Scoping Review sobre el uso de la Inteligencia Artificial (AI) en el diagnóstico del Déficit de Atención e Hiperactividad (TDAH) en menores de 18 años, durante los años 2019 a 2024
Cargando...
Archivos
Fecha
Título de la revista
Publicado en
Publicado por
URL de la fuente
Enlace a contenidos multimedia
ISSN de la revista
Título del volumen
Resumen
Introducción: El trastorno por déficit de atención e hiperactividad (TDAH) presenta una prevalencia del 3-5 % a nivel mundial. Sus manifestaciones clínicas suelen aparecer antes de los 12 años y constituye una de las entidades más frecuentes en la práctica de la psiquiatría infantil. El diagnóstico se basa principalmente en la evaluación clínica, lo que genera elevada variabilidad intersubjetiva y frecuente sub y sobrediagnóstico. Para reducir este problema, se han propuesto diversas pruebas, herramientas y biomarcadores orientados a una valoración más objetiva. Objetivo: Realizar una revisión de alcance sobre la implementación de métodos basados en inteligencia artificial (IA) en el diagnóstico del TDAH. Métodos: Llevamos a cabo una revisión de la literatura indexada y de literatura "gris", en base de datos como Embase, PubMed y Ovid, siguiendo la guía PRISMA para revisiones de alcance (PRISMA-ScR). Llevamos a cabo un análisis descriptivo y crítico de la literatura, enfatizando en las tendencias, lagunas de conocimiento y líneas propuestas de investigación. Resultados: 242 referencias cumplieron los criterios de inclusión. Detallamos un aumento sostenido de la investigación sobre IA aplicada al diagnóstico del TDAH en el periodo estudiado, principalmente en Estados Unidos y China. En la mayoría de los estudios los autores emplearon algoritmos de machine learning (ML) sobre muestras de electroencefalografía (EEG) (35 %) y neuroimágenes (32 %). Las métricas de desempeño de los modelos oscilaron entre el 80 % y el 100 % para diferenciar casos de controles. Pese a su potencial, evidenciamos limitaciones metodológicas y prácticas que restringen su adopción generalizada de la aplicación de la IA en el diagnóstico del TDAH. Conclusiones: En la actualidad, la IA no sustituye la entrevista clínica, el análisis multidimensional ni la evaluación contextual realizada por especialistas humanos; sigue siendo una herramienta complementaria al juicio clínico.
Descripción
Abstract
Introduction: Attention Deficit Hyperactivity Disorder (ADHD) has a prevalence of 5-10% worldwide. Its clinical manifestations usually appear before the age of 12 and constitute one of the most common entities in the practice of child psychiatry. The diagnosis is mainly based on clinical evaluation, which generates high intersubjective variability and frequent under- and overdiagnosis. To reduce this problem, various tests, tools, and biomarkers aimed at a more objective assessment have been proposed. Objective: To conduct a scoping review on the implementation of artificial intelligence (AI)-based methods in the diagnosis of ADHD. Methods: We conducted a review of indexed literature and "grey" literature, using databases such as Embase, PubMed, and Ovid, following the PRISMA guidelines for scoping reviews (PRISMA-ScR). We conducted a descriptive and critical analysis of the literature, emphasizing trends, knowledge gaps, and proposed lines of research. Results: 242 references met the inclusion criteria. We detail a sustained increase in research on AI applied to ADHD diagnosis during the studied period, mainly in the United States and China. In most studies, the authors employed machine learning (ML) algorithms on electroencephalography (EEG) samples (35%) and neuroimaging (32%). The performance metrics of the models ranged between 80% and 100% for differentiating cases from controls. Despite its potential, we observed methodological and practical limitations that restrict its widespread adoption of AI application in ADHD diagnosis. Conclusions: Currently, AI does not replace the clinical interview, multidimensional analysis, or contextual evaluation conducted by human specialists; it remains a complementary tool to clinical judgment.
Palabras clave
Revisión de alcance, Diagnóstico, Déficit de Atención e Hiperactividad, Niñez, Inteligencia Artificial, Aprendizaje Automatico
