Información

¿Qué corporaciones de salud mental existen para la investigación del procesamiento del lenguaje natural?

¿Qué corporaciones de salud mental existen para la investigación del procesamiento del lenguaje natural?


We are searching data for your request:

Forums and discussions:
Manuals and reference books:
Data from registers:
Wait the end of the search in all databases.
Upon completion, a link will appear to access the found materials.

¿Existe un corpus (una colección de documentos etiquetados) para los formularios usados ​​en varias pruebas psiquiátricas (Inventario de Depresión de Beck, Índice de Severidad de Adicciones, Lista de Verificación de PTSD, etc.) y sus preguntas a nivel de ítem?

Lo más cercano que pude encontrar es el corpus PsyMine, pero parece que ese corpus ya no se mantiene. Me gustaría encontrar algo en el mismo formato del corpus de Brown o del corpus de Reuters en el paquete NLTK Python, pero incluso si es solo un archivo, puedo convertirlo. Mi propósito es usar este corpus como referencia para hacer coincidir las descripciones de estos formularios que varios grupos han enviado a ciertas bases de datos, en todas las bases de datos porque son diferentes entre sí y espero que sean similares a un corpus general.


¿Cómo existe el lenguaje en el cerebro?

El equipo de investigación de & ldquoLa Mente Biling & uumle & rdquo que dirige la doctora Itziar Laka en la Facultad de Letras de la Universidad del País Vasco analiza el procesamiento bilingüe del lenguaje. El objetivo es averiguar cómo el cerebro adquiere y gestiona los lenguajes y descubrir de qué manera el ser lenguajes similares o diferentes influye en este proceso.

Con el fin de comprender cómo dominamos una lengua y comprender mejor el bilingüismo, el equipo de investigación de La Mente Biling & uumle (& ldquothe bilingual brain & rdquo) de la Facultad de Letras de la Universidad del País Vasco UPV / EHU analizó el proceso de adquisición de lenguas. Como explicó la doctora Itziar Laka, directora del equipo, "el lenguaje no es algo que circule por ahí, aunque tenemos formas de representarlo, el lenguaje existe en el cerebro".

En octubre de 2007 iniciaron el proyecto BRAINGLOT, centrado en el bilingüismo, en colaboración con numerosos equipos de investigación y bajo el liderazgo coordinador de la Dra. Nuria Sebasti & aacuten de la Universidad de Barcelona. Este proyecto vincula las neurociencias y la lingüística y, dentro de él, podemos responder a las preguntas más relativas a la lingüística: ¿Cómo se organizan las lenguas en el cerebro? ¿Existe algún intercambio de influencias entre ellos? ¿Es importante que los idiomas sean similares o no? ¿Cuándo se aprende un segundo idioma? & Rdquo

Adquisición de lenguaje

A pesar de mucha investigación sobre la adquisición de idiomas entre personas monolingües, los científicos todavía tienen que hacerse preguntas básicas sobre la adquisición bilingüe: ¿Cómo se dan cuenta los bebés de que están en un entorno bilingüe? ¿Cuáles son las pistas para que descubran esto? ¿Cómo se produce la discriminación entre idiomas en los bebés? "Acabamos de comenzar una investigación en esta línea y trabajar con niños requiere tomarlo con calma, ya que el período de preparación previa es muy largo", explicó la Sra. Laka.

Por el momento, se está trabajando con niños pequeños de cuatro, cinco y seis años y el objetivo es emprender el estudio con niños aún más pequeños. De hecho, empezamos a dominar un idioma antes de nacer si esperamos que un niño diga sus primeras palabras para estudiar el proceso de adquisición o iniciación de un idioma, ya es demasiado tarde y rdquo.

La adquisición de idiomas entre personas bilingües es un tema tan complejo como misterioso & ldquo Por ejemplo, si analizamos dos sílabas que suenan igual con una máquina que mide frecuencias sonoras, veremos que no son exactamente iguales entonces, ¿Cómo sabe el bebé que está escuchando la misma sílaba? ¿Qué es & ndash para él o ella & ndash & ldquothe same & rdquo or & ldquodifferent & rdquo? El equipo de Mente Biling & uumle tiene como objetivo dar respuesta a estas preguntas mediante una metodología experimental y, para ello, los investigadores están elaborando material específico a partir de sus investigaciones en el campo de la fonología.

Diferentes formas de procesar el idioma

"No sabemos cómo las personas bilingües representan y manejan sus lenguas y es en la situación monolingüe donde entendemos mejor los mecanismos de procesamiento - el bilingüismo es mucho menos entendido", explicó la Sra. Laka. En cuanto a la estructura del idioma, el orden de las palabras es un buen ejemplo para estudiar el bilingüismo. "El vasco tiene un orden libre de palabras, pero existe algo que los lingüistas llamamos orden neutral o canónico, es decir, aquello que requiere menos esfuerzo del cerebro", explicó.

Según la terminología de la tipología lingüística, el euskera es una lengua SOV (sujeto-objeto-verbo), y el español o el inglés son, en cambio, del tipo SVO. En el equipo de Mente Biling & uumle queremos encontrar respuestas a preguntas como: & ldquoPara aquellas personas cuya lengua materna es el español y luego aprenden euskera después de los cinco años, ¿cuál de estas tipologías u orden de palabras utilizan en el procesamiento del lenguaje? ¿Utilizan los mismos mecanismos para procesar el orden de las palabras que los hablantes nativos de euskera que posteriormente han aprendido español? & Rdquo

Los investigadores de Mente Biling & uumle emplean dos metodologías, entre otras, para investigar el orden de las palabras: una analiza el comportamiento del procesamiento del orden de las palabras y la otra la electrofisiología involucrada en el procesamiento (las señales eléctricas producidas en el cerebro). Esta última técnica se conoce como ERP (Potencial de Respuesta Evocada). En la metodología conductual, los individuos experimentales se sentaron frente a las computadoras del laboratorio Elebilab de la Facultad de Artes.

Las computadoras proporcionaron señales escritas o auditivas con oraciones de varias estructuras y se midió el tiempo para que los individuos leyeran / escucharan y respondieran a las indicaciones. & ldquoPor ejemplo, el cerebro necesita mucho menos tiempo para procesar la oración vasca, & lsquootsoak ardiak jan ditu & rsquo (el lobo se ha comido la oveja) que para entender & lsquoardiak otsoak jan ditu & rsquo (el lobo se ha comido a la oveja), aunque ambos son gramaticalmente correctos & rdquo.

La técnica ERP es útil para analizar cómo procesamos el lenguaje. Los sujetos llevan un gorro provisto de 60 electrodos, con el objetivo de medir la electricidad generada por el cerebro. "Esta es una información muy valiosa para nosotros, ya que nos permite medir con precisión el esfuerzo realizado por el cerebro dadas ciertas estructuras", explicó el Dr. Laka. El primer trabajo de investigación realizado en el País Vasco utilizando la técnica ERP fue publicado en 2006 por el miembro de Mente Biling & uumle, Sr. Kepa Erdozia.

Además de cuestiones de procesamiento sintáctico, también están analizando el efecto de la edad en el cerebro bilingüe con respecto a la fonología, el vocabulario y la gramática, entre otros fenómenos. "Hasta la fecha, sabemos que la edad de adquisición de un idioma influye en la fonología, dado que quienes aprenden un idioma en la infancia no tienen acento al hablar, quienes aprenden en la edad adulta pueden o no", explicó la Sra. Laka. Del mismo modo, es bien sabido que la edad de adquisición de una lengua no influye en el vocabulario. "En lo que respecta a la gramática, nuestra investigación muestra que no debe entenderse como un todo sino que dentro de ella hay algunos fenómenos que sí muestran efectos de adquisición y otros que no", agregó.

Control bilingue

Los investigadores de la Universidad de Barcelona que han colaborado con el equipo de la UPV / EHU han concluido que las personas bilingües altamente competentes y las menos competentes en uno de sus dos idiomas no emplean los mismos mecanismos para cambiar de uno a otro. Asimismo, el hecho de tener que controlar dos idiomas con frecuencia entrena el cerebro y este entrenamiento puede ralentizar la pérdida de determinadas características cognitivas que aparecen con el envejecimiento. "Estamos investigando para ver si estos efectos encontrados entre las personas bilingües que hablan catalán y castellano se replican en los que hablan euskera y castellano, para juzgar si la distancia entre lenguas tiene algún efecto", afirma el Dr. Laka.

Para los científicos esto es de gran interés y ndash analizar y comparar dos poblaciones bilingües que comparten uno de sus dos idiomas. Además, el catalán y el español son muy similares sintácticamente, mientras que el vasco y el español son muy diferentes a este respecto. En fonología ocurre lo contrario, el castellano se diferencia más del catalán que del vasco. Gracias a esto, los investigadores pueden distinguir mejor los efectos en el cerebro que tiene la distancia entre idiomas.

Fuente de la historia:

Materiales proporcionados por Investigación Vasca. Nota: El contenido puede editarse por estilo y longitud.


