COOKIES USE
We use necessary system cookies for the correct functioning of the website and optional Google Analytics cookies to obtain visit statistics (without giving personal data). + Info
Accept cookies

Título

Predicción de la Evolución de un Primer Episodio Psicótico Mediante Algoritmos Multi-entrada de Aprendizaje Profundo

Resumen

Objetivos: Los algoritmos de aprendizaje profundo (deep learning, DL) están en la base de la mayor parte de los logros en inteligencia artificial acaecidos en estos últimos años. Este proyecto tiene como objetivo aprovechar la capacidad que tienen dichos algoritmos para combinar datos de distinta naturaleza y para servirse de modelos previamente ajustados con datos similares para hacer predicciones sobre la evolución de pacientes que sufren un primer episodio psicótico (First episode of psychosis, FEP). En concreto, se crearan algoritmos DL a partir de datos de diferente naturaleza (véase siguiente párrafo) tomados en el momento del primer episodio que serán combinados con modelos DL previamente ajustados a datos históricos de pacientes con esquizofrenia y trastorno bipolar, con la intención de predecir el diagnóstico definitivo, los niveles de afectación clínica y la funcionalidad presentes a los seis meses y al año de la visita basal.
 
Metodología: En una muestra de N=200 primeros episodios de reciente ingreso se tomarán imágenes cerebrales de MRI funcional, estructural y de difusión, imágenes de huellas dactilares, datos genéticos de polimorfismos anteriormente relacionados con la psicosis y escalas clínicas y de cognición. Estos datos se combinarán con un gran número de datos históricos de naturaleza similar disponibles en nuestras instituciones para generar los algoritmos DL de predicción.

Financiador

Instituto de Salud Carlos III, con la cofinanciación de Fondo Europeo de Desarrollo Regional "Una manera de hacer Europa"

Importe de la ayuda

75.020€

 

We are part of
HH Província España
Contact us

Avda. Jordà , 8 - 08035 Barcelona
Contact phone: 93 548 01 05
E-mail: fundacio@fidmag.com
Online contact 

         

 

Reconocimientos a la calidad y la excelencia
Última modificación: 05/12/2022
AGAUR
CIBERSAM
Generalitat de Catalunya
ISCIII
Logo UE 2022
MICINN