Diagnóstico de TDAH con Machine Learning y Sensores: Un Mapeo Sistemático
El trastorno de déficit de atención con hiperactividad (TDAH) es un trastorno del neurodesarrollo que tiene como características principales la hiperactividad y la falta concentración en actividades cotidianas. Es un trastorno conocido por darse a tempranas edades y afectar a el desempeño escolar. E...
Saved in:
| Main Authors: | , , , |
|---|---|
| Format: | Article |
| Language: | English |
| Published: |
Universidad de Guadalajara
2024-02-01
|
| Series: | ReCIBE |
| Subjects: | |
| Online Access: | http://recibe.cucei.udg.mx/index.php/ReCIBE/article/view/331 |
| Tags: |
Add Tag
No Tags, Be the first to tag this record!
|
| _version_ | 1850116559643607040 |
|---|---|
| author | Iván de Jesús Cetina Ucán Antonio Aguileta Güemez Raúl Antonio Aguilar Vera Juan Pablo Ucán Pech |
| author_facet | Iván de Jesús Cetina Ucán Antonio Aguileta Güemez Raúl Antonio Aguilar Vera Juan Pablo Ucán Pech |
| author_sort | Iván de Jesús Cetina Ucán |
| collection | DOAJ |
| description | El trastorno de déficit de atención con hiperactividad (TDAH) es un trastorno del neurodesarrollo que tiene como características principales la hiperactividad y la falta concentración en actividades cotidianas. Es un trastorno conocido por darse a tempranas edades y afectar a el desempeño escolar. El diagnóstico del TDAH ha sido un procedimiento complejo, al necesitar una gran recolección y análisis de datos de manera manual. Por esto mismo, se ha propuesto el uso de las herramientas de machine learning (ML) para mejorar la precisión y el tiempo del diagnóstico. Actualmente, existen una proliferación de las metodologías que reconocen diferentes tipos de datos de pacientes para el diagnóstico del TDAH. El objetivo de este estudio es revisar dentro del estado del arte las investigaciones previas sobre está área y responder los cuestionamientos planteados. En el artículo se discutirán temas sobre los modelos de machine learning y los diferentes datos recolectados. Entre los resultados se ve como modelos de redes neuronales y Support Vector Machine (SVM) son los de mayor frecuencia. Además, que los datos de movimiento y aceleración tienen un mayo desempeño a comparación de las implementaciones por procesos neuronales a contra posición de lo esperado. Podemos concluir que los estudios relacionados a la adquisición de datos de movimiento tienen una gran promesa en su implementación y desarrollo en tiempos futuros para una mayor precisión en los resultados clínicos.
|
| format | Article |
| id | doaj-art-9e7e1f5bb078473e953065098822c545 |
| institution | OA Journals |
| issn | 2007-5448 |
| language | English |
| publishDate | 2024-02-01 |
| publisher | Universidad de Guadalajara |
| record_format | Article |
| series | ReCIBE |
| spelling | doaj-art-9e7e1f5bb078473e953065098822c5452025-08-20T02:36:18ZengUniversidad de GuadalajaraReCIBE2007-54482024-02-01122Diagnóstico de TDAH con Machine Learning y Sensores: Un Mapeo SistemáticoIván de Jesús Cetina Ucán0Antonio Aguileta Güemez1Raúl Antonio Aguilar Vera2Juan Pablo Ucán Pech3Facultad de Matemáticas,Universidad Autónoma de Yucatán,Mérida, Yucatán, MéxicoUniversidad Autónoma de YucatánFacultad de Matemáticas,Universidad Autónoma de Yucatán,Mérida, Yucatán, MéxicoFacultad de Matemáticas,Universidad Autónoma de Yucatán,Mérida, Yucatán, MéxicoEl trastorno de déficit de atención con hiperactividad (TDAH) es un trastorno del neurodesarrollo que tiene como características principales la hiperactividad y la falta concentración en actividades cotidianas. Es un trastorno conocido por darse a tempranas edades y afectar a el desempeño escolar. El diagnóstico del TDAH ha sido un procedimiento complejo, al necesitar una gran recolección y análisis de datos de manera manual. Por esto mismo, se ha propuesto el uso de las herramientas de machine learning (ML) para mejorar la precisión y el tiempo del diagnóstico. Actualmente, existen una proliferación de las metodologías que reconocen diferentes tipos de datos de pacientes para el diagnóstico del TDAH. El objetivo de este estudio es revisar dentro del estado del arte las investigaciones previas sobre está área y responder los cuestionamientos planteados. En el artículo se discutirán temas sobre los modelos de machine learning y los diferentes datos recolectados. Entre los resultados se ve como modelos de redes neuronales y Support Vector Machine (SVM) son los de mayor frecuencia. Además, que los datos de movimiento y aceleración tienen un mayo desempeño a comparación de las implementaciones por procesos neuronales a contra posición de lo esperado. Podemos concluir que los estudios relacionados a la adquisición de datos de movimiento tienen una gran promesa en su implementación y desarrollo en tiempos futuros para una mayor precisión en los resultados clínicos. http://recibe.cucei.udg.mx/index.php/ReCIBE/article/view/331TDAHAprendizaje MaquinaDiagnosticoTrastorno por déficit de atención con hiperactividadSensores |
| spellingShingle | Iván de Jesús Cetina Ucán Antonio Aguileta Güemez Raúl Antonio Aguilar Vera Juan Pablo Ucán Pech Diagnóstico de TDAH con Machine Learning y Sensores: Un Mapeo Sistemático ReCIBE TDAH Aprendizaje Maquina Diagnostico Trastorno por déficit de atención con hiperactividad Sensores |
| title | Diagnóstico de TDAH con Machine Learning y Sensores: Un Mapeo Sistemático |
| title_full | Diagnóstico de TDAH con Machine Learning y Sensores: Un Mapeo Sistemático |
| title_fullStr | Diagnóstico de TDAH con Machine Learning y Sensores: Un Mapeo Sistemático |
| title_full_unstemmed | Diagnóstico de TDAH con Machine Learning y Sensores: Un Mapeo Sistemático |
| title_short | Diagnóstico de TDAH con Machine Learning y Sensores: Un Mapeo Sistemático |
| title_sort | diagnostico de tdah con machine learning y sensores un mapeo sistematico |
| topic | TDAH Aprendizaje Maquina Diagnostico Trastorno por déficit de atención con hiperactividad Sensores |
| url | http://recibe.cucei.udg.mx/index.php/ReCIBE/article/view/331 |
| work_keys_str_mv | AT ivandejesuscetinaucan diagnosticodetdahconmachinelearningysensoresunmapeosistematico AT antonioaguiletaguemez diagnosticodetdahconmachinelearningysensoresunmapeosistematico AT raulantonioaguilarvera diagnosticodetdahconmachinelearningysensoresunmapeosistematico AT juanpabloucanpech diagnosticodetdahconmachinelearningysensoresunmapeosistematico |