La esquizofrenia es un trastorno neurológico crónico que afecta de manera significativa las funciones cognitivas, emocionales y conductuales. Se manifiesta a través de una amplia gama de síntomas, que incluyen delirios, alucinaciones, trastornos en el habla y anomalías en la actividad motora. Debido a que muchos de estos síntomas pueden superponerse con lo...
La esquizofrenia es un trastorno neurológico crónico que afecta de manera significativa las funciones cognitivas, emocionales y conductuales. Se manifiesta a través de una amplia gama de síntomas, que incluyen delirios, alucinaciones, trastornos en el habla y anomalías en la actividad motora. Debido a que muchos de estos síntomas pueden superponerse con los de otras formas de psicosis, el diagnóstico preciso de la esquizofrenia presenta desafíos considerables. En este contexto, la implementación de metodologías de diagnóstico automatizadas es crucial para mejorar la precisión y rapidez en la identificación del trastorno. La resonancia magnética funcional (fMRI), una técnica de neuroimagen que permite mapear la actividad cerebral, se ha convertido en una herramienta prometedora para este propósito.
El presente estudio aprovecha el potencial de la fMRI y las técnicas avanzadas de aprendizaje automático para analizar los cambios funcionales en el cerebro asociados con los síntomas de la esquizofrenia. Las tecnologías de aprendizaje automático han mostrado un avance significativo en la capacidad para procesar grandes volúmenes de datos, lo que las hace ideales para abordar el análisis complejo de los datos fMRI. Nuestro estudio se centra en la evaluación tanto de los síntomas clásicos como de los atípicos de la esquizofrenia, buscando identificar patrones cerebrales funcionales alterados que correspondan a la presencia y gravedad de los síntomas.
Para lograr este objetivo, utilizamos dos conjuntos de datos fMRI distintos, uno con imágenes obtenidas a través de un escáner de 1. 5 Tesla (1. 5T) y otro con un escáner de 3 Tesla (3T). El conjunto de datos 1. 5T incluye a 34 pacientes con esquizofrenia y un número igual de controles sanos, mientras que el conjunto de datos 3T consta de 25 pacientes y sus respectivos controles. Los algoritmos de aprendizaje automático se emplearon para analizar estos datos, evaluando la actividad cerebral en función de la intensidad de los síntomas, lo que permitió identificar las regiones cerebrales más afectadas por la esquizofrenia.
Uno de los logros más notables de este enfoque fue la obtención de una tasa de precisión en la clasificación del 97 %, lo que demuestra la robustez del modelo. Los vóxeles cerebrales identificados en este proceso revelaron las áreas del cerebro más afectadas por cada tipo de síntoma, proporcionando una evaluación precisa de los cambios funcionales asociados con el trastorno. Estos resultados ofrecen una nueva comprensión sobre cómo las variaciones en la activación cerebral se relacionan con los diferentes síntomas de la esquizofrenia.
En última instancia, los conocimientos obtenidos a partir de este estudio pueden tener implicaciones importantes para la práctica clínica. No solo ofrecen una herramienta potencial para un diagnóstico más preciso, sino que también abren nuevas vías para la intervención terapéutica personalizada. Al permitir una evaluación más detallada de la gravedad de los síntomas y su relación con la actividad cerebral, este enfoque podría mejorar el tratamiento y manejo de la esquizofrenia, ofreciendo a los pacientes un enfoque más efectivo y adaptado a sus necesidades individuales.
Para acceder al texto completo consulte las características de suscripción de la fuente original:https://www. sciencedirect. com/