Meystre SM, Savova GK, Kipper-Schuler KC, Hurdle JF. Extracción de información de documentos textuales en la historia clínica electrónica: una revisión de investigaciones recientes. Yearb Med Inform. 200817:128–144.

Demner-Fushman D, Chapman WW, McDonald CJ. ¿Qué puede hacer el procesamiento del lenguaje natural para respaldar las decisiones clínicas? J Biomed Inform. 200942:760–772.

Leaman R, Khare R, Lu Z. Desafíos en el procesamiento clínico del lenguaje natural para la normalización automatizada de trastornos. J Biomed Inform. 201557:28–37.

Velupillai S, Suominen H, Liakata M, et al. Uso del procesamiento clínico del lenguaje natural para la investigación de resultados de salud: descripción general y sugerencias prácticas para avances futuros. J Biomed Inform. 201888:11–19.

Névéol A, Dalianis H, Velupillai S, Savova G, Zweigenbaum P. Procesamiento clínico del lenguaje natural en idiomas distintos del inglés: oportunidades y desafíos. J Biomed Semant. 20189:12.

Carrell DS, Schoen RE, Leffler DA y col. Desafíos en la adaptación de los sistemas de procesamiento del lenguaje natural clínico existentes a múltiples y diversos entornos de atención médica. J Am Med Inform Assoc JAMIA. 201724:986–991.

Zozus MN, Pieper C, Johnson CM y col. Factores que afectan la precisión de los datos extraídos de los registros médicos. Más uno. 201510: e0138649.

Wang Y, Wang L, Rastegar-Mojarad M, et al. Aplicaciones de extracción de información clínica: una revisión de la literatura. J Biomed Inform. 201877:34–49.

Luque C, Luna JM, Luque M, Ventura S. Una revisión avanzada sobre minería de textos en medicina. WIREs Data Min Knowl Discov. 20199: e1302.

Simpson MS, Demner-Fushman D. Minería de textos biomédica: un estudio de los avances recientes. En: Aggarwal CC, Zhai C, eds. Minería de datos de texto. Boston: Springer 2012: 465–517.

Belskaja IK. Traducción automática de idiomas. Investigar. 195710:383–389.

CD de Manning, Raghavan P, Schütze H. Introducción a la recuperación de información. Cambridge: Cambridge University Press 2008.

Jurafsky D, Martin JH. Procesamiento del habla y el lenguaje: una introducción al procesamiento del lenguaje natural, la lingüística computacional y el reconocimiento del habla.. Río Upper Saddle: Pearson Prentice Hall 2009.

Calijorne Soares MA, Parreiras FS. Una revisión de la literatura sobre técnicas, paradigmas y sistemas de respuesta a preguntas. J King Saud Univ Comput Inf Sci. 2018. https://doi.org/10.1016/j.jksuci.2018.08.005.

Lloret E. Palomar M Resumen del texto en curso: revisión de la literatura. Artif Intell Rev. 201237:1–41.

Gentzkow M, Kelly B, Taddy M. Texto como datos. J Econ Lit.. 201957:535–574.

Crawford M, Khoshgoftaar TM, Prusa JD, Richter AN, Al Najada H. Encuesta sobre la detección de spam en reseñas mediante técnicas de aprendizaje automático. J Big Data. 20152:23.

Liddy ED. Procesamiento natural del lenguaje. En: Drake MA, ed. Enciclopedia de Bibliotecas y Ciencias de la Información, 2ª Ed. Nueva York: Marcel Decker, Inc. 2001.

Blei DM. Modelos temáticos probabilísticos. Comun ACM. 201255:77–84.

CD Manning. Etiquetado de parte del discurso del 97% al 100%: ¿Es hora de algo de lingüística? En: Gelbukh AF, ed. Lingüística computacional y procesamiento inteligente de textos. Berlín: Springer 2011: 171–189.

Ferraro JP, Daumé H, DuVall SL, Chapman WW, Harkema H, Haug PJ. Mejorar el rendimiento del etiquetado de parte del discurso del procesamiento del lenguaje natural en narrativas clínicas a través de la adaptación de dominio. J Am Med Inform Assoc JAMIA. 201320:931–939.

Goyal A, Gupta V, Kumar M. Técnicas recientes de reconocimiento y clasificación de entidades nombradas: una revisión sistemática. Informática Sci Rev. 201829:21–43.

Kübler S, McDonald R, Nivre J. Análisis de dependencia. Sintetizador Lect Hum Lang Technol. 20082:1–127.

Shen W, Wang J, Han J. Entidad que se vincula con una base de conocimientos: problemas, técnicas y soluciones. IEEE Trans Knowl Data Eng. 201527:443–460.

Giatsoglou M, Vozalis MG, Diamantaras K, Vakali A, Sarigiannidis G, Chatzisavvas KCh. Análisis de sentimientos que aprovecha las emociones y la inserción de palabras. Aplicación de sistema experto. 201769:214–224.

Mitra B, Craswell N.Incrustaciones de texto neuronal para la recuperación de información. En: Actas de la Décima Conferencia Internacional ACM sobre búsqueda web y minería de datos. Association for Computing Machinery, Nueva York, NY, EE. UU. 2017: 813–814.

Bengio S, Heigold G. Incrustaciones de palabras para reconocimiento de voz. En: Interspeech 2014:1053–1057.

Le Q, Mikolov T. Representaciones distribuidas de oraciones y documentos. En: Actas de la 31a Conferencia Internacional sobre Conferencia Internacional sobre Aprendizaje Automático volumen 32 2014.

Sennrich R, Haddow B, Birch A. Traducción automática neuronal de palabras raras con unidades de subpalabras. En: Actas de la 54a Reunión Anual de la Asociación de Lingüística Computacional (Volumen 1: Documentos largos). Berlín, Alemania: Asociación de Lingüística Computacional 2016: 1715-1725.

Kim Y, Jernite Y, Sontag D, Rush AM. Modelos de lenguaje neuronal consciente de los personajes. CoRR, 2015.

Wieting J, Bansal M, Gimpel K, Livescu K. Charagram: incrustación de palabras y oraciones a través de n-gramas de caracteres. En: EMNLP. 2016.

Assale M, Dui LG, Cina A, Seveso A, Cabitza F. El resurgimiento del campo de las notas: aprovechando el contenido no estructurado en los registros médicos electrónicos. Frente Med. 2019. https://doi.org/10.3389/fmed.2019.00066.

Nadkarni PM, Ohno-Machado L, Chapman WW. Procesamiento del lenguaje natural: una introducción. J Am Med Inform Assoc JAMIA. 201118:544–551.

Cai T, Giannopoulos AA, Yu S y col. Tecnologías de procesamiento del lenguaje natural en la investigación radiológica y aplicaciones clínicas. Radiogr Rev Publ Radiol Soc N Am Inc. 201636:176–191.

Yim W-W, Yetisgen M, Harris WP, Kwan SW. Procesamiento del lenguaje natural en oncología: una revisión. JAMA Oncol. 20162:797–804.

Pons E, Braun LMM, Hunink MGM, Kors JA. Procesamiento del lenguaje natural en radiología: una revisión sistemática. Radiología. 2016279:329–343.

Murff HJ, FitzHenry F, Matheny ME y col. Identificación automatizada de complicaciones postoperatorias dentro de un registro médico electrónico utilizando procesamiento de lenguaje natural. JAMA. 2011306:848–855.

Vo E, Davila JA, Hou J y col. Diferenciación de la ileostomía de los procedimientos de colostomía: evaluación de la precisión de los códigos de terminología de procedimientos actuales y la utilidad del procesamiento del lenguaje natural. Cirugía. 2013154:411–417.

Elkin PL, Froehling DA, Wahner-Roedler DL, Brown SH, Bailey KR. Comparación de los métodos de biovigilancia del procesamiento del lenguaje natural para identificar la influenza a partir de notas de encuentros. Ann Intern Med. 2012156:11–18.

Calvo RA, Milne DN, Hussain MS, Christensen H. Procesamiento del lenguaje natural en aplicaciones de salud mental utilizando textos no clínicos. Nat Lang Eng. 201723:649–685.

Conway M, O'Connor D. Redes sociales, macrodatos y salud mental: avances actuales e implicaciones éticas. Curr Opin Psychol. 20169:77–82.

Sun W, Cai Z, Li Y, Liu, F, Fang S, Wang G. Tecnologías de procesamiento de datos y minería de textos en registros médicos electrónicos: una revisión. J Healthc Eng. 20182018:4302425.

Bodenreider O. El sistema de lenguaje médico unificado (UMLS): integración de terminología biomédica. Res de ácidos nucleicos. 200432:267–270.

McCray AT. Una ontología de nivel superior para el dominio biomédico. Int J Genom. 20034:80–84.

Zhang Y, Chen Q, Yang Z, Lin H, Lu Z. BioWordVec, mejorando la integración de palabras biomédicas con información de subpalabras y MeSH. Datos de ciencia. 2019. https://doi.org/10.1038/s41597-019-0055-0.

Gero Z, Ho J. PMCVec: representación de frases distribuidas para el procesamiento de texto biomédico. J Biomed Inform. 20193:100047.

