Associations between substance use and oppositional defiant disorder among U.S. adolescents: A national study of high-prevalence subgroups

Resumen Técnico: Asociaciones entre el consumo de sustancias y el Trastorno Oposicionista Desafiante entre adolescentes de EE. UU.

Planteamiento del problema
La adolescencia es un período de desarrollo caracterizado por una mayor vulnerabilidad a los trastornos de salud mental (TSM) y a las conductas de riesgo, incluyendo el abuso de sustancias. El Trastorno Oposicionista Desafiante (TOD), definido por un estado de ánimo irritable, comportamiento argumentativo y actitud de la enemistad, suele coexistir con los Trastornos por Consumo de Sustancias (TCS). Si bien se reconoce el vínculo entre el comportamiento disruptivo y el inicio temprano del consumo de sustancias, existe una falta de estudios nacionales que utilicen enfoques estadísticos avanzados y de aprendizaje automático (ML) para: (1) determinar qué sustancias específicas (alcohol, cannabis, cocaína, opioides) están más fuertemente asociadas con el TOD tras controlar los factores de confusión, y (2) identificar subgrupos específicos de adolescentes con la mayor prevalencia predicha de TOD basándose en interacciones complejas de variables demográficas y patrones de consumo de sustancias.

Metodología
Este estudio transversal analizó los datos del Conjunto de Datos de Clientes de Salud Mental de 2023 (MH-CLD), un conjunto de datos nacional que comprende 226,207 adolescentes de 12 a 19 años que utilizaron servicios de salud mental. El estudio se centró en individuos de los grados 9 a 11 para alinear la edad y el nivel educativo.

• Variables:
  • Resultado: Diagnóstico de TOD (código ICD-10-CM F91.3) registrado como una variable binaria.
  • Predictores: Consumo en el último año de alcohol, cannabis, cocaína y opioides (dicotomizado en sí/no).
  • Covariables: Edad (12–19), sexo (masculino/femenino) y raza (Blanco vs. No Blanco).
• Enfoque estadístico:
  • Propensity Score Matching (PSM): Dada la gran muestra y la baja prevalencia de TOD (6.3%), se empleó un emparejamiento de vecino más cercano 1:1 (calibrador = 0.2 DE) para equilibrar las características demográficas entre usuarios y no usuarios de sustancias, reduciendo la confusión.
  • Regresión logística multivariable: Se utilizó para estimar las razones de momios ajustadas (aOR) para la asociación entre cada sustancia y el TOD dentro de las cohortes emparejadas.
  • Aprendizaje Automático (ML): Se aplicó un enfoque de árbol de regresión (RT) al conjunto de datos completo (70% entrenamiento, 30% prueba) para identificar relaciones no lineales e interacciones de orden superior. El modelo tenía como objetivo estratificar la población en subgrupos con distintas probabilidades de prevalencia de TOD basadas en combinaciones de sexo, edad y consumo de sustancias.
  • Evaluación del modelo: El rendimiento del modelo de ML se evaluó mediante el Área Bajo la Curva (AUC) para la discriminación y gráficos de calibración para la precisión de la probabilidad.

Resultados clave

• Prevalencia: En la cohorte total, el 6.27% (n=14,194) fue diagnosticado con TOD. El consumo de cannabis fue la sustancia más común reportada (4.23%), seguido por el alcohol (1.63%), opioides (0.51%) y cocaína (0.05%).
• Regresión logística (Cohorte emparejada):
  • Cannabis: Mostró la asociación más fuerte con el TOD. Los consumidores de cannabis presentaron una prevalencia de TOD significativamente mayor en comparación con los no consumidores (10.9% vs. 7.1%) con una razón de momios ajustada (aOR) de 1.60 (95% IC: 1.44–1.78).
  • Alcohol: Asociado con un incremento modesto pero estadísticamente significativo en la probabilidad de TOD (11.6% vs. 10.1%; aOR = 1.17, 95% IC: 1.01–1.36).
  • Opioides y Cocaína: Aunque el consumo de opioides mostró una prevalencia ligeramente mayor en los usuarios (10.4% vs. 9.2%), la asociación no fue estadísticamente significativa (aOR = 1.14, p=0.384). El consumo de cocaína no mostró asociación significativa (aOR = 0.32, p=0.169), probablemente debido a la extremadamente baja prevalencia (0.05%) que limita el poder estadístico.
• Análisis de Aprendizaje Automático (ML):
  • El árbol de regresión identificó el sexo como la principal variable de división, seguido por el consumo de cannabis, el consumo de alcohol y la edad.
  • Subgrupo de mayor riesgo: Adolescentes varones de 12 a 17 años que reportaron consumo de alcohol pero no de cannabis tuvieron la mayor prevalencia predicha de TOD (aproximadamente 20%).
  • Segundo mayor riesgo: Adolescentes varones de 12 a 17 años que reportaron únicamente consumo de cannabis (aproximadamente 17%).
  • Menor riesgo: Mujeres de 18 a 20 años sin consumo reportado de alcohol o cannabis (aproximadamente 1–2%).
• Rendimiento del modelo: El modelo de ML demostró una discriminación aceptable (AUC = 0.73) y una buena calibración, lo que indica estimaciones de probabilidad fiables a través de los deciles de riesgo.

Significancia y afirmaciones
Los autores afirman que este estudio es uno de los primeros en combinar el emparejamiento por puntaje de propensión con el aprendizaje automático en una muestra representativa a nivel nacional para evaluar exhaustivamente las asociaciones entre sustancias y el TOD. Las contribuciones clave incluyen:

1. Cuantificación de asociaciones: Confirmar que el consumo de cannabis tiene la asociación estadística más fuerte con el TOD entre los adolescentes de EE. UU., mientras que el consumo de alcohol también representa un riesgo independiente significativo.
2. Identificación de subgrupos: Ir más allá de las estadísticas agregadas para identificar perfiles de alto riesgo específicos. El hallazgo de que los adolescentes varones (12–17 años) que consumen alcohol sin cannabis representan el subgrupo de mayor probabilidad para el TOD ofrece un objetivo matizado para el cribado.
3. Utilidad clínica: Los autores sugieren que estos hallazgos respaldan la implementación de cribados dirigidos de salud conductual y consumo de sustancias en entornos escolares. Los perfiles de subgrupos identificados podrían ayudar a los clínicos pediátricos a priorizar a los adolescentes para evaluaciones integrales.

Limitaciones reconocidas
El artículo señala explícitamente que el diseño transversal impide realizar inferencias causales respecto a la temporalidad. Es posible que exista una confusión residual potencial debida a factores no medidos (por ejemplo, estatus socioeconómico, salud mental de los padres). Además, el conjunto de datos carece de granularidad sobre la frecuencia y severidad del consumo de sustancias, y la dependencia de los datos de instalaciones de tratamiento puede introducir un sesgo de selección, subestimando potencialmente la carga total de los trastornos en la población general. Los autores afirman que son necesarios estudios longitudinales futuros y la validación externa del modelo de ML para confirmar estos perfiles de subgrupos y evaluar su utilidad clínica.