Las técnicas de aprendizaje conjunto revelan alteraciones multidimensionales de las características del EEG en la...

Área de la Ciencia:

• La neurociencia
• Psiquiatría computacional
• Ingeniería biomédica

Sus antecedentes:

• El diagnóstico de la esquizofrenia (SCZ) es un desafío debido a la dependencia de evaluaciones subjetivas.
• Se necesitan urgentemente herramientas de diagnóstico objetivas para la SCZ pediátrica.
• La comprensión de las alteraciones neuronales en la SCZ pediátrica es crucial para la intervención temprana.

Objetivo del estudio:

• Desarrollar un marco de aprendizaje automático para el diagnóstico auxiliar de SCZ pediátrico.
• Utilizar las características del electroencefalograma multidimensional (EEG) para el diagnóstico.
• Para investigar las alteraciones neuronales subyacentes en pacientes pediátricos con SCZ.

Principales métodos:

• Datos recopilados de EEG en estado de reposo de pacientes pediátricos con SCZ y controles sanos.
• Las características de EEG de potencia relativa (RP) extraída, entropía difusa (FuzEn) y conectividad funcional (FC).
• Modelos de aprendizaje de conjunto empleados y eliminación de características recursivas para la selección y clasificación de características.

Principales resultados:

• Se han identificado 212 características de EEG altamente discriminatorias (RP, FuzEn, FC).
• Se logró una precisión de clasificación del 99,60% utilizando el modelo de impulso categórico con las características seleccionadas.
• Reveló patrones alterados de EEG, incluyendo cambios de FC fronto-parietal y reducción de FuzEn en la SCZ pediátrica.

Conclusiones:

• El aprendizaje automático con características de EEG multidimensionales muestra un alto potencial para el diagnóstico pediátrico de SCZ.
• Las alteraciones neuronales específicas identificadas (FC, RP, FuzEn) proporcionan información sobre la fisiopatología de la SCZ.
• El marco desarrollado puede ayudar en el desarrollo de sistemas de diagnóstico automático para la SCZ pediátrica.