Video Experimental Relacionado
Updated: Feb 6, 2026

Implementation of a Real-Time Psychosis Risk Detection and Alerting System Based on Electronic Health Records using CogStack
Published on: May 15, 2020
Fenotipado Digital para la Salud Mental Adolescente: Estudio de Viabilidad Utilizando Aprendizaje Automático para
Balasundaram Kadirvelu1, Teresa Bellido Bel2, Aglaia Freccero2
1Brain & Behaviour Lab, Department of Computing and Department of Bioengineering, Imperial College London, Royal School of Mines, London, SW72AZ, United Kingdom, 44 20 7594 6373.
El fenotipado digital con teléfonos inteligentes predice eficazmente los riesgos de salud mental en adolescentes al integrar datos activos y pasivos. Este enfoque escalable ayuda a la detección temprana en jóvenes no clínicos, cerrando una brecha crítica en la prevención comunitaria.
Área de la Ciencia:
- Salud digital
- Aprendizaje automático en salud mental
- Psicología del adolescente
Sus antecedentes:
- Los adolescentes son muy vulnerables a los trastornos mentales, con una aparición típicamente antes de los 25 años.
- La mayoría de los adolescentes con síntomas de salud mental no buscan ayuda profesional.
- El fenotipado digital ofrece un método de baja carga para la detección temprana de riesgos en jóvenes.
Objetivo del estudio:
- Evaluar la viabilidad de una aplicación de teléfono inteligente para predecir riesgos de salud mental en adolescentes no clínicos.
- Integrar datos activos (autoinformados) y pasivos (sensores) utilizando aprendizaje automático.
- Identificar riesgos de dificultades internalizantes/externalizantes, trastornos alimentarios, insomnio e ideación suicida.
Principales métodos:
- 103 adolescentes usaron la aplicación Mindcraft durante 14 días, recopilando autoinformes diarios y datos de sensores pasivos.
- Se desarrolló un modelo de aprendizaje profundo con preentrenamiento contrastivo para la clasificación binaria de resultados de salud mental.
- El rendimiento se evaluó utilizando validación cruzada leave-one-subject-out y se comparó con otros modelos de ML.
Principales resultados:
- La integración de datos activos y pasivos logró precisiones equilibradas de 0.67-0.77 en los resultados de salud mental.
- El enfoque de aprendizaje contrastivo mejoró la estabilidad del modelo y la robustez predictiva.
- Las explicaciones aditivas de Shapley (SHAP) identificaron características clínicamente relevantes, confirmando el valor de la integración de datos.
Conclusiones:
- El fenotipado digital basado en teléfonos inteligentes es factible y útil para predecir riesgos de salud mental en adolescentes no clínicos.
- Este enfoque de datos integrados muestra una promesa para la detección temprana y las intervenciones escalables.
- Los hallazgos respaldan los esfuerzos de prevención basados en la comunidad para la salud mental de los adolescentes.
Más Videos Relacionados
05:51Assessing the Accuracy of Fitness Smartwatch Data for Cardiovascular and Physical Activity Monitoring: A Validation Study in Digital Health
Published on: February 21, 2025
13:44Project-Based Learning Guidelines for Health Sciences Students: An Analysis with Data Mining and Qualitative Techniques
Published on: December 9, 2022
Videos de Conceptos Relacionados
Stress and Mental Health
Individuals with depression often experience challenges in both their personal and professional...
Higher Mental Functions of Brain: Learning and Memory
Higher Mental Functions of the Brain: Language
Language formation and comprehension take place in the dominant hemisphere. The dominant hemisphere is responsible for understanding the meaning of spoken, written, or sign language, as well as the ability to communicate. For most people, the left hemisphere is the dominant one. The right hemisphere, then, gives tone and emotional context to the...
Health Literacy
Diagnostic and Statistical Manual of Mental Disorders (DSM)
Purpose of Health Records I
Here's a breakdown of how health records serve these purposes: