Predicción del TDAH con Aprendizaje de Máquinas: Revisión Sistemática de Literatura

Catalina Quintero López; Víctor Daniel Gil Vera; Rafael Mauricio Cerpa Bernal; Marcelo Herrera Martinez

Ayuda

Predicción del TDAH con Aprendizaje de Máquinas: Revisión Sistemática de Literatura

Quintero-López, Catalina ^[1] ; Gil Vera, Víctor Daniel ^[1] ; Cerpa Bernal, Rafael Mauricio ^[2] ; Herrera Martínez, Marcelo ^[3]
1. [1] Fundación Universitaria Luis Amigó
  
  Fundación Universitaria Luis Amigó
  
  Colombia
2. [2] Universidad San Buenaventura, Facultad de Ingeniería, Bogotâ, Colombia.
3. [3] Universidad San Buenaventura, Doctorado en Neurociencia Aplicada y Comportamiento, Grupo de Investigación Acústica Aplicada, Bogotá, Colombia.
Mostrar afiliaciones +
Localización: Revista Argentina de Ciencias del Comportamiento ( RACC ), ISSN-e 1852-4206, Vol. 16, Nº. 3, 2024 (Ejemplar dedicado a: Revista Argentina de Ciencias del Comportamiento), págs. 14-32
Idioma: español
Títulos paralelos:
- Prediction of ADHD with Machine Learning: A Systematic Literature Review Abstract
Enlaces
- Texto completo (pdf)
Resumen
- español
  El Trastorno por Déficit de Atención e Hiperactividad (TDAH) tiene una prevalencia estimada del 5.3% en la población mundial; su diagnóstico se basa en evaluaciones clínicas, conductuales y resultados de pruebas psicométricas. Recientemente el Aprendizaje de Máquinas (AM) se ha empleado para detectar diversas condiciones neuropsiquiátricas, brindando una mayor precisión diagnóstica. El objetivo de este estudio fue realizar una revisión sistemática de la literatura (RSL) sobre la detección del TDAH en infantes con AM. Con base en la metodología PRISMA, se seleccionaron 30 publicaciones de WebofScience (WoS) y Scopus, que cumplieron los criterios de elegibilidad. Se concluye que la técnica más empleada para detectar el TDAH fue Máquinas de Vectores de Soporte, el modelo con el mejor desempeño se obtuvo de pruebas psicométricas. Un diagnóstico certero y temprano del TDAH previene complicaciones a largo plazo, problemas emocionales, académicos y sociales, así como el desarrollo de una estructura antisocial.
- English
  Attention Deficit Hyperactivity Disorder (ADHD) affects approximately 13% of the child population; its diagnosis is based on clinical and behavioral assessments and psychometrics test results. Recently, Machine Learning (ML) has been used to detect various neuropsychiatric conditions, providing greater diagnostic accuracy. The aim of this research was to conduct a systematic literature review (SLR) on the detection of ADHD in infants’ witch ML. Based on the PRISMA methodology, 30 publications were selected from Web of Science (WoS) and Scopus which met the eligibility criteria. This paper concludes that the most used technique for ADHD detection was Support Vector Machines, the best-performing model was obtained from psychometrics test. An accurate and early diagnosis of ADHD prevents long-term complications; emotional, academic, and social problems, as well as the development of an antisocial structure.