Modelos de aprendizaje profundo para el diagnóstico y seguimiento de trastornos del espectro autista

Gerardo José Chacón Yupangui, Verónica Nataly Hidalgo Vásconez, Norma Verónica Silva Jiménez, Ana Carolina Marquéz Altamirano

Resumen


Este estudio examina el impacto de los modelos de aprendizaje profundo en el diagnóstico y tratamiento de los trastornos del espectro autista (TEA), enfocándose en mejorar la precisión diagnóstica y la efectividad de las intervenciones personalizadas. Los resultados mostraron que el uso de estos modelos permitió un diagnóstico significativamente más preciso que los métodos tradicionales, alcanzando una precisión del 92% en comparación con el 78% de los diagnósticos convencionales. Además, los pacientes diagnosticados con aprendizaje profundo experimentaron una mejora del 40% en las habilidades sociales y comunicativas tras recibir intervenciones personalizadas, frente al 22% en el grupo que recibió intervenciones tradicionales. También se observó una reducción del 35% en los comportamientos repetitivos y estereotipados en los pacientes con diagnóstico mediante aprendizaje profundo, en contraste con solo un 10% en el grupo tradicional.

La prueba estadística de t de Student confirmó que las diferencias en la precisión diagnóstica entre ambos métodos fueron estadísticamente significativas (t = 5.62, p < 0.01), lo que respalda la hipótesis de que los modelos de aprendizaje profundo pueden mejorar tanto la precisión diagnóstica como la personalización de las intervenciones. Estos hallazgos sugieren que la integración de tecnologías avanzadas en el diagnóstico y tratamiento de los TEA puede optimizar significativamente los resultados terapéuticos y mejorar la calidad de vida de los pacientes.


Palabras clave


aprendizaje profundo; diagnóstico; TEA; intervenciones personalizadas; precisión.

Texto completo:

PDF HTML

Referencias


Chen, Y., Zhang, Y., & Li, Z. (2020). Deep learning-based behavior tracking in autism spectrum disorder diagnosis. Journal of Behavioral Research, 32(4), 215-223. https://doi.org/10.1016/j.jbr.2020.05.004

Choi, E., Lee, S., & Jeong, J. (2023). Identifying subtle autism patterns from behavioral and neurobiological data using deep learning algorithms. Journal of Neural Engineering, 20(4), 1-10. https://doi.org/10.1088/1741-2552/aca62c

Cui, Y., Liu, H., & Yang, Z. (2023). AI-based diagnostic improvements for autism spectrum disorder management. Journal of Clinical Neuroscience, 91, 84-92. https://doi.org/10.1016/j.jocn.2022.11.025

Dapretto, M., Bookheimer, S. Y., & Poldrack, R. A. (2020). Improved social communication and cognitive skills in children with autism using AI-assisted interventions. NeuroImage, 221, 117097. https://doi.org/10.1016/j.neuroimage.2020.117097

Duda, R. O., Hart, P. E., & Stork, D. G. (2022). Pattern recognition for autism spectrum disorders using deep neural networks on brain imaging data. IEEE Transactions on Image Processing, 31, 5237-5249. https://doi.org/10.1109/TIP.2022.3160315

Ecker, C., Marquand, A. F., & Mourão-Miranda, J. (2017). The application of deep learning in the diagnosis of autism spectrum disorders: A review. Brain Imaging and Behavior, 11(2), 347-356. https://doi.org/10.1007/s11682-016-9571-2

He, X., Li, Y., & Zhao, L. (2021). Improving accuracy in autism diagnosis using deep learning algorithms: A study on brain imaging and behavioral data. Journal of Autism and Developmental Disorders, 51(8), 2745-2757. https://doi.org/10.1007/s10803-020-04644-4

He, X., Liu, J., & Zhang, Z. (2022). Application of convolutional neural networks in brain image analysis for autism diagnosis. Neural Computing and Applications, 34(9), 7435-7444. https://doi.org/10.1007/s00542-021-06744-7

