Predicción y control del Trastorno por déficit de Atención con Hiperactividad en adultos: Una revisión de literatura
Predicción y control del Trastorno por déficit de Atención con Hiperactividad en adultos: Una revisión de literatura
Barra lateral del artículo
PDF
FLIP
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-CompartirIgual 4.0.
Cuaderno Activa provee acceso libre inmediato a su contenido bajo el principio de hacer disponible gratuitamente la producción investigativa al ´´público, fomentando un mayor intercambio de conocimiento científico.
Contenido principal del artículo
Resumen
La investigación aborda la necesidad de mejorar el diagnóstico y tratamiento del Trastorno por Déficit de Atención e Hiperactividad (TDAH) en adultos. Se propone utilizar técnicas de machine learning (ML) para desarrollar herramientas de predicción y diagnóstico temprano, así como estrategias de intervención personalizadas. Se llevó a cabo una exhaustiva Revisión Sistemática de la Literatura (RSL) utilizando bases de datos especializadas como PubMed, Scopus, ScienceDirect y SpringerLink, con criterios de inclusión y exclusión definidos. Los hallazgos revelaron la eficacia de enfoques personalizados, que consideran factores individuales como el estilo de vida y el entorno social, además de los síntomas clínicos. Estos enfoques no solo mejoraron la precisión del diagnóstico, sino que también permitieron diseñar estrategias de tratamiento adaptadas a las necesidades de cada paciente. Esto resalta la importancia de integrar técnicas de ML en la personalización de intervenciones para mejorar la calidad de vida de los adultos con TDAH.
Palabras clave:
Descargas
Detalles del artículo
Referencias (VER)
E. Alabdulakareem, & M. Jamjoom, “Computer-assisted learning for improving ADHD individuals’ executive functions through gamified interventions: A review”, Entertainment Computing, vol. 33, 2020. [En línea]. Disponible en: https://doi.org/10.1016/j. entcom.2020.100341
A. Beheshti, M. -L. Chavanon & H. Christiansen, “Emotion dysregulation in adults with attention deficit hyperactivity disorder: A meta-analysis”, BMC Psychiatry, vol. 20, n° 1, 2020. [En línea]. Disponible en: https://doi.org/10.1186/s12888- 020-2442- 7
C. Bembibre, Definición de Síntoma. Definición
ABC.
V. Breda et al., “Is there a place for dietetic interventions in adult ADHD?” Progress in Neuro- Psychopharmacology and Biological Psychiatry, në 119, 2022. [En línea]. Disponible en: https:// doi.org/10.1016/j.pnpbp.2022.110613
M. Cao, E. Martin y X. Li, “Machine learning in attention- deficit/hyperactivity disorder: new approaches toward understanding the neural mechanisms”, Translational Psychiatry, vol. 13, n° 1, 2023. [En línea]. Disponible en: https://doi. org/10.1038/s41398-023-02536-w
T. Chen et al., “Diagnosing attention-deficit hyperactivity disorder (ADHD) using artificial intelligence: a clinical study in the UK”, Frontiers in Psychiatry, vol. 14, 2023. [En línea]. Disponible en: https://doi.org/10.3389/fpsyt.2023.1164433
