Autor/autores:
de Filippis R, Carbone EA, Gaetano R...(et.al)
El diagnóstico de esquizofrenia (SCZ, por sus siglas en inglés) se realiza exclusivamente en forma clínica, ya que los biomarcadores específicos que pueden predecir la enfermedad con precisión siguen siendo desconocidos. El aprendizaje automático (ML) representa un enfoque prometedor que podría ayudar a los clínicos en el diagnóstico d...
Estás viendo una versión reducida de este contenido.
Para consultar la información completa debes registrarte gratuitamente.
Tan sólo te llevará unos segundos.
Y si ya estás registrado inicia sesión pulsando aquí.
El diagnóstico de esquizofrenia (SCZ, por sus siglas en inglés) se realiza exclusivamente en forma clínica, ya que los biomarcadores específicos que pueden predecir la enfermedad con precisión siguen siendo desconocidos. El aprendizaje automático (ML) representa un enfoque prometedor que podría ayudar a los clínicos en el diagnóstico de trastornos mentales.
Se realizó una revisión sistemática, de acuerdo con la declaración PRISMA, para evaluar su precisión para distinguir a los pacientes con SCZ de los controles sanos.
Se realizaron búsquedas sistemáticas en PubMed, Embase, MEDLINE, PsychINFO y la Biblioteca Cochrane hasta diciembre de 2018 utilizando términos genéricos para técnicas de LD y SCZ sin restricción de idioma o de tiempo. Se incluyeron treinta y cinco estudios en esta revisión: ocho de ellos utilizaron neuroimagen estructural, veintiséis usaron neuroimagen funcional y uno con ambos, con una precisión mínima> 60% (la mayoría de ellos 75-90%). La sensibilidad, la especificidad y la precisión se extrajeron de cada publicación o se obtuvieron directamente de los autores.
La máquina de vectores de soporte, la técnica más frecuente, si se asocia con otras técnicas de ML, alcanza una precisión cercana al 100%. Las cortezas prefrontales y temporales parecían ser las regiones cerebrales más útiles para el diagnóstico de SCZ. El análisis ML puede detectar de manera eficiente la conectividad cerebral alterada significativamente en pacientes con SCZ (por ejemplo, red de modo predeterminado, red visual, red sensoriomotora, red frontoparietal y red de atención).
La mayor precisión demostrada por estos modelos predictivos y los nuevos modelos resultantes de la integración de múltiples técnicas de ML serán cada vez más decisivas para el diagnóstico precoz y la evaluación de la respuesta al tratamiento y para establecer el pronóstico de los pacientes con SCZ.
Para lograr un beneficio real para los pacientes, el desafío futuro es alcanzar un diagnóstico preciso no solo a través de la evaluación clínica, sino también con la ayuda de algoritmos de ML.
Para acceder al texto completo consulte las características de suscripción de la fuente original:https://www. dovepress. com