Bai T, Chanda AK, Egleston BL, Vucetic S. EHR fenotipado mediante la incorporación conjunta de conceptos médicos y palabras en un espacio vectorial unificado. BMC Med Inform Decis Mak. 201818:123.

Liu K, Hogan WR, Crowley RS. Métodos y sistemas de procesamiento del lenguaje natural para el aprendizaje de ontologías biomédicas. J Biomed Inform. 201144:163–179.

Feczko PJ, Ackerman LV, Halpert RD, Simms SM. Un sistema de gestión de información gastrointestinal basado en computadora. Radiología. 1984152:297–300.

Rex DK, Schoenfeld PS, Cohen J, et al. Indicadores de calidad para colonoscopia. Soy J Gastroenterol. 2015110:72–90.

Corley DA, Jensen CD, Marks AR, et al. Tasa de detección de adenomas y riesgo de cáncer colorrectal y muerte. N Engl J Med. 2014370:1298–1306.

Barclay RL, Vicari JJ, Doughty AS, Johanson JF, Greenlaw RL. Tiempos de retirada de la colonoscopia y detección de adenomas durante la colonoscopia de cribado. N Engl J Med. 2006355:2533–2541.

Adler A, Wegscheider K, Lieberman D y col. Factores que determinan la calidad de la colonoscopia de cribado: un estudio prospectivo sobre las tasas de detección de adenomas, a partir de 12134 exámenes (proyecto de colonoscopia de Berlín 3, BECOP-3). Intestino. 201362:236–241.

Rex DK. ¿Quién es el mejor colonoscopista? Endosc gastrointestinal. 200765:145–150.

Pike IM. Mejora de la calidad en gastroenterología: una perspectiva estadounidense. Nat Clin Pract Gastroenterol Hepatol. 20085:550–551.

Imler TD, Morea J, Kahi C y col. Medición de la calidad de la colonoscopia multicéntrica que utiliza el procesamiento del lenguaje natural. Soy J Gastroenterol. 2015110:543–552.

Imler TD, Morea J, Kahi C, Imperiale TF. El procesamiento del lenguaje natural categoriza con precisión los hallazgos de los informes de colonoscopia y patología. Clin Gastroenterol Hepatol Off Clin Pract J Am Gastroenterol Assoc. 201311:689–694.

Mehrotra A, Dellon ES, Schoen RE, et al. Aplicar una herramienta de procesamiento del lenguaje natural a los registros médicos electrónicos para evaluar el desempeño en las medidas de calidad de la colonoscopia. Endosc gastrointestinal. 201275:1233–1239.

Harkema H, Chapman WW, Saul M, Dellon ES, Schoen RE, Mehrotra A. Desarrollo de una aplicación de procesamiento del lenguaje natural para medir la calidad de los procedimientos de colonoscopia. J Am Med Inform Assoc JAMIA. 201118: i150 – i156.

Gawron AJ, Thompson WK, Keswani RN, Rasmussen LV, Kho AN. Tasas de detección de adenomas anatómicas y avanzadas como métricas de calidad determinadas a través del procesamiento del lenguaje natural. Soy J Gastroenterol. 2014109:1844–1849.

Lee JK, Jensen CD, Levin TR, et al. Identificación precisa de la calidad de la colonoscopia y los hallazgos de los pólipos mediante el procesamiento del lenguaje natural. J Clin Gastroenterol. 201953: e25 – e30.

Raju GS, Lum PJ, Slack RS, et al. El procesamiento del lenguaje natural como alternativa al informe manual de las métricas de calidad de la colonoscopia. Endosc gastrointestinal. 201582:512–519.

Deutsch JC. Calidad de la colonoscopia, medidas de calidad y una herramienta de procesamiento de lenguaje natural para registros médicos electrónicos. Endosc gastrointestinal. 201275:1240–1242.

Marcondes FO, Gourevitch RA, Schoen RE, Crockett SD, Morris M, Mehrotra A. La tasa de detección de adenomas cae al final del día en una gran muestra de múltiples sitios. Dig Dis Sci. 201863: 856–859. https://doi.org/10.1007/s10620-018-4947-1.

Patel VD, Thompson WK, Lapin BR, Goldstein JL, Yen EF. Umbral de tiempo de retiro de la colonoscopia de detección para una tasa adecuada de detección de pólipos serrados proximales. Dig Dis Sci. 201863: 3084–3090.https://doi.org/10.1007/s10620-018-5187-0.

Abdul-Baki H, Schoen RE, Dean K, et al. La notificación pública de la calidad de la colonoscopia se asocia con un aumento en la tasa de detección de adenomas por endoscopista. Endosc gastrointestinal. 201582:676–682.

Mehrotra A, Morris M, Gourevitch RA, et al. Características del médico asociadas con una mayor tasa de detección de adenomas. Endosc gastrointestinal. 201887:778–786.

Crockett SD, Gourevitch RA, Morris M, et al. Factores endoscopistas que influyen en la detección de pólipos serrados: un estudio multicéntrico. Endoscopia. 201850:984–992.

Gourevitch RA, Rose S, Crockett SD, et al. Variación en la clasificación patológica de adenomas colorrectales y pólipos serrados. Soy J Gastroenterol. 2018113:431–439.

Hong SN, Son HJ, Choi SK y col. Un modelo de predicción para la neoplasia colorrectal avanzada en una población de cribado asintomática. Más uno. 201712: e0181040.

Blumenthal DM, Singal G, Mangla SS, Macklin EA, Chung DC. Predecir la no adherencia con colonoscopia ambulatoria utilizando una novedosa herramienta electrónica que mide la no adherencia previa. Médico interno de J Gen. 201530:724–731.

Thrift AP, Natarajan Y, Mansour NM, et al. Tu1117: utiliza el procesamiento del lenguaje natural para identificar con precisión la displasia en los informes de patología de pacientes con esófago de Barrett. Gastroenterología. 2018154:896–897.

Hou JK, Soysal E, Moon S, et al. El procesamiento del lenguaje natural Su1815 identifica con precisión la displasia colorrectal en una cohorte nacional de veteranos con enfermedad inflamatoria intestinal. Gastroenterología. 2016150: S560 – S561.

Ananthakrishnan AN, Cai T, Cheng S-C y col. Tu1276 mejora la definición de caso de enfermedad de Crohn y colitis ulcerosa en registros médicos electrónicos mediante el procesamiento del lenguaje natural: un enfoque informático novedoso. Gastroenterología. 2012142: S-791.

Cai T, Lin T-C, Bond A y col. La asociación entre artralgia y Vedolizumab mediante el procesamiento del lenguaje natural. Enfermedad intestinal de Inflamm. 201824:2242–2246.

Hou JK, Chang M, Nguyen T, et al. Identificación automatizada de la colonoscopia de vigilancia en la enfermedad inflamatoria intestinal mediante el procesamiento del lenguaje natural. Dig Dis Sci. 201358: 936–941. https://doi.org/10.1007/s10620-012-2433-8.

Comité de Estándares de Práctica de ASGE, Anderson MA, Fisher L, et al. Complicaciones de la CPRE. Endosc gastrointestinal. 201275:467–473.

Imler TD, Sherman S, Imperiale TF, et al. Medición de calidad específica del proveedor para ERCP utilizando procesamiento de lenguaje natural. Endosc gastrointestinal. 201887:164–173.

Al-Haddad MA, Friedlin J, Kesterson J, Waters JA, Aguilar-Saavedra JR, Schmidt CM. Procesamiento del lenguaje natural para el desarrollo de un registro clínico: un estudio de validación en neoplasias mucinosas papilares intraductales. HPB. 201012:688–695.

Mehrabi S, Schmidt CM, Waters JA y col. Una metodología eficiente de identificación de quistes pancreáticos que utiliza el procesamiento del lenguaje natural. Información técnica de Stud Health. 2013192:822–826.

Chang EK, Yu CY, Clarke R y col. Mo1050 utiliza un algoritmo de diagnóstico automatizado que utiliza registros de salud electrónicos y procesamiento del lenguaje natural para definir una población con cirrosis. Gastroenterología.. 2015148: S-1074.

Kung R, Ma A, Dever JB y col. Mo1043 un algoritmo de procesamiento del lenguaje natural para la identificación de pacientes con cirrosis a partir de registros médicos electrónicos. Gastroenterología. 2015148:1071–1072.

Corey KE, Kartoun U, Zheng H, Shaw SY. Desarrollo y validación de un algoritmo para identificar la enfermedad del hígado graso no alcohólico en la historia clínica electrónica. Dig Dis Sci. 201661: 913–919. https://doi.org/10.1007/s10620-015-3952-x.

Sada Y, Hou J, Richardson P, El-Serag H, Davila J. Validación de algoritmos de búsqueda de casos de cáncer hepatocelular a partir de datos administrativos y registros médicos electrónicos utilizando procesamiento de lenguaje natural. Atención médica. 201654: e9 – e14.

Koola JD, Davis SE, Al-Nimri O, et al. Desarrollo de un algoritmo de fenotipado automático para el síndrome hepatorrenal. J Biomed Inform. 201880:87–95.

