Desarrollan un modelo de aprendizaje automático basado en electroencefalografía para distinguir el TDAH con dislexia
Un equipo de investigación exploró el uso de electroencefalografía y aprendizaje automático para diferenciar a niños con comorbilidad de trastorno por déficit de atención con hiperactividad y dislexia de aquellos con TDAH aislado o desarrollo típico, logrando métricas destacadas de precisión mediante múltiples categorías de características neurofisiológicas.
· Actualizada el 22 de octubre de 2026
Qué pasó
Mediante el análisis de datos neurofisiológicos obtenidos durante una tarea específica, los investigadores desarrollaron un sistema computacional interpretable que logra separar con claridad distintos perfiles clínicos y neuroendecesidades infantiles. [1]
Cómo se estudió
Se registró la actividad eléctrica cerebral de los participantes mientras realizaban una tarea concreta, extrayendo diversos tipos de métricas como potenciales evocados, características de tiempo-frecuencia, conectividad funcional, medidas basadas en teoría de grafos y propiedades de dinámica no lineal. [1]
A quiénes alcanza
El trabajo incluyó a un grupo compuesto por noventa niños, de los cuales veintisiete presentaban la comorbilidad de interés, cuarenta tenían solamente el trastorno por déficit de atención con hiperactividad y veintitrés correspondían a controles con desarrollo típico. [1]
Qué límites tiene
El límite principal del estudio es que, si bien se aplicaron validaciones cruzadas y análisis de sensibilidad, se requiere cautela y futuras investigaciones para corroborar la generalización de los hallazgos en poblaciones más amplias y diversas. [1]
Qué cambia hoy
Los resultados actuales sugieren que el uso de enfoques basados en inteligencia artificial y registros neurofisiológicos multivariados podría en el futuro servir como una herramienta útil para reconocer de manera objetiva condiciones del neurodesarrollo que se presentan combinadas. [1]
Fuentes
- [1] An explainable machine learning model based on multidimensional task-state electroencephalography for identifying attention-deficit/hyperactivity disorder comorbid developmental dyslexia.Revista científica · 2 de octubre de 2026 (se abre en una pestaña nueva)
- [2] Uncovering subgroup heterogeneity in dyslexia intervention outcomes using explainable machine learning.Revista científica · 25 de mayo de 2026 (se abre en una pestaña nueva)
- [3] Machine learning-driven risk screening for Chinese developmental dyslexia in children: Theoretical framework, feature selection, and simulation-based methodological illustration.Revista científica · 14 de octubre de 2026 (se abre en una pestaña nueva)