El Trastorno por déficit de atención con hiperactividad (TDAH) es uno de los trastornos del neurodesarrollo más prevalentes en la infancia y adolescencia, caracterizado por síntomas persistentes de inatención, hiperactividad e impulsividad. A pesar de los avances en la comprensión clínica y neurobiológica del trastorno, el diagn&oacut...
PUBLICIDAD
Crea tu cuenta gratis y léelo completo ahora.
¿Ya estás registrado? Inicia sesión aquí .
El Trastorno por déficit de atención con hiperactividad (TDAH) es uno de los trastornos del neurodesarrollo más prevalentes en la infancia y adolescencia, caracterizado por síntomas persistentes de inatención, hiperactividad e impulsividad. A pesar de los avances en la comprensión clínica y neurobiológica del trastorno, el diagnóstico continúa basándose principalmente en entrevistas clínicas, cuestionarios y escalas conductuales.
Este enfoque, aunque validado, depende en gran medida de la subjetividad del evaluador y del informante, lo que puede introducir sesgos y limitar la precisión diagnóstica, especialmente en presentaciones complejas o comórbidas. En este contexto, las técnicas neurofisiológicas como el electroencefalograma (EEG), el seguimiento ocular (eye tracking) y la actividad electrodérmica (EDA) han emergido como herramientas con potencial para aportar marcadores objetivos.
Sin embargo, uno de los principales obstáculos para su integración en modelos computacionales robustos ha sido la escasez de bases de datos multimodales amplias y de acceso público. El dataset BALLADEER ADHD surge precisamente para cubrir esta brecha.
Limitaciones del diagnóstico clínico tradicional en TDAH
El diagnóstico del TDAH se apoya en criterios clínicos estandarizados (DSM-5-TR o CIE-11), entrevistas estructuradas y escalas conductuales cumplimentadas por padres y profesores. Aunque estas herramientas son esenciales en la práctica psiquiátrica, presentan varias limitaciones:
Desde la perspectiva de la psiquiatría basada en biomarcadores, la ausencia de medidas objetivas dificulta tanto la estratificación de subtipos como la predicción de respuesta al tratamiento. En este marco, la neurofisiología ofrece una vía prometedora para complementar —no sustituir— la evaluación clínica.
Técnicas neurofisiológicas aplicadas al TDAH
Electroencefalografía (EEG)
El EEG permite registrar la actividad eléctrica cortical con alta resolución temporal. En TDAH se han descrito, entre otros hallazgos:
El EEG es especialmente útil para estudiar procesos como la atención sostenida y el control inhibitorio, dominios centrales en el trastorno.
Seguimiento ocular (Eye Tracking)
El eye tracking permite analizar patrones de fijación, latencia sacádica y control oculomotor. En población con TDAH se han observado:
Estos indicadores pueden funcionar como correlatos conductuales objetivos de la desregulación atencional.
Actividad electrodérmica (EDA)
La EDA refleja la activación del sistema nervioso autónomo simpático. En el TDAH se ha descrito:
La integración de EDA con EEG y eye tracking permite analizar la interacción entre procesos corticales y autonómicos.
El dataset BALLADEER ADHD: características principales
El BALLADEER ADHD Dataset constituye un recurso multimodal diseñado específicamente para investigación en TDAH en población infantil y adolescente. Sus principales características incluyen:
Las tareas experimentales fueron estructuradas para evocar respuestas neurofisiológicas relevantes, facilitando el análisis de correlatos neuronales y autonómicos de funciones ejecutivas alteradas en el TDAH.
El carácter público del dataset permite su utilización en estudios independientes, favoreciendo la replicabilidad y el desarrollo de modelos comparables.
Aplicaciones en aprendizaje automático y descubrimiento de biomarcadores
La disponibilidad de datos multimodales sincronizados abre nuevas oportunidades para:
Clasificación automatizada del TDAH
Mediante técnicas de aprendizaje automático supervisado, es posible:
El análisis multimodal permite explorar si la combinación de señales mejora la precisión respecto a modelos unimodales.
Análisis multimodal y fusión de datos
La fusión de datos (early fusion, late fusion o modelos híbridos) facilita:
Desde el punto de vista clínico, estas aproximaciones podrían contribuir en el futuro a modelos de estratificación más precisos.
Implicaciones para la psiquiatría clínica y la investigación traslacional
El acceso a un dataset abierto y multimodal como BALLADEER tiene varias implicaciones relevantes:
No obstante, es importante subrayar que, en el estado actual del conocimiento, los modelos basados en biomarcadores no sustituyen la evaluación clínica integral. La integración responsable de estas herramientas requiere validación externa, estudios multicéntricos y evaluación de utilidad clínica real.
Retos futuros en la investigación multimodal del TDAH
A pesar de su potencial, persisten desafíos relevantes:
Además, la transferencia a la práctica clínica exige considerar aspectos éticos, regulatorios y de coste-efectividad.
Conclusiones prácticas para profesionales de salud mental
Para psiquiatras, psicólogos clínicos e investigadores, el acceso a recursos abiertos de alta calidad representa una oportunidad estratégica para avanzar hacia una psiquiatría más precisa, basada en datos y metodológicamente robusta.
Resumen y adaptación editorial: Virginia Candelas García (Cibermedicina / Psiquiatria.com)
Fuente original: A Multimodal Dataset for Neurophysiological and AI Applications - Scientific Data
Texto completo disponible en: https://www.nature.com/articles/s41597-026-06758-7
Este contenido es un resumen adaptado. La autoría científica corresponde a los autores originales.
Artículo distribuido bajo licencia Creative Commons según la fuente original.
9,1 créditos
Explora el artículo con IA