Refining E-detectioN Tools for Emerging mental disoRders (ENTER) to identify young people at clinical high risk for psychosis in the community: model development and internal validation

Resumen Técnico: ENTER – Detección del Riesgo de Psicosis en la Comunidad

Planteamiento del Problema
La detección temprana de individuos con Riesgo Clínico para la Psicosis (CHR-P) es fundamental para mejorar los resultados a largo plazo y permitir la atención preventiva. Sin embargo, las tasas de detección actuales son bajas (se identifica entre el 5 y el 14% de los casos de primer episodio durante la fase de CHR-P), debido en gran medida a la dependencia de vías de derivación idiosincrásicas y dependientes de recursos. Las herramientas de cribado comunitario existentes, como el Cuestionario Prodrómico-16 (PQ-16) con un punto de corte de ≥6, ofrecen una sensibilidad aceptable pero una especificidad deficiente, lo que genera altas tasas de falsos positivos y un triaje ineficiente. Existe la necesidad de enfoques de cribado digital escalables que integren datos multimodales (síntomas, cognición y factores ambientales) para mejorar la discriminación y la utilidad clínica en entornos comunitarios.

Metodología
El estudio desarrolló y validó internamente la Herramienta de Detección E-DetectioN para Trastornos mentales Emergentes (ENTER), un cribador digital multimodal, utilizando datos de 2.522 participantes de entre 12 y 35 años reclutados en el Reino Unido (Glasgow, Londres) e Italia (Pavia) entre abril de 2022 y diciembre de 2024.

• Recopilación de Datos: Los participantes completaron un cribador en línea que evaluaba:
  • Síntomas: Puntuación del PQ-16 y malestar asociado al PQ-16.
  • Cognición: Velocidad de procesamiento mediante el Test de Sustitución de Símbolos Digitales (DSST).
  • Entorno: Puntuación de Polirriesgo de Psicosis (PPS) que comprende 20 factores de riesgo ambientales (p. ej., migración, privación, edad parental, urbanidad).
• Evaluación del Estándar de Oro: Los participantes con una puntuación ≥6 en el PQ-16 fueron invitados a una entrevista de Evaluación Integral de Estados Mentales de Riesgo (CAARMS). Un subconjunto aleatorio de aquellos con puntuaciones inferiores al umbral también fue evaluado para mitigar el sesgo de selección.
• Etiquetado: De los 2.522 participantes, 495 se sometieron a la evaluación CAARMS (124 CHR-P+, 371 CHR-P-). Los 2.027 participantes restantes se consideraron "no etiquetados".
• Desarrollo del Modelo:
  • Algoritmos: Regresión logística penalizada (Elastic Net), Random Forest y Extreme Gradient Boosting (XGBoost).
  • Estrategia de Validación: Validación cruzada anidada repetida (5 pliegues, 10 repeticiones) con aprendizaje semisupervisado (SSL).
  • Aprendizaje Semisupervisado: Para utilizar el gran volumen de datos no etiquetados, se empleó un marco de pseudomarcado (pseudolabeling). Un modelo inicial entrenado con datos etiquetados generó estimaciones de riesgo para los datos no etiquetados. Las predicciones de alta confianza (el 5% superior y el 5% inferior con probabilidad ≤0.30) recibieron pseudomarcas y se combinaron iterativamente con los datos etiquetados para aumentar el conjunto de entrenamiento.
  • Referencia (Benchmark): Los modelos se compararon con el modelo de regresión logística del punto de corte estándar del PQ-16 (≥6).
• Métricas de Evaluación: Discriminación (C-índice de Harrell), calibración (intersección y pendiente), rendimiento general (puntuación Brier) y utilidad clínica (Análisis de Curva de Decisión).

Resultos Clave

• Discriminación: Los modelos multimodales ENTER superaron significativamente al punto de corte del PQ-16 por sí solo.
  • PQ-16 Punto de Corte: C-índice = 0.625 (IC 95%: 0.570–0.682).
  • ENTER Random Forest: C-índice = 0.744 (IC 95%: 0.697–0.790).
  • ENTER Regresión Logística: C-índice = 0.745 (IC 95%: 0.696–0.791).
  • ENTER XGBoost: C-índice = 0.738 (IC 95%: 0.687–0.784).
• Calibración: El modelo ENTER Random Forest demostró una calibración superior en comparación con otros modelos, con una pendiente de 1.02 (IC 95%: 0.78–1.32), lo que indica estimaciones de riesgo bien calibradas a lo largo del espectro. El punto de corte del PQ-16 mostró una calibración deficiente (pendiente = 0.39).
• Importancia de las Variables: Más allá de los factores derivados del PQ-16, los factores relacionados con la migración, los factores parentales y los factores relacionados con la privación (del PPS) fueron los mayores contribuyentes a la predicción del riesgo.
• Utilidad Clínica: El análisis de la curva de decisión indicó que, en un umbral de riesgo del 25% (donde omitir un caso se considera tres veces más perjudicial que una evaluación innecesaria), el modelo ENTER Random Forest proporcionó un beneficio neto del 1.8% sobre el punto de corte del PQ-16. Esto se traduce en la identificación de aproximadamente dos personas adicionales con CHR-P por cada 100 evaluaciones sin aumentar las evaluaciones innecesarias.
• Análisis de Subgrupos: La discriminación y la calibración no difirieron significativamente por edad, género, país o etnia, aunque el rendimiento general (puntuación Brier) fue menor para personas no binarias y asiáticas en el modelo Random Forest, probablemente debido a las limitaciones del tamaño de la muestra.

Significancia y Reivindicaciones
Los autores afirman que la herramienta ENTER demuestra el valor potencial del cribado digital multimodal y escalable para identificar individuos con CHR-P en la comunidad. Al integrar datos clínicos, cognitivos y ambientales, ENTER aborda el limitado impacto de detección de los enfoques actuales basados únicamente en síntomas.

• Mejora del Triaje: El estudio sugiere que el cribado digital multimodal puede apoyar un triaje comunitario más informativo, identificando potencialmente aproximadamente 50 individuos adicionales con CHR-P en esta muestra específica en comparación con el punto de corte del PQ-16.
• Contribución Metodológica: La aplicación exitosa de un marco de aprendizaje semisupervisado permite la incorporación de datos no etiquetados de estudios en línea a gran escala, un desafío común al vincular el cribado digital con las entrevistas clínicas de estándar de oro.
• Implicaciones de Implementación: Los autores señalan que, si bien el modelo Random Forest mostró una calibración superior, la elección del algoritmo conlleva compromisos de implementación con respecto a los falsos positivos frente a los falsos negativos. Postulan que tales herramientas podrían reducir las barreras de acceso y apoyar la asignación de recursos, particularmente para poblaciones desatendidas por los servicios de salud mental tradicionales.

El artículo concluye que, si bien ENTER es prometedor, se requiere validación externa y estudios de implementación para establecer su utilidad clínica en el mundo real. Los autores declaran explícitamente que el preprint no ha sido revisado por pares y no debe utilizarse para guiar la práctica clínica.