{"id":49719,"date":"2024-09-19T09:46:30","date_gmt":"2024-09-19T15:46:30","guid":{"rendered":"https:\/\/saluddigital.com\/?p=49719"},"modified":"2025-10-18T00:41:35","modified_gmt":"2025-10-18T06:41:35","slug":"machine-learning-ayuda-a-predecir-sintomas-de-salud-mental-en-adolescentes","status":"publish","type":"post","link":"https:\/\/saluddigital.com\/en\/big-data\/machine-learning-ayuda-a-predecir-sintomas-de-salud-mental-en-adolescentes\/","title":{"rendered":"Machine learning ayuda a predecir s\u00edntomas de salud mental en adolescentes"},"content":{"rendered":"
\n\t\t\t\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t\t
\n\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t

Investigadores de Yale utilizaron un modelo de machine learning para interpretar c\u00f3mo la interacci\u00f3n de factores neurobiol\u00f3gicos y ambientales influyen en la salud mental de los adolescentes.<\/h2>\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/section>\n\t\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t\t
\n\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t\t\t\t\t

Avances en los \u00faltimos tiempos sobre la salud mental, han demostrado que tanto la neurobiolog\u00eda como el entorno donde se desenvuelven los adolescentes son determinantes clave para su desarrollo emocional y conductual. En este sentido, un nuevo estudio realizado por investigadores de Yale, y publicado en la revista Biological Psychiatry: Cognitive Neuroscience and Neuroimaging<\/em><\/a>, muestra el modelado de las interacciones cerebro-ambiente utilizando una t\u00e9cnica de aprendizaje autom\u00e1tico o machine learning denominado aprendizaje m\u00faltiple o manifold<\/em> learning<\/em>, que mejora la capacidad para detectar problemas de salud mental y realizar predicciones de problemas futuros.<\/p>

El estudio detalla que el 75% de todos los trastornos de salud mental aparecen durante la adolescencia y la mitad se manifiestan antes de los 14 a\u00f1os. De esta manera, debido a la gran cantidad de riesgos asociados con estos problemas de salud mental, muchas investigaciones han optado por un enfoque relacionado con la relaci\u00f3n de los factores neurobiol\u00f3gicos y ambientales y la aparici\u00f3n de problemas emocionales y conductuales.<\/p>

Este estudio de aprendizaje m\u00faltiple, el cual consiste en un tipo de algoritmo capaz de descubrir la estructura dentro de datos biom\u00e9tricos complejos y multimodales, como la resonancia magn\u00e9tica funcional. Este algoritmo permite la visualizaci\u00f3n de datos complejos para modelar interacciones entre el cerebro y el entorno.<\/p>\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/section>\n\t\t\t\t

\n\t\t\t\t\t\t
\n\t\t\t\t\t
\n\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t\"\"\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t
\n\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t\t\t\t\t

El modelo fue entrenado con datos de un estudio sobre el desarrollo cognitivo y cerebral de los adolescentes respaldado por los Institutos Nacionales de Salud de Estados Unidos. Al aplicar el algoritmo, denominado E-PHATE, para unir y visualizar los dos tipos de datos, im\u00e1genes cerebrales e informaci\u00f3n sobre los entornos de los participantes, los autores pudieron predecir las diferencias individuales en la cognici\u00f3n y los s\u00edntomas emocionales y conductuales.<\/p>\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/section>\n\t\t\t\t

\n\t\t\t\t\t\t
\n\t\t\t\t\t
\n\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t\t\t\t\t

\u201cLas m\u00faltiples interacciones cerebro-ambiente de ciertas regiones cerebrales, por ejemplo, las redes frontoparietales y de atenci\u00f3n, mejoraron enormemente la detecci\u00f3n y predicci\u00f3n de problemas de salud mental en relaci\u00f3n con los m\u00e9todos de vanguardia anteriores\u201d, afirm\u00f3 Erica L. Busch, primera autora del estudio. \u201cEsto subraya la importancia de considerar el cerebro adolescente en conjunto con el entorno en el que se desarrolla\u201d.<\/p>

El estudio concluy\u00f3 que el modelo de aprendizaje m\u00faltiple es adecuado para la complejidad de los datos de desarrollo multimodal y adem\u00e1s muestra un importante potencial para mejorar la investigaci\u00f3n sobre la neurobiolog\u00eda de los problemas emocionales y conductuales de los adolescentes.<\/p>

\u201cDurante mucho tiempo, los cient\u00edficos del desarrollo se han enfrentado al desaf\u00edo de poner a prueba teor\u00edas que, en muchos sentidos, est\u00e1n ocultas a simple vista\u201d, dijo May I. Conley, coautora principal del estudio. \u201cDesde el vecindario hasta la familia, reconocemos que las experiencias de los j\u00f3venes en sus entornos y la neurobiolog\u00eda influyen en el desarrollo emocional y conductual. Sin embargo, no hemos tenido m\u00e9todos que capturen la complejidad de esta interacci\u00f3n con precisi\u00f3n\u201d.<\/p>

Las autoras indicaron que es necesario tomar en cuenta la complejidad de la relaci\u00f3n entre las personas y su entorno, por lo que se necesitan nuevos m\u00e9todos para manejar m\u00faltiples datos y estimar sus interacciones en los adolescentes.<\/p>\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/section>\n\t\t\t\t

\n\t\t\t\t\t\t
\n\t\t\t\t\t
\n\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t\t\t
\n\t\t\t\t\t\t\t
\n\t\t\t\t\t
\n\t\t\t\t\t\t\t\t\t\t\t\t\n\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t<\/i><\/span>\n\t\t\t\t\t\t\t\t<\/i><\/span>\n\t\t\t\t\t\t\t\t\t\t\t\t\t<\/span>\n\t\t\t\t\t\t\t\t\t\t\t\t BIBLIOGRAPHY<\/a>\n\t\t\t\t\t<\/div>\n\n\t\t\t\t\t