H. Christiansen et al., “Use of machine learning to classify adult ADHD and other conditions based on the Conners’ Adult ADHD Rating Scales”, Scientific reports, vol. 10, n° 1, 2020. [En línea]. Disponible en: https://doi.org/10.1038/s41598- 020-75868-y
A. Cojocaru et al., “Effectiveness of psychostimulant and non-psychostimulant drug therapy in the attention deficit hyperactivity disorder, Applied Sciences (Switzerland)”, vol. 11, n° 2, 2021. [En línea]. Disponible en: https:// doi.org/10.3390/app11020502
S. Effat et al., “Adult attention-deficit hyperactivity disorder among patients with substance use disorders”, Middle East Current Psychiatry, vol. 29, n° 1, 2022. [En línea]. Disponible en: https:// doi.org/10.1186/s43045-022-00249-2
L. Ehrig et al., “FASDetect as a machine learning- based screening app for FASD in youth with ADHD”, npj Digital Medicine, vol. 6, n° 1, 2023. [En línea]. Disponible en: https://doi. org/10.1038/s41746-023-00864-1
S. Faraone, “Meeting report: Report from the third international meeting of the attention- deficit hyperactivity disorder molecular genetics network”, American Journal of Medical Genetics
- Neuropsychiatric Genetics, vol. 114, n° 3, 2002. [En línea]. Disponible en: https://doi. org/10.1002/ajmg.10039
A. P. Francisco et al., “Cannabis use in Attention – Deficit/Hyperactivity Disorder (ADHD): A scoping review”, Journal of Psychiatric Research, vol. 157, 2023. [En línea]. Disponible en: https://doi. org/10.1016/j.jpsychires.2022.11.029
A. Y. Galvez-Contreras et al., “Therapeutic Approaches for ADHD by Developmental Stage and Clinical Presentation”, International Journal of Environmental Research and Public Health, vol. 19, n° 19, 2022. [En línea]. Disponible en: https://doi.org/10.3390/ijerph191912880
A. Gonzales, “¿Qué es Machine Learning?” ¿Qué Es Machine Learning?
N. Ahire, R. N. Awale & A. Wagh, “Electroencephalogram (EEG) based prediction of attention deficit hyperactivity disorder (ADHD) using machine learning”, Applied Neuropsychology. Adult, pp. 1-12, 2023
[En línea]. Disponible en: https://doi.org/10.108 0/23279095.2023.2247702
N. Kaur & K. S. Kahlon, “Accurate ldentification of ADHD among Adults Using Real-Time Activity Data”, Brain sciences, vol. 12, n° 7, 2022. [En línea]. Disponible en: https://doi.org/10.3390/ brainsci12070831
W. P. Kim et al., “Machine Learning-Based Prediction of Attention-Deficit/Hyperactivity Disorder and Sleep Problems With Wearable Data in Children”, JAMA network open, vol. 6, n° 3, 2023). [En línea]. Disponible en: https://doi. org/10.1001/jamanetworkopen.2023.3502
A. D. Lauvsnes, “ADHD and Mental Health Symptoms in the ldentification of Young Adults with Increased Risk of Alcohol Dependency in the General Population-The HUNT4 Population Study”, International Journal of Environmental Research and Public Health, vol. 18, n° 21, 2021. [En línea]. Disponible en: https://doi. org/10.3390/ijerph182111601
T. Li et al., “Mapping relationships between ADHD genetic liability, stressful life events, and ADHD symptoms in healthy adults”, American Journal of Medical Genetics, Part B: Neuropsychiatric Genetics, vol. 186, n° 4, 2021. [En línea]. Disponible en: https://doi. org/10.1002/ajmg.b.32828
