Predicción y control del Trastorno por déficit de Atención con Hiperactividad en adultos: Una revisión de literatura
Prediction and control of attention deficit hyperactivity disorder in adults: a review of the literature
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.
Descargas
Datos de publicación
Perfil evaluadores/as N/D
Declaraciones de autoría
- Editor y equipo editorial
- Perfiles
- Sociedad académica
- Tecnológico de Antioquia
- Editorial
- Tecnológico de Antioquia - Institución Universitaria
Para obtener más información sobre un dato, haga clic 
Public Facts Label - Plugin Mantenido por Public Knowledge Project
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 DOI: 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 DOI: 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 DOI: 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 DOI: 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 DOI: 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 DOI: 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 DOI: 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 DOI: 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 DOI: 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 DOI: 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 DOI: 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 DOI: https://doi.org/10.1080/23279095.2023.2247702
[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 DOI: 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 DOI: 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 DOI: 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 DOI: 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 DOI: 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 DOI: https://doi.org/10.1109/ICOCO56118.2022.10031796
-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 DOI: 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 DOI: 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 DOI: 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 DOI: 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 DOI: 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 DOI: 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 DOI: 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 DOI: 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 DOI: 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 DOI: 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 DOI: https://doi.org/10.1111/jcpp.13226
