Combinaci\u00f3n de im\u00e1genes cerebrales y datos sociodemogr\u00e1ficos para aproximar construcciones relacionadas con la salud mental. Cr\u00e9dito: Adaptado de la Fig. 1 en Dadi et al. GigaScience 2021 <\/p>\n
Un estudio publicado hoy por una colaboraci\u00f3n interdisciplinaria, dirigida por Denis Engemann de Inria, demuestra que el aprendizaje autom\u00e1tico de grandes cohortes de poblaci\u00f3n puede generar \u00abmedidas indirectas\u00bb para problemas de salud relacionados con el cerebro sin necesidad de la evaluaci\u00f3n de un especialista. Los investigadores aprovecharon el Biobanco del Reino Unido, una de las bases de datos biom\u00e9dicas m\u00e1s grandes y completas del mundo, que contiene datos detallados y seguros relacionados con la salud de la poblaci\u00f3n del Reino Unido. Este trabajo se publica en la revista de acceso abierto GigaScience. <\/p>\n
Los problemas de salud mental han ido en aumento en todo el mundo, y la OMS determin\u00f3 que ha habido un aumento del 13 % en las afecciones de salud mental y los trastornos por abuso de sustancias entre 2007 y 2017. La carga que estas enfermedades imponen a la sociedad es extensa y tiene un impacto negativo en casi todos los \u00e1rea de la vida: escuela, trabajo, familia, amigos y participaci\u00f3n en la comunidad. Entre los muchos problemas que impiden la capacidad de la sociedad para abordar estos trastornos es que el diagn\u00f3stico de tales problemas de salud requiere especialistas; cuya disponibilidad var\u00eda dr\u00e1sticamente en todo el mundo. El desarrollo de una metodolog\u00eda de aprendizaje autom\u00e1tico con el fin de facilitar las evaluaciones de salud mental podr\u00eda proporcionar un medio adicional muy necesario para ayudar a detectar, prevenir y tratar tales problemas de salud. <\/p>\n
Para desarrollar modelos de IA sensibles a la salud mental, los investigadores de Inria (Saclayle-de-France) y sus colegas recurrieron al Biobanco del Reino Unido para obtener los datos necesarios. El Biobanco del Reino Unido almacena no solo datos biol\u00f3gicos y m\u00e9dicos, sino tambi\u00e9n datos de cuestionarios sobre circunstancias y h\u00e1bitos personales, como la edad, la educaci\u00f3n, el consumo de tabaco y alcohol, la duraci\u00f3n del sue\u00f1o y el ejercicio f\u00edsico. Espec\u00edficos para este estudio, estos cuestionarios tambi\u00e9n incluyen datos sociodemogr\u00e1ficos y de comportamiento, como el estado de \u00e1nimo y los sentimientos de las personas, y los datos biol\u00f3gicos incluyen im\u00e1genes de resonancia magn\u00e9tica (RM) de los esc\u00e1neres cerebrales de 10\u00a0000 participantes.<\/p>\n
Los cient\u00edficos de Inria combin\u00f3 estas dos fuentes de datos para construir modelos que aproximan las medidas de la edad del cerebro y los rasgos de inteligencia y neuroticismo definidos cient\u00edficamente. Estos sirven como \u00abmedidas indirectas\u00bb, que son mediciones indirectas que se correlacionan fuertemente con enfermedades espec\u00edficas o resultados que no se pueden medir directamente. El desarrollo de aproximaciones de esta manera se ha empleado con \u00e9xito en el pasado para predecir la \u00abedad del cerebro\u00bb a partir de im\u00e1genes de RM. Este cuerpo previo de trabajo neurocl\u00ednico sirvi\u00f3 como punto de partida para Denis Engemann y su equipo.<\/p>\n
Engemann explica: \u00abEn este trabajo, generalizamos esta metodolog\u00eda de dos maneras. Primero, demostramos que, m\u00e1s all\u00e1 envejecimiento biol\u00f3gico, el mismo marco de medidas indirectas es aplicable a construcciones m\u00e1s directamente relacionadas con la salud mental. En segundo lugar, mostramos que las medidas indirectas \u00fatiles pueden derivarse de otras entradas adem\u00e1s de las im\u00e1genes cerebrales, como los datos sociodemogr\u00e1ficos y de comportamiento\u00bb.<\/p>\n