Imler TD, Ring N, Crabb DW. Su1403 riesgos médicos, sociales y legales para predecir la enfermedad hepática alcohólica mediante el procesamiento del lenguaje natural y análisis avanzados. Gastroenterología. 2015148: S-499.

Jha AK. La promesa de los registros electrónicos: ¿a la vuelta de la esquina o en el futuro? JAMA. 2011306:880–881.

Imler TD, Morea J, Imperiale TF. El apoyo a la toma de decisiones clínicas con procesamiento del lenguaje natural facilita la determinación de los intervalos de vigilancia de la colonoscopia. Clin Gastroenterol Hepatol Off Clin Pract J Am Gastroenterol Assoc. 201412:1130–1136.

Bhat S, Zahorian T, Robert R, Farraye FA. Abogando por pacientes con enfermedad inflamatoria intestinal: cómo navegar el proceso de autorización previa. Enfermedad intestinal de Inflamm. 201925:1621–1628.

Walsh SH. La perspectiva del médico sobre los registros médicos electrónicos y cómo pueden afectar la atención al paciente. BMJ. 2004328:1184–1187.

Coiera E. Cuando la conversación es mejor que la computación. J Am Med Inform Assoc JAMIA. 20007:277–286.

Maybury M. Avances en el resumen automático de texto. Nueva York: MIT Press 1999.

Friedman C, Hripcsak G. Procesamiento del lenguaje natural y su futuro en la medicina. Acad Med. 199974:890–895.

Ni Y, Wright J, Perentesis J, et al. Aumento de la eficacia del emparejamiento ensayo-paciente: elegibilidad automatizada para ensayos clínicos Pre-cribado para pacientes de oncología pediátrica. BMC Med Inform Decis Mak. 2015. https://doi.org/10.1186/s12911-015-0149-3.

Trugenberger CA, Wälti C, Peregrim D, Sharp ME, Bureeva S. Descubrimiento de nuevos biomarcadores y fenotipos mediante tecnologías semánticas. BMC Bioinform. 201314:51.

Coppersmith G, Leary R, ​​Crutchley P, Fine A. Procesamiento del lenguaje natural de las redes sociales como detección del riesgo de suicidio. Información de Biomed Inform. 2018. https://doi.org/10.1177/1178222618792860.

McCoy AB, Wright A, Eysenbach G, et al. Estado del arte en informática clínica: evidencia y ejemplos. Yearb Med Inform. 20138:13–19.

Zheng X, Feng J, Chen Y, Peng H, Zhang W. Contexto de aprendizaje: incrustaciones de palabras / caracteres específicos. En: Actas de la conferencia AAAI sobre inteligencia artificial 2017:3393–3399.

Li P, Bing L, Lam W, Li H, Liao Y. Resumen de varios documentos con reconocimiento de lectores mediante codificación escasa. En: IJCAI 2015.

Forbush TB, Gundlapalli AV, Palmer MN, et al. Sentado sobre alfileres y agujas: caracterización de descripciones de síntomas en notas clínicas. AMIA Summits Transl Sci Proc. 20132013:67–71.

Koleck TA, Dreisbach C, Bourne PE, Bakken S. Procesamiento del lenguaje natural de los síntomas documentados en narrativas de texto libre de registros médicos electrónicos: una revisión sistemática. J Am Med Inform Assoc. 201926:364–379.

Chapman WW. Cerrar la brecha entre la investigación en PNL y la práctica clínica. Métodos Inf Med. 201049:317–319.

Liberati EG, Ruggiero F, Galuppo L, et al. ¿Qué obstaculiza la adopción de sistemas informáticos de apoyo a la toma de decisiones en los hospitales? Un estudio cualitativo y un marco para la implementación. Implementar Sci. 201712:113.

Horsky J, Schiff GD, Johnston D, Mercincavage L, Bell D, Middleton B. Principios de diseño de interfaz para el apoyo a la toma de decisiones utilizable: una revisión dirigida de las mejores prácticas para las intervenciones de prescripción clínica. J Biomed Inform. 201245:1202–1216.


Desigualdades étnicas y en salud cardiovascular en personas con enfermedades mentales graves: protocolo para el estudio E-CHASM

Objetivo: Las personas con enfermedades mentales graves (SMI) experimentan una reducción de la esperanza de vida de 17 a 20 años. Un tercio de las muertes se deben a enfermedades cardiovasculares. Este estudio establecerá la relación de la TMG con las enfermedades cardiovasculares en grupos étnicos minoritarios (India, Pakistán, Bangladesh, Caribe negro, africano negro e irlandés), en el Reino Unido.

Métodos: E-CHASM es un estudio de métodos mixtos que utiliza datos de 1,25 millones de registros electrónicos de pacientes. El análisis secundario de los registros de pacientes de rutina establecerá si existen diferencias en la mortalidad por causas específicas, la prevalencia de enfermedades cardiovasculares y las disparidades en el acceso a la atención médica para las personas de minorías étnicas que viven con TMG. Se utilizará un estudio cualitativo anidado para evaluar las barreras para acceder a la atención médica, tanto desde la perspectiva de los usuarios como de los proveedores de servicios.

Resultados: En atención primaria, 993,116 personas, mayores de 18 años, proporcionaron datos de 186/189 (98%) prácticas en cuatro distritos del centro de la ciudad (áreas del gobierno local) en Londres. La prevalencia de TMG según los registros de atención primaria osciló entre el 1,3% y el 1,7% en todos los distritos. La muestra de atención primaria incluyó bangladesí [n = 94,643 (10%)], indio [n = 6086 (6%)], paquistaní [n = 35,596 (4%)], caribeño negro [n = 45,013 (5%)], negros africanos [n = 75,454 (8%)] e irlandeses [n = 13,745 (1%)]. En la base de datos de atención secundaria, 12.432 personas con TMG durante 2007-2013 aportaron información: los diagnósticos prevalentes fueron esquizofrenia [n = 6805 (55%)], trastornos esquizoafectivos [n = 1438 (12%)] y trastorno afectivo bipolar [n = 4112 ( 33%)]. Los grupos minoritarios étnicos más grandes de esta muestra fueron los caribeños negros [1432 (12%)] y los africanos negros (1393 (11%)).

Conclusiones: Hay una escasez de investigaciones que examinen las enfermedades cardiovasculares en grupos étnicos minoritarios con enfermedades mentales graves. El estudio E-CHASM abordará esta brecha de conocimiento.

Palabras clave: Trastorno afectivo bipolar Enfermedad cardiovascular Origen étnico Esquizofrenia Enfermedad mental grave.


Desafíos metodológicos para el manejo preciso y significativo de los factores raciales y étnicos en la investigación sobre salud mental infantil

Es fácil estar de acuerdo con la noción de que nuestros estudios de investigación deben incluir a personas de minorías raciales y étnicas subrepresentadas. Más desafiante, sin embargo, es cómo manejar mejor variables demográficas tan importantes de una manera que asegure que no saquemos conclusiones sesgadas. Como se discutió, la omisión de la raza y el origen étnico en nuestra investigación puede llevar a generalizaciones sobre los hallazgos del estudio que solo pueden ser aplicables para la mayoría (en los EE. UU., Por lo general, no hispanos, blancos) de los participantes en el estudio. Pero la simple inclusión de estas variables en nuestros análisis puede conducir de manera similar a conclusiones inapropiadas que oscurecen procesos importantes a través de los cuales pueden surgir disparidades en la salud. Se sabe que la raza y la etnia están fuertemente asociadas con el estatus socioeconómico (NSE), que en sí mismo es una construcción compleja y multidimensional. Pero hay múltiples razones por las que la raza y la etnia deben considerarse como contribuyentes independientes a las disparidades en la salud incluso después de que se considere el nivel socioeconómico (Williams, Priest y Anderson, 2016). Por ejemplo, incluso en niveles comparables de SES, los miembros de grupos minoritarios probablemente experimenten racismo y discriminación en comparación con los blancos, y esto tiene efectos conocidos en los resultados de salud (Lewis, Cogburn y Williams, 2015), que son particularmente malos para los niños. y adolescentes (Priest et al., 2013).

La raza y la etnia en sí mismas no son unidimensionales, por lo que presentan otro desafío sobre cómo considerar sistemáticamente sus efectos en los estudios de salud mental infantil. La designación de raza negra en los Estados Unidos, por ejemplo, podría indicar individuos con ancestros antiguos en los Estados Unidos, o inmigrantes más recientes de África o el Caribe. Las personas de estos orígenes variados pueden compartir experiencias y rasgos comunes, pero también es probable que difieran en formas que sean relevantes para comprender las disparidades en la salud. Existe una variación considerable, por ejemplo, en la prevalencia de hipertensión entre personas de raza negra de diferente ascendencia y de diferentes áreas geográficas (Williams et al., 2016). Como tal, la consideración de la raza tal como la definen categorías tan toscamente definidas como "negro" o "afroamericano" puede no ser suficiente para evitar conclusiones sesgadas o generalizadas sin considerar también una amplia gama de factores sociales, culturales y ambientales. Por estas y otras razones, la consideración apropiada de la raza y la etnia en nuestra investigación es más complicada que simplemente incluir estas categorías heterogéneas como predictores independientes. Sin embargo, debemos seguir siendo conscientes de cómo estas variables influyen en la interpretación de nuestros resultados.


