Published April 9, 2025 | Version v1
Thesis Open

Predicción del trastorno por déficit de atención e hiperactividad con redes neuronales

Authors/Creators

Description

En la actualidad existen diferentes técnicas basadas en algoritmos de Machine Learning
(ML) para la predicción del diagnóstico del trastorno por déficit de atención e
hiperactividad (TDAH). Para conseguir un diagnóstico preciso se necesitan pruebas
realizadas en hospitales que conllevan un alto coste económico, de recursos y de tiempo
para el paciente. En cambio, con la aplicación de un test de escala de inteligencia
aplicado por un experto (psicólogo u orientador) se pueden obtener ciertos factores que
definen el perfil de una persona que se pueden usar para predecir si tiene o no este
trastorno. Como beneficios tenemos que es un sistema no intrusivo y se puede aplicar
en diferentes contextos más cercanos a la persona evaluada como en consultas de
psicólogos, o bien, en los colegios, así que es fácilmente escalable o generalizable. Este
trabajo se centra en el estudio de diversas arquitecturas de redes neuronales artificiales
recientes aplicadas a datos tabulados con las que encontrar así aquellos modelos más
precisos y que mejor diagnostiquen este trastorno, a la vez que se compararán los resultados
con otros algoritmos ML. Finalmente, conoceremos si estas redes neuronales
recientes pueden mejorar al resto de estilos de aprendizaje en el caso de diagnóstico de
TDAH según los datos disponibles.

Files

TFG_II___Mario_Calpena___Predicción_del_trastorno_por_TDAH_con_redes_neuronales.pdf

Files (1.3 MB)

Additional details

Software

Repository URL
https://github.com/multivacs/TFG2023
Programming language
Python
Development Status
Unsupported

References

  • American Psychiatric Association, editor (1994). Diagnostic criteria from DSM-IV. The Association, Washington, D.C.
  • Arik, S. ¨ O. and Pfister, T. (2021). Tabnet: Attentive interpretable tabular learning. In Proceedings of the AAAI Conference on Artificial Intelligence, volume 35, pages 6679–6687.
  • Carlens, H. (2023). State of competitive machine learning in 2022. ML Contests Research. https://mlcontests.com/state-of-competitive-data-science-2022.
  • Deng, J., Dong, W., Socher, R., Li, L.-J., Li, K., and Fei-Fei, L. (2009). Imagenet: A large-scale hierarchical image database. In 2009 IEEE conference on computer vision and pattern recognition, pages 248–255. Ieee.
  • Goodman, R. (1997). The strengths and difficulties questionnaire: A research note. Journal of Child Psychology and Psychiatry, 38(5):581–586.
  • Hazimeh, H., Ponomareva, N., Mol, P., Tan, Z., and Mazumder, R. (2020). The tree ensemble layer: Differentiability meets conditional computation. In International Conference on Machine Learning, pages 4138–4148. PMLR.
  • Huang, X., Khetan, A., Cvitkovic, M., and Karnin, Z. (2020). TabTransformer: Tabular data modeling using contextual embeddings. http://arxiv.org/abs/2012.06678.
  • Kim, W.-P., Kim, H.-J., Pack, S. P., Lim, J.-H., Cho, C.-H., and Lee, H.-J. (2023). Machine learning–based prediction of attention-deficit/hyperactivity disorder and sleep problems with wearable data in children. JAMA Network Open, 6(3):e233502. Number: 3.
  • Mikolas, P., Vahid, A., Bernardoni, F., S¨uß, M., Martini, J., Beste, C., and Bluschke, A. (2022). Training a machine learning classifier to identify ADHD based on realworld clinical data from medical records. Scientific Reports, 12(1):12934. Number: 1 Publisher: Nature Publishing Group.
  • Navarro-Soria, I., Fenollar, J., Carbonell, J., and Real, M. (2020). Memoria de trabajo y velocidad de procesamiento evaluado mediante WISC-IV como claves en la evaluación del TDAH. Revista de Psicología Clínica con Niños y Adolescentes, 7(nº 1):23–29.
  • Owen, S. (2021). Use hyperopt optimally with spark and MLflow to build your best model. https://www.databricks.com/blog/2021/04/15/ how-not-to-tune-your-model-with-hyperopt.html.
  • Popov, S., Morozov, S., and Babenko, A. (2019). Neural oblivious decision ensembles for deep learning on tabular data. http://arxiv.org/abs/1909.06312.
  • Sumathi, M. and B., D. (2016). Prediction of mental health problems among children using machine learning techniques. International Journal of Advanced Computer Science and Applications, 7(1).
  • Swartout, W. R. (1985). Rule-based expert systems: The mycin experiments of the stanford heuristic programming project. Artificial Intelligence, 26(3):364–366.
  • Tocilins-Ruberts, A. (2022a). Transformers for tabular data (part 2): Linear numerical embeddings. https://towardsdatascience.com/ improving-tabtransformer-part-1-linear-numerical-embeddings-dbc3be3b5bb5.
  • Tocilins-Ruberts, A. (2022b). Transformers for tabular data: TabTransformer deep dive. https://towardsdatascience.com/ transformers-for-tabular-data-tabtransformer-deep-dive-5fb2438da820.
  • Tune, P. (2020). The Unreasonable Ineffectiveness of Deep Learning on Tabular Data. https://towardsdatascience.com/ the-unreasonable-ineffectiveness-of-deep-learning-on-tabular-data-fd784ea29c33.
  • Villanueva, M. (2021). Convolutional neural networks on tabular datasets (part 1). https://medium.com/spikelab/ convolutional-neural-networks-on-tabular-datasets-part-1-4abdd67795b6.
  • Widiger, T. A. and Costa, P. T., editors (2013). Personality Disorders and the Five- Factor Model of Personality. American Psychological Association.