YALE<\/strong><\/p>

https:\/\/news.yale.edu\/2024\/09\/12\/machine-learning-method-helps-predict-mental-health-symptoms-adolescents<\/a><\/p><\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/section>\n\t\t\t\t<\/div>","protected":false},"excerpt":{"rendered":"

Investigadores de Yale utilizaron un modelo de machine learning para interpretar c\u00f3mo la interacci\u00f3n de factores neurobiol\u00f3gicos y ambientales influyen en la salud mental de los adolescentes. Avances en los \u00faltimos tiempos sobre la salud mental, han demostrado que tanto la neurobiolog\u00eda como el entorno donde se desenvuelven los adolescentes son determinantes clave para su desarrollo emocional y conductual. En este sentido, un nuevo estudio realizado por investigadores de Yale, y publicado en la revista Biological Psychiatry: Cognitive Neuroscience and Neuroimaging, muestra el modelado de las interacciones cerebro-ambiente utilizando una t\u00e9cnica de aprendizaje autom\u00e1tico o machine learning denominado aprendizaje m\u00faltiple o manifold learning, que mejora la capacidad para detectar problemas de salud mental y realizar predicciones de problemas futuros. El estudio detalla que el 75% de todos los trastornos de salud mental aparecen durante la adolescencia y la mitad se manifiestan antes de los 14 a\u00f1os. De esta manera, debido a la gran cantidad de riesgos asociados con estos problemas de salud mental, muchas investigaciones han optado por un enfoque relacionado con la relaci\u00f3n de los factores neurobiol\u00f3gicos y ambientales y la aparici\u00f3n de problemas emocionales y conductuales. Este estudio de aprendizaje m\u00faltiple, el cual consiste en un tipo de algoritmo capaz de descubrir la estructura dentro de datos biom\u00e9tricos complejos y multimodales, como la resonancia magn\u00e9tica funcional. Este algoritmo permite la visualizaci\u00f3n de datos complejos para modelar interacciones entre el cerebro y el entorno. El modelo fue entrenado con datos de un estudio sobre el desarrollo cognitivo y cerebral de los adolescentes respaldado por los Institutos Nacionales de Salud de Estados Unidos. Al aplicar el algoritmo, denominado E-PHATE, para unir y visualizar los dos tipos de datos, im\u00e1genes cerebrales e informaci\u00f3n sobre los entornos de los participantes, los autores pudieron predecir las diferencias individuales en la cognici\u00f3n y los s\u00edntomas emocionales y conductuales. \u201cLas m\u00faltiples interacciones cerebro-ambiente de ciertas regiones cerebrales, por ejemplo, las redes frontoparietales y de atenci\u00f3n, mejoraron enormemente la detecci\u00f3n y predicci\u00f3n de problemas de salud mental en relaci\u00f3n con los m\u00e9todos de vanguardia anteriores\u201d, afirm\u00f3 Erica L. Busch, primera autora del estudio. \u201cEsto subraya la importancia de considerar el cerebro adolescente en conjunto con el entorno en el que se desarrolla\u201d. El estudio concluy\u00f3 que el modelo de aprendizaje m\u00faltiple es adecuado para la complejidad de los datos de desarrollo multimodal y adem\u00e1s muestra un importante potencial para mejorar la investigaci\u00f3n sobre la neurobiolog\u00eda de los problemas emocionales y conductuales de los adolescentes. \u201cDurante mucho tiempo, los cient\u00edficos del desarrollo se han enfrentado al desaf\u00edo de poner a prueba teor\u00edas que, en muchos sentidos, est\u00e1n ocultas a simple vista\u201d, dijo May I. Conley, coautora principal del estudio. \u201cDesde el vecindario hasta la familia, reconocemos que las experiencias de los j\u00f3venes en sus entornos y la neurobiolog\u00eda influyen en el desarrollo emocional y conductual. Sin embargo, no hemos tenido m\u00e9todos que capturen la complejidad de esta interacci\u00f3n con precisi\u00f3n\u201d. Las autoras indicaron que es necesario tomar en cuenta la complejidad de la relaci\u00f3n entre las personas y su entorno, por lo que se necesitan nuevos m\u00e9todos para manejar m\u00faltiples datos y estimar sus interacciones en los adolescentes. BIBLIOGRAF\u00cdA YALE https:\/\/news.yale.edu\/2024\/09\/12\/machine-learning-method-helps-predict-mental-health-symptoms-adolescents<\/p>","protected":false},"author":1,"featured_media":49721,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[156,160],"tags":[145],"class_list":["post-49719","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-big-data","category-noticias","tag-noticias"],"aioseo_notices":[],"_links":{"self":[{"href":"https:\/\/saluddigital.com\/en\/wp-json\/wp\/v2\/posts\/49719","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/saluddigital.com\/en\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/saluddigital.com\/en\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/saluddigital.com\/en\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/saluddigital.com\/en\/wp-json\/wp\/v2\/comments?post=49719"}],"version-history":[{"count":0,"href":"https:\/\/saluddigital.com\/en\/wp-json\/wp\/v2\/posts\/49719\/revisions"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/saluddigital.com\/en\/wp-json\/wp\/v2\/media\/49721"}],"wp:attachment":[{"href":"https:\/\/saluddigital.com\/en\/wp-json\/wp\/v2\/media?parent=49719"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/saluddigital.com\/en\/wp-json\/wp\/v2\/categories?post=49719"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/saluddigital.com\/en\/wp-json\/wp\/v2\/tags?post=49719"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}