Modeldx-tdah” modelo para apoyar el diagnóstico temprano de tdah con técnicas de machine learning

Calzada Rivas, Kevin Giancarlo Y Castillo Rosero, Lizeth Beatriz (2023) Modeldx-tdah” modelo para apoyar el diagnóstico temprano de tdah con técnicas de machine learning. Project Report. Universidad de Nariño, San Juan de Pasto.

Text 2023315.pdf Download (3MB)

Resumen

El trastorno por déficit de atención e hiperactividad (TDAH) es un trastorno neurobiológico que se presenta en personas de todas las edades. El principal síntoma de este trastorno es que las personas tienen problemas para mantener su atención y controlar sus impulsos, pero esto no significa que todas las personas que padezcan este trastorno lo manifiesten de la misma manera. En los últimos años, se han llevado a cabo investigaciones importantes para el diagnóstico cuantitativo de este trastorno donde se utilizan imágenes médicas y técnicas de procesamiento de señales. Actualmente, se puede observar un crecimiento en los estudios relacionados con la inteligencia artificial, muchos de los cuales están relacionados con herramientas para el diagnóstico de diferentes enfermedades. Con el objetivo de contribuir a un diagnóstico más preciso de este trastorno, se planteó la creación de una herramienta capaz de diagnosticar el trastorno de déficit de atención e hiperactividad mediante técnicas de aprendizaje automático. Para ello, se construyó una herramienta para el apoyo al diagnóstico temprano de TDAH, utilizando algoritmos de Machine Learning. Para el entrenamiento de cada algoritmo, se utilizaron neuroimágenes de resonancias magnéticas funcionales (FMRI) que se preprocesaron utilizando el filtro Smith. posteriormente, se seleccionó un modelo que pasó por una serie de configuraciones y pruebas, con las cuales se determinó que tenía mejores métricas de calidad para la predicción de esta enfermedad. Los aspectos anteriores se llevaron a cabo mediante un conjunto de neuroimágenes llamado ADHD-200, el cual es de uso libre. También se usó la metodología para el descubrimiento de conocimiento en bases de datos (KDD), fundamentada en tres fases principales: Pre procesar los datos de TDAH 200 para conseguir un conjunto de conectomas cerebrales, estructurar una ruta de configuración justa para un conjunto de algoritmos de Aprendizaje Automático para seleccionar el mejor modelo, y finalmente, construir una interfaz para el apoyo al diagnóstico de TDAH utilizando imágenes de resonancia magnética funcional.

Tipo de Elemento:	Monografía (Project Report)
Información Adicional:	Director-Asesor: Mora Paz Héctor Andrés Codirector-Co-asesor Rivera Rosero Jorge Albeiro
Palabras Clave:	Déficit de atención e hiperactividad (TDAH), Imágenes de resonancia magnética funcional (FMRI), ADHD-200, Machine Learning, Deep Learning
Asunto:	T Tecnología > TJ Mechanical engineering and machinery
Division:	Facultad de Ingeniería > Programa de Ingeniería de Sistemas > Trabajos de grado
Depósito de Usuario:	Funcionario Biblioteca Uno
Fecha Deposito:	22 Aug 2025 18:46
Ultima Modificación:	22 Aug 2025 18:46
URI:	http://sired.udenar.edu.co/id/eprint/16284

Ver Elemento