Aplicaciones de Aprendizaje Automático en el Diagnóstico y Clasificación de la Esquizofrenia

La esquizofrenia es un trastorno mental severo que afecta significativamente la calidad de vida de los individuos. Por lo tanto, la detección temprana y el diagnóstico preciso son cruciales para una intervención efectiva. Sin embargo, debido a la compleja fisiopatología de la esquizofrenia, los métodos tradicionales no logran realizar diagnósticos precisos y eficientes. El aprendizaje automático (ML) ha demostrado ser una herramienta útil para manejar datos complejos y detectar cambios sutiles en el cerebro para la detección temprana, abordando los desafíos actuales en psiquiatría. Este documento explora diferentes tipos de datos, como EEG, MRI, fMRI, datos conductuales y genéticos, y modelos de ML para el diagnóstico de esquizofrenia mediante el examen de procesamiento de datos específicos, selección de características y métodos de clasificación. Las brechas y desafíos en los modelos actuales, incluidos los sesgos de datos y la explicabilidad del modelo, también se abordan en secciones posteriores. Los datos de EEG entrenados con modelos de aprendizaje supervisado y profundo lograron la mayor precisión de clasificación entre todas las modalidades de datos y modelos de ML. Los estudios también encontraron que la conectividad funcional, los datos conductuales, genes específicos, metabolitos y citoquinas basados en el sistema inmune son biomarcadores importantes de SZ. Esta revisión tiene como objetivo proporcionar información sobre la aplicación de ML en el diagnóstico de la esquizofrenia, destacando su potencial para un uso clínico más amplio.