En el aprendizaje automático, un hiperparámetro es un parámetro cuyo valor se establece antes del proceso de aprendizaje, mientras que el valor de otros parámetros se deriva a través del aprendizaje.

La búsqueda en cuadrícula es una forma de elegir los mejores hiperparámetros y consiste en buscar exhaustivamente a través de un subconjunto del espacio de hiperparámetros de un algoritmo de aprendizaje.

El hiperparámetro C hace referencia al valor de regularización, que sirve como un grado de importancia que se le da a la clasificación errónea. Cuanto mayor sea el valor, menos se permitirán los ejemplos clasificados incorrectamente.

Una función de pérdida o función de costo mide qué tan bueno es un modelo de predicción en términos de poder predecir el resultado esperado.

TF-IDF es la cantidad de veces que una palabra aparece en un documento ponderada por la cantidad de palabras significativas en varios documentos


Métodos

La revisión se realizó de acuerdo con el Manual Cochrane para Revisiones Sistemáticas de Intervenciones y los informes se basan en PRISMA. 43,44 Este estudio se registró en el Registro Prospectivo Internacional de Revisiones Sistemáticas del Instituto Nacional de Investigación en Salud (https://www.crd.york.ac.uk/prospero/) con el ID CRD42017076515.

Criterio de elegibilidad

Se incluyeron (a) ensayos controlados aleatorios que (b) investigaron los efectos de una intervención psicológica independiente para un dominio de salud mental específico (c) administrada a través de una aplicación de teléfono inteligente independiente (d) con el objetivo de reducir los síntomas de un trastorno mental o STB (e ) al que se dirigió específicamente la aplicación. Los ensayos deben haber incluido (f) una población adulta (≥18 años) (g) con mayor gravedad de los síntomas de un trastorno mental de acuerdo con el DSM-IV o DSM-V 45,46 o STB (h) evaluados por un instrumento de diagnóstico o un punto de corte de síntomas predefinido (i) que era idéntico al objetivo principal del estudio (j) en comparación con una condición de control. Solo se consideraron (k) artículos publicados (l) en revisión por pares en inglés y alemán. Decidimos incluir los STB, ya que son generalizados entre las personas con trastornos mentales graves.

Una intervención psicológica se definió como una intervención dirigida al cambio de comportamiento y la reducción de la carga de los trastornos mentales, diseñada e implementada específicamente con la intención de tratar los síntomas de los trastornos mentales.

Estrategia de búsqueda

Se completó una búsqueda bibliográfica sistemática (hasta el 8 de febrero de 2018) en Pubmed, PsycInfo, SCOPUS, Web of Science y Cochrane Central Register of Controlled Trials. Los términos de búsqueda clave incluyeron una combinación de tres temas principales: aplicaciones para teléfonos inteligentes y salud móvil, trastornos mentales y ensayos controlados aleatorios (cadena de búsqueda para métodos complementarios de Pubmed).

Selección de estudios

Después de la eliminación de los duplicados, se examinaron todos los títulos y resúmenes para determinar su posible elegibilidad, después de lo cual se evaluó la elegibilidad de los artículos de texto completo. La selección de estudios fue realizada por dos investigadores independientes (K.K.W. y L.M.F.). La confiabilidad entre evaluadores se informa para el acuerdo inicial sobre la elegibilidad del texto completo donde los valores de kappa se califican como razonables (κ = 0,4-0,59), bueno (κ = 0,6-0,74) o excelente (κ & gt 0,75). 47 El desacuerdo se resolvió mediante discusión. Si no se pudo lograr un consenso, se consultó a un tercer investigador (D.D.E.).

Extracción de datos

Se extrajeron los siguientes datos: (a) autores, año de publicación, cita, (b) diseño del estudio (tamaño de la muestra, criterio de inclusión del estudio, tipo de grupo de control, resultados objetivo), (c) características de la muestra (edad, sexo), (d) tratamiento (base teórica, componentes de la aplicación y de la intervención), y (e) datos para el cálculo de los tamaños del efecto (datos de resultado preferiblemente datos por intención de tratar (ITT), tasa de abandono del estudio, manejo de datos faltantes). Si los datos no se pudieron recuperar de la publicación, se estableció contacto con los autores de los estudios para obtener aclaraciones.

Evaluación de la calidad

La calidad del estudio fue evaluada de forma independiente por dos investigadores (KKW y LMF) según los seis criterios básicos de la herramienta Cochrane de evaluación del riesgo de sesgo: generación de secuencia aleatoria, ocultación de la secuencia de asignación, cegamiento de los participantes y del personal, cegamiento de los evaluadores de resultado, datos de resultado incompletos e informes selectivos. Sobre la base de definiciones predefinidas, los estudios se clasificaron como riesgo de sesgo “bajo”, “alto” o “poco claro” en cada una de estas categorías. Cuando se utilizaron medidas de autoinforme para evaluar los resultados, el cegamiento de los evaluadores de resultados se calificó como no aplicable (NA). Cuando se identificó un protocolo de estudio o el registro de un ensayo y el resultado primario se informó como se indicó anteriormente, el informe de resultado selectivo se calificó como bajo, si no existía ninguno, el informe selectivo se calificó como poco claro. Los estudios que se calificaron como bajos en todos los criterios disponibles se calificaron como de bajo riesgo general de sesgo. Se informa la confiabilidad entre evaluadores de la evaluación del riesgo de sesgo.

Análisis estadístico

Los ensayos con el mismo resultado objetivo primario se agruparon para generar un tamaño medio del efecto para cada resultado investigado. Si se evaluó más de una medición por resultado, se usó la media de los tamaños del efecto para proporcionar un tamaño del efecto por estudio por resultado, para generar un tamaño del efecto medio, solo se usaron instrumentos relacionados con la medida primaria del trastorno. Para cada comparación entre el tratamiento de una aplicación para teléfonos inteligentes y una condición de control, calculamos el tamaño del efecto Hedges ’ gramo (gramo), el intervalo de confianza del 95% (IC del 95%) y PAG-valor (PAG) para cada resultado objetivo basado en los valores posteriores a la evaluación que indican la diferencia entre los dos grupos (grupo de intervención versus grupo de control) en la evaluación posterior. Para una interpretación adicional desde una perspectiva clínica, el número necesario a tratar (NNT) se informa para efectos positivos significativos según el método de Kraemer y Kupfer. 48 En los casos en los que muy pocas comparaciones (k & lt 3) estaban disponibles para agrupar los datos, los datos se presentan en una síntesis narrativa. Debido a la heterogeneidad esperada entre los ensayos, se aplicó un modelo de efectos aleatorios en todos los análisis. Si los ensayos eran de múltiples brazos, informaban dos comparaciones en una comparación, se dividía el tamaño de la muestra para evitar inflar el poder. 43

La heterogeneidad entre los ensayos se expresa mediante I 2 y su intervalo de confianza del 95% para expresar el porcentaje de la varianza total que se puede explicar. Se puede dividir aproximadamente en tres umbrales: bajo (25%), moderado (50%) o alto (75%). 49 El intervalo de confianza se calculó utilizando la fórmula proporcionada por Borenstein. 50

En un análisis adicional, se consideraron los efectos generales de todas las comparaciones que proporcionaron datos sobre la ansiedad y la depresión después del tratamiento con una aplicación para teléfonos inteligentes, sin importar el estado de resultado como primario o secundario. Se investigaron las posibles fuentes de heterogeneidad entre los ensayos mediante la realización de análisis de subgrupos en diferentes tipos de grupos de control. Los análisis de subgrupos se realizaron de acuerdo con el modelo de efectos mixtos; en este modelo, los subgrupos se agrupan con el modelo de efectos aleatorios, mientras que las pruebas de diferencias significativas entre subgrupos se realizan con el modelo de efectos fijos.

Las indicaciones de sesgo de publicación se exploraron investigando visualmente el gráfico de embudo y realizando la prueba de Egger.51 Para obtener una estimación del efecto combinado al contabilizar los estudios faltantes, se realizó el análisis de recorte y relleno de Duval y Tweedie. 52

Todos los análisis estadísticos se calcularon con el software completo de metanálisis (CMA), versión 3 (Biostat, Inc.).


3 LA ECONOMÍA POLÍTICA DE LA DIGITALIZACIÓN

En los próximos 10 años, la tecnología NLP [Procesamiento del lenguaje natural] puede analizar las conversaciones generales en el hogar o en el entorno laboral, y luego brindar retroalimentación a las personas sobre cómo podrían adaptar sus estilos de comunicación (como la emoción expresada) para ayudar a un paciente. o para promover un mejor bienestar mental general (Foley & Woollard, 2019, p. 22).