Los investigadores validaron sus medidas de representaci\u00f3n al demostrar los mismos resultados en un subconjunto separado de datos del Biobanco del Reino Unido.<\/p>\n
Los resultados del trabajo aqu\u00ed brindan una visi\u00f3n de un futuro en el que los psic\u00f3logos y los modelos de aprendizaje autom\u00e1tico podr\u00edan funcionar. mano a mano para producir evaluaciones mentales cada vez m\u00e1s detalladas y personalizadas. Por ejemplo, en el futuro, los clientes o pacientes pueden otorgar a un modelo de aprendizaje autom\u00e1tico acceso seguro a sus cuentas de redes sociales o a los datos de su tel\u00e9fono m\u00f3vil, para luego devolver medidas de proxy que sean \u00fatiles tanto para el cliente como para el experto en educaci\u00f3n o salud mental.<\/p>\n
Sin embargo, si bien la IA puede proporcionar herramientas de evaluaci\u00f3n muy necesarias, la interacci\u00f3n humana seguir\u00e1 siendo esencial, como se\u00f1ala Engemann: \u00abLo que no va a cambiar es que los profesionales de la salud mental deber\u00e1n interpretar y contextualizar cuidadosamente los resultados de las pruebas en caso por caso y a trav\u00e9s de la interacci\u00f3n social, ya sea que se obtengan mediante aprendizaje autom\u00e1tico o pruebas cl\u00e1sicas\u00bb. <\/p>\n
Explore m\u00e1s<\/p>\n
Los aceler\u00f3metros de mu\u00f1eca ayudan a los investigadores a relacionar la calidad del sue\u00f1o con las enfermedades psiqui\u00e1tricas M\u00e1s informaci\u00f3n:<\/strong> El modelado de poblaci\u00f3n con aprendizaje autom\u00e1tico puede mejorar las medidas de salud mental, GigaScience (2021). DOI: 10.1093\/gigascience\/giab071 Informaci\u00f3n de la revista:<\/strong> GigaScience <\/p>\n Proporcionado por GigaScience Cita<\/strong>: Uso de IA para la evaluaci\u00f3n de la salud mental (15 de octubre de 2021) consultado el 29 de agosto de 2022 de https:\/\/medicalxpress.com\/news\/2021-10-ai-mental-health.html Este documento est\u00e1 sujeto a derechos de autor. Aparte de cualquier trato justo con fines de estudio o investigaci\u00f3n privados, ninguna parte puede reproducirse sin el permiso por escrito. El contenido se proporciona \u00fanicamente con fines informativos.<\/p>\n","protected":false},"excerpt":{"rendered":" Combinaci\u00f3n de im\u00e1genes cerebrales y datos sociodemogr\u00e1ficos para aproximar construcciones relacionadas con la salud mental. Cr\u00e9dito: Adaptado de la Fig. 1 en Dadi et al. GigaScience 2021 Un estudio publicado hoy por una colaboraci\u00f3n interdisciplinaria, dirigida por Denis Engemann de Inria, demuestra que el aprendizaje autom\u00e1tico de grandes cohortes de poblaci\u00f3n puede generar \u00abmedidas indirectas\u00bb … Continuar leyendo \u00abUso de IA para la evaluaci\u00f3n de la salud mental\u00bb<\/span><\/a><\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"","ping_status":"","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[1],"tags":[],"class_list":["post-623","post","type-post","status-publish","format-standard","hentry","category-general"],"_links":{"self":[{"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/posts\/623","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/comments?post=623"}],"version-history":[{"count":0,"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/posts\/623\/revisions"}],"wp:attachment":[{"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/media?parent=623"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/categories?post=623"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/tags?post=623"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}