Aplicación de Machine Learning para la detección de patrones conductuales en Niños de 6 a 12 Años con TDAH

El Trastorno por Déficit de Atención e Hiperactividad (TDAH) afecta profundamente a niños de 6 a 12 años, generando desafíos en su desarrollo académico, social y emocional. Los métodos tradicionales de diagnóstico, como los cuestionarios estandarizados y las entrevistas clínicas, han sido herramientas esenciales. Sin embargo, enfrentan limitaciones al abordar volúmenes grandes de datos y al proporcionar un análisis completamente objetivo de los patrones de comportamiento. En este contexto, el aprendizaje automático (Machine Learning, ML) ha surgido como una alternativa que complementa los enfoques convencionales. Esta tecnología permite analizar datos de manera más eficiente, detectando patrones complejos que podrían pasar desapercibidos en métodos tradicionales. Este artículo explora cómo los algoritmos de ML pueden contribuir a mejorar el diagnóstico del TDAH, ofreciendo soluciones más rápidas y precisas que apoyen a los especialistas en sus evaluaciones. El principal objetivo de este estudio es es evaluar y comparar modelos de Machine Learning para identificar patrones conductuales y característicos en niños de 6 a 12 años con TDAH, contribuyendo a la precisión del diagnóstico. Al integrar estos avances tecnológicos, se busca no solo optimizar los procedimientos diagnósticos, sino también ofrecer beneficios tangibles tanto para los pacientes como para sus familias. Este enfoque interdisciplinario conecta los campos de la tecnología y la salud, estableciendo un camino claro hacia investigaciones futuras que puedan revolucionar el diagnóstico y manejo del TDAH.

• Autor Principal: Sáenz Yerovi, María Fernanda (author)
• Formato: bachelorThesis
• Idioma: spa
• Publicado: 2025
• Subjects: TDAH; MACHINE LEARNING; DIAGNÓSTICO CLÍNICO; MODELOS PREDICTIVOS
• Acceso en liña: http://dspace.ups.edu.ec/handle/123456789/29966