Por lo tanto, dado que el informe habla de 'datos predictivos de salud mental' (Foley & Woollard, 2019, p. 5), la atención de la salud mental digital debe entenderse como congruente con cómo, en la búsqueda de la dominación del mercado y la maximización de los beneficios, 'la vigilancia capitalistas ', para usar las palabras de Soshana Zuboff, hojean el mundo digital en busca de fuentes cada vez más predictivas para el' mercado de futuros conductuales '(Zuboff, 2019, p. 8). Foley y Woollard (2019) formulan el futuro de la salud mental en los mismos términos del modelo de negocio de datos, planteando que `` la información fenotípica se puede extraer de las redes sociales para ayudar a predecir y monitorear los trastornos de salud mental '' (Foley & Woollard, 2019, pág.5).

En el informe, además, está claro que en este movimiento hacia una psicoeconomía basada en datos, los expertos en psicología digital encuentran sus aliados naturales en esas psi-teorías y modelos que entienden al ser humano precisamente como un emprendedor que gestiona activos y recursos para mantener el equilibrio de su salud mental. Esto es a lo que se enfrenta la 'fuerza laboral' de la salud mental en el futuro digital: '(...) También tendrán que ayudar a sus propios pacientes a realizar experimentos personales, utilizando tecnología, para comprender qué funciona mejor para ellos' (Foley & Woollard, 2019 , pág.27).

Por tanto, los "pacientes" están interpelados para ser el científico de datos o el empresario de datos de sí mismos. Lo que, por supuesto, es una mera prolongación de lo que todos estamos llamados a hacer ahora: recopilar datos de nuestros Fitbits u otros dispositivos portátiles, analizar nuestros recorridos de carrera o bicicleta a través de aplicaciones, y Google incluso ofrece una aplicación de bienestar que le brinda una vista diaria de la frecuencia con la que revisa su teléfono y la frecuencia con la que usa diferentes aplicaciones (consulte https://wellbeing.google/). Se cree que todo esto empodera al sujeto, como se afirma en el informe: 'Los pacientes a su vez tendrán acceso a sus historias y datos médicos, que podrán optar por utilizar con otros servicios en línea' (Foley & Woollard, 2019, p. 23).

Podría decirse que esta es una compensación falsa: ser el científico de datos / emprendedor de usted mismo equivale a hacer el control y la vigilancia de usted mismo, si no simplemente, una forma de servidumbre voluntaria en la que uno elige 'libremente' ofrecer sus datos a "otros servicios en línea". La cuestión aquí no es tanto si se blindarán los datos personales y sensibles, o si se venderán o no a terceros: desde el momento mismo en que se datifica la (inter) subjetividad, la cosificación y la alienación pasan a primer plano y la (inter) subjetividad está alineado con el capitalismo de datos actual. Todo esto, por supuesto, se vende como algo bueno y emancipador para los pacientes, ya que Foley y Woollard (2019) afirman que '[las tecnologías digitales] permitirán la realización de una psiquiatría personalizada o de precisión para pacientes individuales y, en conjunto, equivaldrán a un aprendizaje mental. Health System '(Foley & Woollard, 2019, p. 19).

El nivel de uso de newspeak en el informe de Foley y Woollard (2019) es a veces asombroso. Porque, si se me permite hacer esta asociación: ¿la "psiquiatría de precisión" no trae a la mente al presidente de los Estados Unidos, George W. Bush, usando las palabras "bombardeo de precisión" en las guerras de Irak? Como se ha argumentado, el uso retórico del "bombardeo de precisión" tenía como objetivo dar una imagen humana, limpia, científica y neutral de la guerra (Deer, 2007). Podría decirse que los mismos fines retóricos están en juego en el informe de Foley y Woollard, ya que se argumenta que las tecnologías basadas en datos ofrecen direcciones precisas y efectivas para apuntar a lo que se debe apuntar y cómo debe hacerse: 'Eventualmente, algoritmos puede ser capaz de predecir qué médico tratará con mayor eficacia a un paciente determinado '(Foley & Woollard, 2019, p. 29).

El cambio de comportamiento efectivo requiere un marco teórico para comprender las razones por las que existe un comportamiento en primer lugar. Luego, requiere intervenciones basadas en evidencias dirigidas a esos motivos. Dichos marcos existen y deben integrarse en las nuevas tecnologías y los sistemas en los que se implementan (Foley & Woollard, 2019, p. 31).

Literalmente: ciertos marcos psicológicos están programados en las tecnologías. Entonces, si, como se dijo, la heurística digital se alimentará con el modelo basado en evidencia (o con modelos CBT como en los estudios de caso presentados en el informe), por supuesto, uno sabe qué saldrá de esas evaluaciones y predicciones algorítmicas. Aquí el mensaje de "no hay alternativa" se convierte en un arma de doble filo: la digitalización no será opcional, pero se exigirá la obediencia teórica a ciertos modelos psicológicos particulares: los modelos basados ​​en evidencia y CBT serán los modelos sancionados oficial y gubernamentalmente.

Aquí nos encontramos con una instancia específica del argumento althusseriano antes mencionado: que en los límites y fisuras de los discursos teóricos, lo ideológico y lo político transpira. Si bien primero señalé cómo un escrutinio minucioso de la digitalización de la atención de la salud mental expone su alianza con el modelo político-económico actual, este informe del NHS también da testimonio de cómo la política se abre a lo teórico. En otras palabras, mientras en las fisuras de las teorías y prácticas psicológicas surge lo político, es en las fisuras del discurso y las prácticas políticas donde más que a menudo vemos un giro hacia lo psicológico. Esto es precisamente lo que sostengo que está en juego en la psicologización de la crisis del COVID.

Así que es un momento crítico de la historia humana, no solo por el coronavirus, que debería llevarnos a tomar conciencia de los profundos defectos del mundo, las características profundas y disfuncionales de todo el sistema socioeconómico, que tiene que cambiar, si es que existe. va a ser un futuro sobrevivible (Noam Chomsky citado en DiEM25 TV [2020]).

¿No es precisamente aquí, en esta coyuntura y momento político, donde tenemos que situar la ya discutida psicologización de la crisis del COVID, como una vía de escape o incluso de contrarrestar este momento político? Como se dijo, poco después del estallido de la crisis de COVID, aunque inicialmente el debate estuvo dominado por epidemiólogos y políticos, los psiquiatras se insinuaron en el debate. ¿Fue una coincidencia que la psicologización de nuestras vidas recuperara impulso precisamente al mismo tiempo que el mundo empresarial pedía a los gobiernos que reiniciaran urgentemente las actividades económicas y volvieran a la normalidad? Es como si los psicólogos, al escuchar la réplica de Chomsky et al. (DiEM25 TV, 2020) de que este es un momento político, tenemos que cambiar el sistema socioeconómico, como era de esperar, objetaran: no, no es la psicología (nosotros tienen que luchar contra la ansiedad y la depresión), mientras susurran entre dientes: es la economía (tenemos que abrir las escuelas y las fábricas).

Por supuesto, el lector podría objetar aquí, ¿esta descripción no evita complicaciones o matices y, además, no ofrece una visión demasiado sombría? Sin embargo, si se me permite responder a esta objeción de esta manera, si desea evitar leer algo contundente, que ofrece no solo una descripción unidimensional, si no cardboardesca del ser humano, sino también una visión oscura y vaga de su futuro, entonces debería Seguramente manténgase alejado del informe 'El futuro digital de la salud mental y su fuerza laboral'.


Introducción

La búsqueda de pistas sobre las causas subyacentes de los trastornos mentales ha llevado a la noción de que estos trastornos pueden entenderse mejor en términos de un conjunto de mecanismos psicológicos y / o neuronales subyacentes que se encuentran entre los genes y el entorno, por un lado, y los diagnósticos psiquiátricos, por un lado. por otro lado. Tales fenotipos intermedios, o "endofenotipos", pueden proporcionar la tracción que ha eludido la investigación utilizando categorías de diagnóstico como fenotipos primarios [1], [2]. También pueden proporcionar los medios para comprender mejor la estructura de las dimensiones psicológicas subyacentes que parecen subyacer a categorías superpuestas de trastornos mentales [3], [4].

La identificación de endofenotipos requiere comprender la estructura básica de las funciones mentales y sus redes cerebrales asociadas. Durante más de 30 años, los neurocientíficos cognitivos han utilizado métodos de neuroimagen (incluidos EEG / MEG, PET y fMRI) en un intento de abordar esta cuestión. Este trabajo ha llevado a un gran cuerpo de conocimiento sobre las asociaciones entre procesos o tareas psicológicos específicos y la actividad en las regiones o redes del cerebro. Sin embargo, este conocimiento no ha conducido a una mejora proporcional en nuestra comprensión de las operaciones mentales básicas que pueden ser asistidas por sistemas cerebrales particulares. En cambio, la literatura diversa a menudo asigna funciones muy diversas a las mismas redes. Un buen ejemplo es la corteza cingulada anterior, que se ha asociado con funciones tan extendidas como la monitorización de conflictos, el procesamiento de errores, el dolor y la conciencia interoceptiva. Para comprender las funciones únicas que están bajo el servicio de las regiones o redes del cerebro, es necesario un enfoque diferente, a saber, necesitamos analizar los datos obtenidos en una amplia gama de dominios mentales y comprender cómo se organizan estos dominios con respecto a la función y estructura neuronales. .

