntajes de las pruebas en sí mismos son compuestos de la capacidad cognitiva y estos otros factores, y el modelo predice el compuesto», dijo Green. Esto significa que los investigadores deben pensar detenidamente sobre lo que realmente se mide con una prueba determinada y, a su vez, sobre lo que predice el modelo.

Los autores del estudio ofrecen varias recomendaciones sobre cómo mitigar el problema. Sugieren que durante la fase de diseño del estudio, los científicos deberían usar estrategias que reduzcan el sesgo y aumenten la validez de las medidas que usan. Una vez que los investigadores han recopilado datos, a menudo deben usar métodos estadísticos que corrigen las características estereotipadas restantes.

Tomando estas medidas, dicen los investigadores, conducirá a modelos que reflejen mejor la estructura cognitiva bajo estudio. Pero señalan que la eliminación completa del sesgo es poco probable, por lo que debe reconocerse al interpretar los resultados del modelo. Además, para algunas medidas, puede resultar que sea necesario más de un modelo.

“Llegará un punto en el que solo necesitará diferentes modelos para diferentes grupos de personas”, dijo Todd Constable, profesor de radiología e imágenes biomédicas en la Facultad de Medicina de la Universidad de Yale y autor principal del estudio. «Un modelo no sirve para todos».

Referencia: “Los modelos cerebrales de fenotipo fallan para las personas que desafían los modelos estereotipados” por Abigail S. Green, Shailene Shen, Stephanie Noble, Corey Horen, C. , Daniel S. Barron, Gerard Sanakura, Vinod H. Srihari, Scott W. Woods, Dustin Shainost y R Todd Constable, 24 de agosto de 2022, disponible aquí. templar la naturaleza.
DOI: 10.1038 / s41586-022-05118-w