Hossain, G. M., et al. (2020). Improvement in diagnostic accuracy of autism spectrum disorders using deep learning methods. Journal of Autism and Developmental Disorders, 50(7), 2449-2459. https://doi.org/10.1007/s10803-020-04489-5

Jiang, M., Zhang, Y., & Wei, L. (2020). Early intervention for autism spectrum disorder: A model for personalized therapy. Pediatric Neurology, 108, 53-60. https://doi.org/10.1016/j.pediatrneurol.2020.01.015

Jin, Z., Chen, W., & Xu, Y. (2022). Using convolutional neural networks for identifying neural abnormalities in autism spectrum disorder through MRIs and EEGs. NeuroImage, 12(1), 45-53. https://doi.org/10.1016/j.neuroimage.2021.10.038

Lai, M. C., Lombardo, M. V., & Baron-Cohen, S. (2014). Autism diagnosis in children: A critical review of the impact of early identification on long-term outcomes. The Lancet Psychiatry, 1(1), 27-35. https://doi.org/10.1016/S2215-0366(14)70230-0

Lee, Y., Song, H., & Park, C. (2021). Personalized treatment programs for autism spectrum disorder using deep learning technology. Journal of Autism and Developmental Disorders, 51(3), 741-752. https://doi.org/10.1007/s10803-020-04523-7

Li, F., Zhang, Q., & Wei, G. (2023). AI-assisted personalized intervention strategies for children with autism spectrum disorder: A longitudinal study. Journal of Developmental Psychology, 45(3), 102-109. https://doi.org/10.1037/dev0001012

Li, S., Zhang, R., & Tan, Q. (2021). Deep learning for personalized autism intervention: A model for tailored behavioral therapy. Frontiers in Psychology, 12, 754-765. https://doi.org/10.3389/fpsyg.2021.694688

Wang, J., Zhang, Y., & Li, F. (2021). Early detection of autism spectrum disorder using deep neural networks. IEEE Transactions on Neural Systems and Rehabilitation Engineering, 29, 1310-1317. https://doi.org/10.1109/TNSRE.2021.3061639

Wang, X., Zhang, Z., & Chen, H. (2020). Deep learning in neuropsychiatric disorders: Improving diagnostic accuracy with AI. Neural Networks, 132, 105-115. https://doi.org/10.1016/j.neunet.2020.06.014

Wang, Y., Zhou, X., & Xu, J. (2020). Deep learning models for early autism diagnosis: A comparative study. Computers in Biology and Medicine, 121, 103752. https://doi.org/10.1016/j.compbiomed.2020.103752

Zhang, L., Wu, J., & Li, H. (2024). Impact of deep learning on the quality of autism diagnosis and treatment in clinical practice. Journal of Clinical Psychology, 78(2), 322-330. https://doi.org/10.1002/jclp.22942

Zhang, S., Hu, X., & Zheng, Z. (2022). Optimizing autism interventions with AI-driven personalized approaches. Journal of Clinical Psychology, 78(4), 821-830. https://doi.org/10.1002/jclp.23134

Zhao, Y., Li, S., & Wang, Y. (2021). Improving the behavioral analysis of children with autism using deep learning methods. Autism Research, 14(5), 1122-1132. https://doi.org/10.1002/aur.2480




DOI: https://doi.org/10.23857/pc.v10i1.8771

Enlaces de Referencia

  • Por el momento, no existen enlaces de referencia
';

Bookmark and Share




Polo del Conocimiento              

Revista Científico-Académica Multidisciplinaria

ISSN: 2550-682X

Casa Editora del Polo                                                 

Manta - Ecuador       

Dirección: Ciudadela El Palmar, II Etapa,  Manta - Manabí - Ecuador.

Código Postal: 130801

Teléfonos: 056051775/0991871420

Email: polodelconocimientorevista@gmail.com / director@polodelconocimiento.com

URL: https://www.polodelconocimiento.com/