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.

SO177

Predicción y detección temprana de la agitación y la agresividad en la demencia mediante datos fisiológicos y modelos de inteligencia artificial

PREDICTION AND EARLY IDENTIFICATION OF AGITATION AND AGGRESSION IN DEMENTIA USING PHYSIOLOGICAL DATA AND ARTIFICIAL INTELLIGENCE MODELS

Los datos fisiológicos multimodales obtenidos mediante un dispositivo portátil permiten predecir los episodios de agitación y agresividad en la demencia 10 minutos antes de su inicio con una exactitud clínicamente significativa.

El estudio tiene como objetivo desarrollar y evaluar comparativamente modelos de aprendizaje profundo capaces de detectar episodios de agitación psicomotora y agresividad en la demencia (psychomotor agitation and aggression in dementia, PAAD) 10 minutos antes de su inicio. Los datos proceden de estudios previamente publicados e incluyen señales de acelerometría, pulso de volumen sanguíneo, actividad electrodérmica y temperatura cutánea, recogidas mediante el dispositivo portátil Empatica E4 en 17 personas con demencia durante 140 días de seguimiento; el conjunto de datos contiene 182 episodios de agitación confirmados clínicamente. Se extrajeron dieciséis características clínicamente relevantes y, teniendo en cuenta el desequilibrio entre clases, los cambios temporales y las métricas de rendimiento orientadas a la práctica clínica, se compararon tres modelos basados en transformadores (Multimodal Clinical Transformer, Sensitivity Optimised Clinical Transformer y Adaptive Ensemble) con el modelo fisiológico de espacio de estados de complejidad lineal (Linear Complexity Physiological State Space Model, LC-PSSM). Pese al marcado desequilibrio del conjunto de datos, el LC-PSSM mostró el mejor rendimiento en múltiples dimensiones: el área bajo la curva ROC (AUC-ROC) fue de 0,7558, el área bajo la curva de precisión-sensibilidad (AUC-PR) de 0,5312 y la puntuación clínica de 0,7062; además, el modelo mantuvo una elevada eficiencia computacional. En el resumen se informa de una sensibilidad del 65,7 % y una especificidad del 70,6 % para este modelo, mientras que el transformador optimizado para la sensibilidad alcanzó una sensibilidad del 90,4 %, con una especificidad moderada; el modelado por conjuntos (ensemble) ofreció un rendimiento equilibrado. En las figuras del póster se muestran, para el modelo de transformador, un AUC-ROC de 0,724 y un AUC-PR de 0,471 (valor de referencia: 0,250). En conclusión, los datos fisiológicos continuos permiten detectar anticipadamente los episodios de PAAD y sientan las bases para pasar de un manejo reactivo a una intervención preventiva y en tiempo real en la atención a la demencia. Los autores señalan que, antes de su aplicación clínica, se requieren una validación en conjuntos de datos más amplios y multicéntricos y su integración en los flujos de trabajo clínicos.

Todos los resúmenes del WCP 2026