La identificación de operaciones básicas puede entenderse estadísticamente como un problema de identificación de estructuras latentes, es decir, ¿cuáles son las funciones mentales subyacentes latentes y las redes cerebrales que dan lugar a la amplia gama de comportamientos observados y patrones de actividad cerebral y trastornos neuropsiquiátricos? El enfoque de la neurociencia cognitiva en el establecimiento de asociaciones entre la activación y los procesos hipotéticos específicos ha obstaculizado la capacidad de identificar tales estructuras latentes. Sin embargo, dentro de los campos del aprendizaje automático y la minería de textos, se han desarrollado varios enfoques poderosos para estimar la estructura latente que genera los datos observados, asumiendo que se dispone de conjuntos de datos lo suficientemente grandes. En el presente trabajo, aprovechamos una clase de tales modelos generativos para desarrollar un nuevo enfoque para identificar la estructura latente subyacente del procesamiento mental y las funciones cerebrales asociadas, a lo que nos referimos como "mapeo de temas". Examinamos la estructura conceptual latente de la literatura de resonancia magnética funcional extrayendo el texto completo de un gran corpus de texto que comprende más de 5,800 artículos de la literatura de neuroimagen, y modelamos la relación entre estos temas y la activación cerebral asociada utilizando métodos automatizados para extraer las coordenadas de activación de las publicaciones publicadas. documentos. Este análisis descubre la estructura conceptual y los patrones de activación consistentes con los observados en metanálisis de neuroimagen previos, lo que confirma el enfoque, al tiempo que proporciona algunas sugerencias novedosas con respecto a las relaciones estructura / función. Luego usamos este enfoque para identificar la estructura tópica de términos relacionados con enfermedades neuropsiquiátricas, y usamos métodos multivariados para identificar las relaciones entre estos dominios mentales y de trastornos basados ​​en patrones comunes de activación cerebral. Este enfoque proporciona un medio empírico para descubrir nuevos endofenotipos que pueden ser la base de los trastornos mentales, además de proporcionar nuevos conocimientos sobre las relaciones entre las categorías de diagnóstico.

Dentro de los campos de la recuperación de información y la informática, la investigación sobre la recuperación de documentos ha llevado al desarrollo de un conjunto de técnicas para estimar la estructura latente subyacente a un conjunto de documentos. Los primeros trabajos en esta área trataron los documentos como vectores en un espacio de alta dimensión y utilizaron técnicas de descomposición matricial como la descomposición de valores singulares para identificar la estructura semántica latente de los documentos [5]. Más recientemente, los investigadores en este campo han desarrollado enfoques que se basan en modelos generativos de documentos. Un enfoque popular, conocido genéricamente como “modelos de temas” [6], trata cada documento como una mezcla de un pequeño número de “temas” subyacentes, cada uno de los cuales está asociado con una distribución sobre palabras. Generar un documento a través de este modelo implica muestrear un tema y luego muestrear palabras dentro del tema elegido utilizando técnicas de estimación bayesiana, es posible invertir este modelo y estimar las distribuciones de temas y palabras dado un conjunto de documentos. La técnica particular de modelado de temas que empleamos aquí, conocida como asignación de Dirichlet latente (LDA: [7]), ha demostrado ser muy eficaz para extraer la estructura de grandes corpus de texto. Por ejemplo [8], utilizó este enfoque para caracterizar la estructura temática de la ciencia mediante el análisis de 10 años de resúmenes de PNAS, demostrando que fue capaz de extraer con precisión la estructura conceptual de este dominio.


Aprendizaje profundo en la investigación de resultados de salud mental: una revisión del alcance

Las enfermedades mentales, como la depresión, son muy frecuentes y se ha demostrado que afectan la salud física de una persona. Recientemente, se han introducido métodos de inteligencia artificial (IA) para ayudar a los proveedores de salud mental, incluidos psiquiatras y psicólogos, a tomar decisiones basadas en los datos históricos de los pacientes (por ejemplo, registros médicos, datos de comportamiento, uso de redes sociales, etc.). El aprendizaje profundo (DL), como una de las tecnologías de IA de la generación más reciente, ha demostrado un rendimiento superior en muchas aplicaciones del mundo real que van desde la visión por computadora hasta la atención médica. El objetivo de este estudio es revisar la investigación existente sobre aplicaciones de algoritmos DL en la investigación de resultados de salud mental. Específicamente, primero revisamos brevemente las técnicas de DL de última generación. Luego revisamos la literatura relevante a las aplicaciones de DL en los resultados de salud mental. De acuerdo con los escenarios de aplicación, categorizamos estos artículos relevantes en cuatro grupos: diagnóstico y pronóstico basado en datos clínicos, análisis de datos genéticos y genómicos para comprender las condiciones de salud mental, análisis de datos de expresión vocal y visual para la detección de enfermedades y estimación del riesgo de enfermedad mental utilizando datos de redes sociales. Finalmente, discutimos los desafíos en el uso de algoritmos DL para mejorar nuestra comprensión de las condiciones de salud mental y sugerimos varias direcciones prometedoras para sus aplicaciones en la mejora del diagnóstico y el tratamiento de la salud mental.


Introducción

La búsqueda de pistas sobre las causas subyacentes de los trastornos mentales ha llevado a la noción de que estos trastornos pueden entenderse mejor en términos de un conjunto de mecanismos psicológicos y / o neuronales subyacentes que se encuentran entre los genes y el entorno, por un lado, y los diagnósticos psiquiátricos, por un lado. por otro lado. Tales fenotipos intermedios, o "endofenotipos", pueden proporcionar la tracción que ha eludido la investigación utilizando categorías de diagnóstico como fenotipos primarios [1], [2]. También pueden proporcionar los medios para comprender mejor la estructura de las dimensiones psicológicas subyacentes que parecen subyacer a categorías superpuestas de trastornos mentales [3], [4].

La identificación de endofenotipos requiere comprender la estructura básica de las funciones mentales y sus redes cerebrales asociadas. Durante más de 30 años, los neurocientíficos cognitivos han utilizado métodos de neuroimagen (incluidos EEG / MEG, PET y fMRI) en un intento de abordar esta cuestión. Este trabajo ha llevado a un gran cuerpo de conocimiento sobre las asociaciones entre procesos o tareas psicológicos específicos y la actividad en las regiones o redes del cerebro. Sin embargo, este conocimiento no ha conducido a una mejora proporcional en nuestra comprensión de las operaciones mentales básicas que pueden ser asistidas por sistemas cerebrales particulares. En cambio, la literatura diversa a menudo asigna funciones muy diversas a las mismas redes. Un buen ejemplo es la corteza cingulada anterior, que se ha asociado con funciones tan extendidas como la monitorización de conflictos, el procesamiento de errores, el dolor y la conciencia interoceptiva. Para comprender las funciones únicas que están al servicio de las regiones o redes del cerebro, es necesario un enfoque diferente, a saber, necesitamos analizar los datos obtenidos en una amplia gama de dominios mentales y comprender cómo se organizan estos dominios con respecto a la función y estructura neuronales. .

La identificación de operaciones básicas puede entenderse estadísticamente como un problema de identificación de estructuras latentes, es decir, ¿cuáles son las funciones mentales subyacentes latentes y las redes cerebrales que dan lugar a la amplia gama de comportamientos observados y patrones de actividad cerebral y trastornos neuropsiquiátricos? El enfoque de la neurociencia cognitiva en el establecimiento de asociaciones entre la activación y los procesos hipotéticos específicos ha obstaculizado la capacidad de identificar tales estructuras latentes. Sin embargo, dentro de los campos del aprendizaje automático y la minería de textos, se han desarrollado varios enfoques poderosos para estimar la estructura latente que genera los datos observados, asumiendo que se dispone de conjuntos de datos lo suficientemente grandes. En el presente trabajo, aprovechamos una clase de tales modelos generativos para desarrollar un nuevo enfoque para identificar la estructura latente subyacente del procesamiento mental y las funciones cerebrales asociadas, a lo que nos referimos como "mapeo de temas". Examinamos la estructura conceptual latente de la literatura de resonancia magnética funcional extrayendo el texto completo de un gran corpus de texto que comprende más de 5,800 artículos de la literatura de neuroimagen, y modelamos la relación entre estos temas y la activación cerebral asociada utilizando métodos automatizados para extraer las coordenadas de activación de las publicaciones publicadas. documentos. Este análisis descubre la estructura conceptual y los patrones de activación consistentes con los observados en metanálisis de neuroimagen previos, lo que confirma el enfoque, al tiempo que proporciona algunas sugerencias novedosas con respecto a las relaciones estructura / función. Luego usamos este enfoque para identificar la estructura tópica de términos relacionados con enfermedades neuropsiquiátricas, y usamos métodos multivariados para identificar las relaciones entre estos dominios mentales y de trastornos basados ​​en patrones comunes de activación cerebral.Este enfoque proporciona un medio empírico para descubrir nuevos endofenotipos que pueden ser la base de los trastornos mentales, además de proporcionar nuevos conocimientos sobre las relaciones entre las categorías de diagnóstico.

