Esta página se ha traducido automáticamente del turco. Leer el original

Esta página es un resumen en turco, elaborado con ayuda de inteligencia artificial, del trabajo presentado en el 26.º Congreso Mundial de Psiquiatría. El trabajo pertenece a los autores que lo presentan; para citarlo, consulte la fuente original.

EV0289

Enfoques de aprendizaje automático para el cribado de la dislexia en niños mediante datos de seguimiento ocular: revisión sistemática de los métodos de clasificación y su rendimiento

MACHINE LEARNING APPROACHES FOR DYSLEXIA SCREENING USING EYE-TRACKING DATA IN CHILDREN: A SYSTEMATIC REVIEW OF CLASSIFICATION METHODS AND PERFORMANCE

Los modelos de aprendizaje automático basados en datos de seguimiento ocular superan a los métodos tradicionales de cribado de la dislexia, con un rendimiento de clasificación de hasta el 96-97 %, pero se necesitan estudios prospectivos multicéntricos debido al riesgo moderado de sesgo y a la limitada validez externa.

El objetivo de la revisión fue evaluar los modelos automatizados de detección de la dislexia que utilizan datos de seguimiento ocular (eye-tracking), comparar el rendimiento de clasificación de distintos algoritmos y examinar la aplicabilidad clínica de los sistemas de cribado en tiempo real. Siguiendo las directrices PRISMA 2020, se realizaron búsquedas en cinco bases de datos desde su inicio hasta agosto de 2023; se incluyeron estudios que comunicaban medidas cuantitativas de rendimiento de modelos de aprendizaje automático basados en características de los movimientos oculares. Los ocho estudios incluyeron un total de 782 participantes de entre 7 y 13 años, con tamaños muestrales de entre 30 y 187. La exactitud de clasificación (accuracy) pasó del 80,18 % en 2015 al 96,6 % con los enfoques actuales de redes neuronales convolucionales (CNN); el modelo SVM-RFE mostró un rendimiento equilibrado, con una exactitud del 95,6 %, una sensibilidad (sensitivity) del 95,5 % y una especificidad (specificity) del 95,7 %. Las características basadas en la velocidad (velocity-based) fueron claramente superiores a las basadas en la dispersión (dispersion-based) (95,6 % frente al 76 %); el procesamiento en tiempo real alcanzó una exactitud del 88,9 %, con un tiempo de procesamiento de 7 ms por segundo, y los modelos híbridos SVM-PSO superaron a los enfoques tradicionales con una exactitud máxima del 96 %. Como referencia comparativa, los métodos tradicionales de cribado solo alcanzan una exactitud del 70-80 %, una sensibilidad del 41,5 % y una especificidad del 93,5 %. En conclusión, el aprendizaje automático basado en el seguimiento ocular ofrece un rendimiento superior al de los métodos tradicionales en el cribado de la dislexia; sin embargo, debido al riesgo moderado de sesgo y a la limitada validación externa, se necesitan estudios prospectivos multicéntricos bien diseñados y realizados con protocolos estandarizados.

Todos los resúmenes del WCP 2026