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.

EV0450

Un modelo de inteligencia artificial para la predicción temprana del abandono del tratamiento en el TDAH infantil: estudio piloto en un país de ingresos medianos bajos

AN ARTIFICIAL INTELLIGENCE MODEL FOR EARLY PREDICTION OF TREATMENT DISENGAGEMENT IN CHILDHOOD ADHD: A PILOT STUDY FROM A LOWER-MIDDLE-INCOME COUNTRY

El 35,8 % de 459 niños con diagnóstico reciente de TDAH abandonó el tratamiento, y el mejor modelo de aprendizaje automático entrenado con datos clínicos de rutina (XGBoost) alcanzó un AUC de 0,66.

El objetivo del estudio es desarrollar un modelo de aprendizaje automático explicable que permita identificar los predictores sociodemográficos y clínicos del abandono temprano del tratamiento en una cohorte de niños con trastorno por déficit de atención e hiperactividad (TDAH) en un entorno con recursos limitados. Se utilizó una cohorte retrospectiva de 459 niños con diagnóstico reciente de TDAH atendidos en la clínica de salud mental infantojuvenil (CAMHS) del Colombo North Teaching Hospital, en Sri Lanka; se incluyeron como variables basales las características demográficas, la vía de derivación, los perfiles sintomáticos, las comorbilidades psiquiátricas, el funcionamiento intelectual y las características de los progenitores. Se desarrollaron tres modelos mediante validación cruzada de cinco particiones: regresión logística, bosque aleatorio (random forest) y potenciación extrema del gradiente (extreme gradient boosting, XGBoost); para interpretar las predicciones de los modelos se utilizó el método SHapley Additive exPlanations (SHAP). El 35,8 % de la cohorte abandonó el tratamiento; las vías de derivación se distribuyeron de la siguiente manera: consulta por iniciativa del cuidador, 33,0 %; hospitalización, 32,0 %; sector educativo, 18,0 %; y servicios de protección infantil, 10,3 %. El modelo con mejor rendimiento fue XGBoost, con un área bajo la curva (area under the curve, AUC) de 0,66. Un mayor riesgo de abandono se asoció con el trastorno específico del aprendizaje, una presentación con predominio de síntomas conductuales o de impulsividad y la consulta ambulatoria por iniciativa propia; una mayor permanencia en el tratamiento se asoció con un funcionamiento intelectual promedio. Entre los niños que posteriormente abandonaron el tratamiento, los motivos comunicados fueron la pérdida de apoyo social, en el 63,9 %; la falta de aceptación del diagnóstico de TDAH por parte del progenitor, en el 13,7 %; y las preocupaciones relacionadas con la medicación, en el 1,5 %. Los autores señalan que la inteligencia artificial y los datos clínicos recopilados de forma rutinaria podrían facilitar la identificación temprana de los niños con riesgo de abandono, favoreciendo intervenciones dirigidas y un mejor aprovechamiento de los recursos limitados de los servicios de salud mental infantojuvenil.

Todos los resúmenes del WCP 2026