Autor/autores:
Yuichi Yamashita
Debido a las drásticas mejoras en el refinamiento de las teorías de aprendizaje automático (ML) y las tecnologías de inteligencia artificial (IA), se espera que los métodos teóricos y matemáticos contribuyan a la psiquiatría y la neurociencia clínica. Este campo de investigación emergente se conoce como "psiquiatría compu...
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.
Debido a las drásticas mejoras en el refinamiento de las teorías de aprendizaje automático (ML) y las tecnologías de inteligencia artificial (IA), se espera que los métodos teóricos y matemáticos contribuyan a la psiquiatría y la neurociencia clínica. Este campo de investigación emergente se conoce como "psiquiatría computacional".
Hay dos estrategias principales para la psiquiatría computacional. El primero es tratar de descubrir la regularidad encubierta a partir de "macrodatos" biológicos, neurológicos y conductuales relacionados con los trastornos psiquiátricos mediante técnicas de ML / IA, lo que se conoce como el enfoque basado en datos. Aunque se utilizan grandes datos y técnicas de ML / IA de vanguardia, el enfoque basado en datos sigue siendo una extensión de los métodos convencionales, en el sentido de que explora las correspondencias (correlaciones) entre los datos observados y los fenotipos y no examina el procesamiento de la información dentro de la cerebro mismo.
Por lo tanto, el enfoque basado en datos por sí solo puede ser insuficiente para superar las dificultades fundamentales en la investigación de las enfermedades mentales, como la inespecificidad biológica y la heterogeneidad. Para abordar este problema, existe otra línea de enfoque en la psiquiatría computacional, denominada enfoque basado en la teoría, en el que los trastornos mentales se modelan como procesamiento de información aberrante ("computación") en el cerebro utilizando formulaciones matemáticas. Se espera que el enfoque basado en la teoría proporcione explicaciones mecanicistas que unan los diferentes niveles de observaciones biológicas, incluidos genes, moléculas, células, circuitos neuronales, fisiología, comportamientos y síntomas.
En este número, proporcionan una revisión de los avances recientes en la aplicación del enfoque basado en la teoría en la investigación en psiquiatría y neurociencia clínica. Específicamente, se enfocan en la "teoría del procesamiento predictivo" (también conocida como codificación predictiva e inferencia activa), que es una de las teorías más prometedoras utilizadas en el enfoque impulsado por la teoría. Según la teoría del procesamiento predictivo, el cerebro es una 'máquina de predicción' basada en un modelo interno del mundo e interactúa con el mundo a través de una regla computacional de 'minimización del error de predicción (PE)'.
Se modifica el modelo interno (aprendizaje), modificación de estados internos / cerebrales (percepción / reconocimiento) y modificación de entradas sensoriales (cambiar el mundo a través de la acción). Como tal, la teoría del procesamiento predictivo puede explicar una amplia gama de funciones cerebrales, incluido el aprendizaje, la percepción / cognición y la acción basada en la minimización de la EP.
Si bien el proceso predictivo jerárquico proporciona ventajas significativas para el comportamiento adaptativo en entornos sociales, se ha postulado que el fracaso para desarrollar o mantener una señalización alineada con precisión en los sistemas neuronales da como resultado síntomas de trastornos psiquiátricos o del desarrollo. De hecho, con respecto a las fallas en el procesamiento predictivo, varios estudios de modelos computacionales han proporcionado una comprensión mecanicista de las deficiencias cognitivas y de percepción en los trastornos del espectro autista y la esquizofrenia.
Para acceder al texto completo consulte las características de suscripción de la fuente original:https://onlinelibrary. wiley. com/
