Filtrar por tipo de entrada
Seleccionar todo
Noticias
Páginas
Eventos
Filtrar por categorías
Seleccionar todo
AI ANALITICA
Apps móviles e Internet de las Cosas
Avance de la ciencia
Big data
Comunidades conectadas
Coronavirus
Cursos y capacitaciones
DIAGNOSTICO
Editorial inicial
Editoriales
El mundo en la nube
Eventos
Infografías
Inteligencia Artificial y Ciencia
IoTApps
Noticias
Plataformas digitales
Redes sociales
Reseña de publicaciones científicas
Resumen de Cursos
Sinopsis de ensayo
Sinopsis de Marcos de Referencia
Sinopsis de publicaciones recientes
Uso de Plataformas Digitales
Machine learning ayuda a predecir síntomas de salud mental en adolescentes

Investigadores de Yale utilizaron un modelo de machine learning para interpretar cómo la interacción de factores neurobiológicos y ambientales influyen en la salud mental de los adolescentes.

Avances en los últimos tiempos sobre la salud mental, han demostrado que tanto la neurobiología 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 técnica de aprendizaje automático o machine learning denominado aprendizaje múltiple 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 años. 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 relación de los factores neurobiológicos y ambientales y la aparición de problemas emocionales y conductuales.

Este estudio de aprendizaje múltiple, el cual consiste en un tipo de algoritmo capaz de descubrir la estructura dentro de datos biométricos complejos y multimodales, como la resonancia magnética funcional. Este algoritmo permite la visualización 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, imágenes cerebrales e información sobre los entornos de los participantes, los autores pudieron predecir las diferencias individuales en la cognición y los síntomas emocionales y conductuales.

“Las múltiples interacciones cerebro-ambiente de ciertas regiones cerebrales, por ejemplo, las redes frontoparietales y de atención, mejoraron enormemente la detección y predicción de problemas de salud mental en relación con los métodos de vanguardia anteriores”, afirmó Erica L. Busch, primera autora del estudio. “Esto subraya la importancia de considerar el cerebro adolescente en conjunto con el entorno en el que se desarrolla”.

El estudio concluyó que el modelo de aprendizaje múltiple es adecuado para la complejidad de los datos de desarrollo multimodal y además muestra un importante potencial para mejorar la investigación sobre la neurobiología de los problemas emocionales y conductuales de los adolescentes.

“Durante mucho tiempo, los científicos del desarrollo se han enfrentado al desafío de poner a prueba teorías que, en muchos sentidos, están ocultas a simple vista”, dijo May I. Conley, coautora principal del estudio. “Desde el vecindario hasta la familia, reconocemos que las experiencias de los jóvenes en sus entornos y la neurobiología influyen en el desarrollo emocional y conductual. Sin embargo, no hemos tenido métodos que capturen la complejidad de esta interacción con precisión”.

Las autoras indicaron que es necesario tomar en cuenta la complejidad de la relación entre las personas y su entorno, por lo que se necesitan nuevos métodos para manejar múltiples datos y estimar sus interacciones en los adolescentes.

Noticias destacadas

Noticias por país

Contenidos Relacionados

Secured By miniOrange