Utilizamos cookies para comprender de qué manera utiliza nuestro sitio y para mejorar su experiencia. Esto incluye personalizar el contenido y la publicidad. Para más información, Haga clic. Si continua usando nuestro sitio, consideraremos que acepta que utilicemos cookies. Política de cookies.
Presenta Sitios para socios Información LinkXpress
Ingresar
Publique su anuncio con nosotros
Ampronix,  Inc

Eventos

28 ene 2019 - 01 feb 2019

Los científicos usan el aprendizaje automático y los exámenes de resonancia magnética para predecir las dificultades de aprendizaje

Por el equipo editorial de Medimaging en español
Actualizado el 17 Oct 2018
Print article
Imagen: los investigadores utilizaron la inteligencia artificial y la resonancia magnética para identificar las dificultades de aprendizaje en los niños (Fotografía cortesía de iStock).
Imagen: los investigadores utilizaron la inteligencia artificial y la resonancia magnética para identificar las dificultades de aprendizaje en los niños (Fotografía cortesía de iStock).
Un equipo de científicos de la Unidad de Cognición y Ciencias del Cerebro del Consejo de Investigación Médica (MRC) de la Universidad de Cambridge (Cambridge, Inglaterra, Reino Unido) utilizó el aprendizaje automático, un tipo de inteligencia artificial, con datos de cientos de niños que luchan en la escuela para identificar grupos de dificultades de aprendizaje, que no coinciden con su diagnóstico anterior. Según los investigadores, esto refuerza la necesidad de que los niños reciban evaluaciones detalladas de sus habilidades cognitivas para identificar el mejor tipo de apoyo.

Para el estudio, los investigadores reclutaron a 550 niños que habían sido remitidos a una clínica porque tenían dificultades en la escuela. Las investigaciones anteriores sobre las dificultades de aprendizaje se habían centrado en niños a los que ya se les había diagnosticado una dificultad particular, como el trastorno por déficit de atención con hiperactividad (TDAH), un trastorno del espectro autista o dislexia. El último estudio incluyó a niños con todas las dificultades, independientemente de su diagnóstico, para capturar mejor el rango de dificultades entre ellas y la superposición de las categorías de diagnóstico.

Los investigadores aplicaron el aprendizaje automático a un amplio espectro de cientos de estudiantes con dificultades al proporcionarle al algoritmo informático una gran cantidad de datos de pruebas cognitivas de cada niño, incluidas las medidas de audición, el razonamiento espacial, la resolución de problemas, el vocabulario y la memoria. Basado en estos datos, el algoritmo sugirió que los niños encajan mejor en cuatro grupos de dificultades. Estos grupos se alinearon estrechamente con otros datos sobre los niños, como los informes de los padres sobre sus dificultades de comunicación y los datos educativos sobre lectura y matemáticas.

Sin embargo, no hubo correspondencia con sus diagnósticos previos. Con el fin de verificar si estas agrupaciones correspondían a diferencias biológicas, los grupos se verificaron en las resonancias magnéticas cerebrales de 184 niños. Las agrupaciones reflejaban patrones de conectividad en partes del cerebro de los niños, lo que sugiere que el aprendizaje automático identificaba diferencias que reflejan en parte la biología subyacente. Dos de los cuatro grupos identificados fueron: dificultades con las habilidades de memoria de trabajo y dificultades con el procesamiento de sonidos en palabras. Los otros dos grupos identificados fueron: niños con amplias dificultades cognitivas en muchas áreas, y niños con resultados de pruebas cognitivas típicas para su edad. Los investigadores notaron que los niños en la agrupación que tenían resultados de pruebas cognitivas que eran típicos para su edad podían tener, en todo caso, otras dificultades que afectaban su escolarización, como las dificultades de comportamiento, que no se habían incluido en el aprendizaje automático.

"Nuestro estudio es el primero de su tipo en aplicar el aprendizaje automático a un amplio espectro de cientos de estudiantes con dificultades", dijo el Dr. Duncan Astle, de la Unidad de Cognición y Ciencias del Cerebro del MRC en la Universidad de Cambridge, quien dirigió el estudio.

"Estos son hallazgos interesantes en una etapa temprana que comienzan a investigar cómo podemos aplicar nuevas tecnologías, como el aprendizaje automático, para comprender mejor la función cerebral", dijo la Dra. Joanna Latimer, Directora de Neurociencias y Salud Mental del MRC.


Enlace relacionado:
Universidad de Cambridge


Print article
Clear Image Devices
Italray

Canales

Radiografía

ver canal
Imagen: Un tablero de instrumentos con un detector de pantalla plana revista automáticamente la salud del sistema de RD (Fotografía cortesía de Konica Minolta).

Un tablero de control con pantalla plana analiza el desempeño por región anatómica

Un tablero de control con detector de pantalla plana (FPD) integral para radiografía digital (RD) recolecta y agrega automáticamente los datos de salud y uso del sistema en visiones analíticas potentes.... Más

Medicina Nuclear

ver canal
Imagen: un nuevo estudio sugiere que la WBRT que evita el hipocampo puede preservar la función cognitiva (Fotografía cortesía de Getty Images).

Una técnica nueva de radioterapia cerebral total reduce el riesgo de deterioro neurocognitivo

Según un estudio nuevo, los efectos cognitivos adversos de la radioterapia cerebral total (WBRT, por sus siglas en inglés) se pueden mitigar de manera significativa mediante el uso de una técnica de preservación... Más

TI en Imaginología

ver canal
Imagen: Un simple portal para pacientes almacena imágenes e informes (Fotografía cortesía de Intelerad).

Un portal centrado en los pacientes facilita el acceso a la imagenología directa

Un portal nuevo de imagenología brinda a los pacientes acceso directo a su historial de exámenes, imágenes e informes en cualquier momento y en cualquier lugar. La plataforma de imágenes en la nube... Más
Copyright © 2000-2018 Globetech Media. All rights reserved.