Autor/autores:
Moon SJ, Hwang J, Kana R...(et.al)
En los últimos años, los algoritmos de aprendizaje automático se han aplicado de manera más amplia y creciente en campos biomédicos. En particular, su aplicación ha atraído más atención en el campo de la psiquiatría, por ejemplo, como pruebas de diagnóstico / herramientas para el trastorno del espectro autista (TEA). Sin ...
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.
En los últimos años, los algoritmos de aprendizaje automático se han aplicado de manera más amplia y creciente en campos biomédicos. En particular, su aplicación ha atraído más atención en el campo de la psiquiatría, por ejemplo, como pruebas de diagnóstico / herramientas para el trastorno del espectro autista (TEA). Sin embargo, dada su complejidad y posibles implicaciones clínicas, existe una necesidad continua de investigación adicional sobre su precisión.
Este estudio tuvo como objetivo realizar una revisión sistemática y un metanálisis para resumir la evidencia disponible para la precisión de los algoritmos de aprendizaje automático en el diagnóstico de TEA.
Se realizaron búsquedas en las siguientes bases de datos el 28 de noviembre de 2018: MEDLINE, EMBASE, CINAHL Complete (con disertaciones abiertas), PsycINFO y la Biblioteca Digital Xplore del Instituto de Ingenieros Eléctricos y Electrónicos. Los estudios que utilizaron un algoritmo de aprendizaje automático parcial o totalmente para distinguir a las personas con TEA de los sujetos control y proporcionaron medidas de precisión se incluyeron en nuestro análisis. El modelo de efectos aleatorios bivariados se aplicó a los datos agrupados en un metanálisis. Se utilizó un análisis de subgrupos para investigar y resolver la fuente de heterogeneidad entre los estudios. Los valores verdaderos positivos, falsos positivos, falsos negativos y verdaderos negativos de los estudios individuales se usaron para calcular los valores agrupados de sensibilidad y especificidad, dibujar curvas resumen de las características operativas del receptor y obtener el área bajo la curva (AUC) y parcial AUC (pAUC).
Se incluyeron un total de 43 estudios para el análisis final, de los cuales se realizó un metanálisis en 40 estudios (53 muestras con 12, 128 participantes). Un metanálisis de subgrupos de resonancia magnética estructural (IRSM) (12 muestras con 1776 participantes) mostró una sensibilidad de 0, 83 (IC del 95%: 0, 76-0, 89), una especificidad de 0, 84 (IC del 95%: 0, 74-0, 91) y AUC / pAUC de 0, 90 / 0, 83. Un metanálisis funcional de resonancia magnética / subgrupo de redes neuronales profundas (5 muestras con 1345 participantes) mostró una sensibilidad de 0, 69 (IC del 95%: 0, 62-0, 75), especificidad de 0, 66 (IC del 95%: 0, 61-0, 70) y AUC / pAUC de 0, 71 / 0, 67.
La precisión de los algoritmos de aprendizaje automático para el diagnóstico de TEA se consideró aceptable por algunas medidas de precisión solo en casos de uso de IRSM; sin embargo, dadas las numerosas limitaciones indicadas en nuestro estudio, se justifica que otros estudios bien diseñados amplíen el uso potencial de los algoritmos de aprendizaje automático a entornos clínicos.
Para acceder al texto completo consulte las características de suscripción de la fuente original:https://mental.jmir.org
Goldberg y Stephen M. Stahl. Prologo de Alan F. Schatzberg. Durante las últimas cuatro décadas, l...
COMPRAR AQUÍ