M. R. F., A. C. P., T. I. G. M., C. C. M., & M. Á. M.
J., “[Presence and influence of attention deficit hyperactivity disorder symptoms in adults with an eating disorder]”, Anales del sistema sanitario de Navarra, vol. 45 n° 1, 2022. [En línea]. Disponible en: https://doi.org/10.23938/ASSN.0984
A. Mohd, A. M. Ali & S. A. Halim, “Detect- ing ADHD Subjects Using Machine Learning Algorithm”. 2022 IEEE International Con- ference on Computing, ICOCO 2022, pp. 299-304.[En línea]. Disponible en: https:// www.scopus.com/inward/record.uri?eid=2
-s2.0-85148454446&doi=10.1109%2fICO- CO56118.2022.10031796&partnerID=40&m-
d5=4eb322fb08d27e6c74adc58f30ae62e9
N. Mortimer et al., “Transcriptome profiling in adult attention-deficit hyperactivity disorder”, European Neuropsychopharmacology: The Journal of the European College of Neuropsychopharmacology, vol. 41, 2020. [En línea]. Disponible en: https://doi.org/10.1016/j. euroneuro.2020.11.005
K. Munawar et al., “Acceptance and commitment therapy for individuals having attention deficit hyperactivity disorder (ADHD): A scoping review”, Heliyon, vol. 7, n° 8, 2021. [En línea]. Disponible en: https://doi.org/10.1016/j.heliyon.2021. e07842
B. Nasri et al., “Internet delivered cognitive behavioral therapy for adults with ADHD
- A randomized controlled trial”, Internet Interventions, n° 100636. [En línea]. Disponible en: https://doi.org/10.1016/j.invent.2023.100636
National Institute of General Medical Sciences, “¿Qué esun gen?”, 2017. [En línea]. Disponible en: https://www.nigms.nih.gov/ education/pages/factsheet_genes. aspx
S. Nobukawa et al., “ldentification of attention- deficit hyperactivity disorder based on the complexity and symmetricity of pupil diameter”, Scientific reports, vol. 11, n° 1, 2021. [En línea]. Disponible en: https://doi.org/10.1038/s41598- 021- 88191-x
Oracle,“¿Qué es la inteligencia artificial (IA)?”,
Oracle México.
V. S. Palladino, R. McNeill, A. Reif & S. Kittel- Schneider, “Genetic risk factors and gene- environment interactions in adult and childhood attention-deficit/hyperactivity disorder”, Psychiatric Genetics, vol. 29, n° 3, 2019. [En línea]. Disponible en: https://doi.org/10.1097/ YPG.0000000000000220
C. R. Păsărelu, G. Andersson & A. Dobrean, “Attention-deficit/hyperactivity disorder mobile apps: A systematic review”, International Journal of Medical Informatics, Vol. 138, 2020. [En línea]. Disponible en: https://doi. org/10.1016/j.ijmedinf.2020.104133
Revista Colombiana de Psiquiatría, “Neuroimagen: conceptos básicos y aplicaciones clínicas”. [En línea]. Disponible en: https://www. scielo.org.co/pdf/rcp/v29n4/v29n4a02.pdf
D. Saceda Corralo, “Electroencefalograma (EEG), qué es”, Pruebas Médicas. 2018.
C. R. Shelton, C. M. Hartung & W. H. Canu, “Feasibility and Acceptability of an Internet- Based Intervention for Young Adults with ADHD”, Journal of Technology in Behavioral Science, vol. 7, në 4, pp. 428-438, 2022. [En línea]. Disponible en: https://doi.org/10.1007/s41347-022-00256-4
A. M. Soler-Gutiérrez, J. C. Pérez-González & J. Mayas, “Evidence of emotion dysregulation as a core symptom of adult ADHD: A systematic review”, PloS One, vol. 18, n° 1, e0280131, 2023. [En línea]. Disponible en: https://doi. org/10.1371/journal.pone.0280131
N. Therribout et al., “Feasibility of an Extensive Strategy for Adult Diagnosis of Attention Deficit Hyperactivity Disorder Among Patients Suffering From Substance Use Disorders”, Frontiers in Psychiatry, vol. 13, 2022. [En línea]. Disponible en: https://doi.org/10.3389/fpsyt.2022.803227
S. Weibel et al., “Practical considerations for the evaluation and management of Attention Deficit Hyperactivity Disorder (ADHD) in adults Considérations pratiques pour l’évaluation et la prise en charge du Trouble Déficit de l’Attention/ Hyperactivité (TDAH) chez l’adulte”.
A. L. Weiß et al., “DNA methylation associated with persistent ADHD suggests TARBP1 as novel candidate”, Neuropharmacology, vol. 184, 2021. [En línea]. Disponible en: https://doi. org/10.1016/j.neuropharm.2020.108370
Y. Zhang-James et al., “Machine-Learning prediction of comorbid substance use disorders in ADHD youth using Swedish registry data”, Journal of child psychology and psychiatry, and allied disciplines, vol. 61, n° 12, pp. 1370-1379, 2020. [En línea]. Disponible en: https://doi. org/10.1111/jcpp.13226