Dentro de los campos de la recuperación de información y la informática, la investigación sobre la recuperación de documentos ha llevado al desarrollo de un conjunto de técnicas para estimar la estructura latente subyacente a un conjunto de documentos. Los primeros trabajos en esta área trataron los documentos como vectores en un espacio de alta dimensión y utilizaron técnicas de descomposición matricial como la descomposición de valores singulares para identificar la estructura semántica latente de los documentos [5]. Más recientemente, los investigadores en este campo han desarrollado enfoques que se basan en modelos generativos de documentos. Un enfoque popular, conocido genéricamente como “modelos de temas” [6], trata cada documento como una mezcla de un pequeño número de “temas” subyacentes, cada uno de los cuales está asociado con una distribución sobre palabras. Generar un documento a través de este modelo implica muestrear un tema y luego muestrear palabras dentro del tema elegido utilizando técnicas de estimación bayesiana, es posible invertir este modelo y estimar las distribuciones de temas y palabras dado un conjunto de documentos. La técnica particular de modelado de temas que empleamos aquí, conocida como asignación de Dirichlet latente (LDA: [7]), ha demostrado ser muy eficaz para extraer la estructura de grandes corpus de texto. Por ejemplo [8], utilizó este enfoque para caracterizar la estructura temática de la ciencia mediante el análisis de 10 años de resúmenes de PNAS, demostrando que fue capaz de extraer con precisión la estructura conceptual de este dominio.


En el aprendizaje automático, un hiperparámetro es un parámetro cuyo valor se establece antes del proceso de aprendizaje, mientras que el valor de otros parámetros se deriva a través del aprendizaje.

La búsqueda en cuadrícula es una forma de elegir los mejores hiperparámetros y consiste en buscar exhaustivamente a través de un subconjunto del espacio de hiperparámetros de un algoritmo de aprendizaje.

El hiperparámetro C hace referencia al valor de regularización, que sirve como un grado de importancia que se le da a la clasificación errónea. Cuanto mayor sea el valor, menos se permitirán los ejemplos clasificados incorrectamente.

Una función de pérdida o función de costo mide qué tan bueno es un modelo de predicción en términos de poder predecir el resultado esperado.

TF-IDF es la cantidad de veces que una palabra aparece en un documento ponderada por la cantidad de palabras significativas en varios documentos


Desigualdades étnicas y en salud cardiovascular en personas con enfermedades mentales graves: protocolo para el estudio E-CHASM

Objetivo: Las personas con enfermedades mentales graves (SMI) experimentan una reducción de la esperanza de vida de 17 a 20 años. Un tercio de las muertes se deben a enfermedades cardiovasculares. Este estudio establecerá la relación de la TMG con las enfermedades cardiovasculares en grupos étnicos minoritarios (India, Pakistán, Bangladesh, Caribe negro, africano negro e irlandés), en el Reino Unido.

Métodos: E-CHASM es un estudio de métodos mixtos que utiliza datos de 1,25 millones de registros electrónicos de pacientes. El análisis secundario de los registros de pacientes de rutina establecerá si existen diferencias en la mortalidad por causas específicas, la prevalencia de enfermedades cardiovasculares y las disparidades en el acceso a la atención médica para las personas de minorías étnicas que viven con TMG. Se utilizará un estudio cualitativo anidado para evaluar las barreras para acceder a la atención médica, tanto desde la perspectiva de los usuarios como de los proveedores de servicios.

Resultados: En atención primaria, 993,116 personas, mayores de 18 años, proporcionaron datos de 186/189 (98%) prácticas en cuatro distritos del centro de la ciudad (áreas del gobierno local) en Londres. La prevalencia de TMG según los registros de atención primaria osciló entre el 1,3% y el 1,7% en todos los distritos. La muestra de atención primaria incluyó bangladesí [n = 94,643 (10%)], indio [n = 6086 (6%)], paquistaní [n = 35,596 (4%)], caribeño negro [n = 45,013 (5%)], negros africanos [n = 75,454 (8%)] e irlandeses [n = 13,745 (1%)]. En la base de datos de atención secundaria, 12.432 personas con TMG durante 2007-2013 aportaron información: los diagnósticos prevalentes fueron esquizofrenia [n = 6805 (55%)], trastornos esquizoafectivos [n = 1438 (12%)] y trastorno afectivo bipolar [n = 4112 ( 33%)]. Los grupos minoritarios étnicos más grandes de esta muestra fueron los caribeños negros [1432 (12%)] y los africanos negros (1393 (11%)).

Conclusiones: Hay una escasez de investigaciones que examinen las enfermedades cardiovasculares en grupos étnicos minoritarios con enfermedades mentales graves. El estudio E-CHASM abordará esta brecha de conocimiento.

Palabras clave: Trastorno afectivo bipolar Enfermedad cardiovascular Origen étnico Esquizofrenia Enfermedad mental grave.


Desafíos metodológicos para el manejo preciso y significativo de los factores raciales y étnicos en la investigación sobre salud mental infantil

Es fácil estar de acuerdo con la noción de que nuestros estudios de investigación deben incluir a personas de minorías raciales y étnicas subrepresentadas. Más desafiante, sin embargo, es cómo manejar mejor variables demográficas tan importantes de una manera que asegure que no saquemos conclusiones sesgadas. Como se discutió, la omisión de la raza y el origen étnico en nuestra investigación puede llevar a generalizaciones sobre los hallazgos del estudio que solo pueden ser aplicables para la mayoría (en los EE. UU., Por lo general, no hispanos, blancos) de los participantes en el estudio. Pero la simple inclusión de estas variables en nuestros análisis puede conducir de manera similar a conclusiones inapropiadas que oscurecen procesos importantes a través de los cuales pueden surgir disparidades en la salud. Se sabe que la raza y la etnia están fuertemente asociadas con el estatus socioeconómico (NSE), que en sí mismo es una construcción compleja y multidimensional. Pero hay múltiples razones por las que la raza y la etnia deben considerarse como contribuyentes independientes a las disparidades en la salud incluso después de que se considere el nivel socioeconómico (Williams, Priest y Anderson, 2016). Por ejemplo, incluso en niveles comparables de SES, los miembros de grupos minoritarios probablemente experimenten racismo y discriminación en comparación con los blancos, y esto tiene efectos conocidos en los resultados de salud (Lewis, Cogburn y Williams, 2015), que son particularmente malos para los niños. y adolescentes (Priest et al., 2013).

La raza y la etnia en sí mismas no son unidimensionales, por lo que presentan otro desafío sobre cómo considerar sistemáticamente sus efectos en los estudios de salud mental infantil. La designación de raza negra en los Estados Unidos, por ejemplo, podría indicar individuos con ancestros antiguos en los Estados Unidos, o inmigrantes más recientes de África o el Caribe. Las personas de estos orígenes variados pueden compartir experiencias y rasgos comunes, pero también es probable que difieran en formas que sean relevantes para comprender las disparidades en la salud. Existe una variación considerable, por ejemplo, en la prevalencia de hipertensión entre personas de raza negra de diferente ascendencia y de diferentes áreas geográficas (Williams et al., 2016). Como tal, la consideración de la raza tal como la definen categorías tan toscamente definidas como "negro" o "afroamericano" puede no ser suficiente para evitar conclusiones sesgadas o generalizadas sin considerar también una amplia gama de factores sociales, culturales y ambientales. Por estas y otras razones, la consideración apropiada de la raza y la etnia en nuestra investigación es más complicada que simplemente incluir estas categorías heterogéneas como predictores independientes. Sin embargo, debemos seguir siendo conscientes de cómo estas variables influyen en la interpretación de nuestros resultados.


Aprendizaje profundo en la investigación de resultados de salud mental: una revisión del alcance

Las enfermedades mentales, como la depresión, son muy frecuentes y se ha demostrado que afectan la salud física de una persona. Recientemente, se han introducido métodos de inteligencia artificial (IA) para ayudar a los proveedores de salud mental, incluidos psiquiatras y psicólogos, a tomar decisiones basadas en los datos históricos de los pacientes (por ejemplo, registros médicos, datos de comportamiento, uso de redes sociales, etc.). El aprendizaje profundo (DL), como una de las tecnologías de IA de la generación más reciente, ha demostrado un rendimiento superior en muchas aplicaciones del mundo real que van desde la visión por computadora hasta la atención médica. El objetivo de este estudio es revisar la investigación existente sobre aplicaciones de algoritmos DL en la investigación de resultados de salud mental. Específicamente, primero revisamos brevemente las técnicas de DL de última generación. Luego revisamos la literatura relevante a las aplicaciones de DL en los resultados de salud mental. De acuerdo con los escenarios de aplicación, categorizamos estos artículos relevantes en cuatro grupos: diagnóstico y pronóstico basado en datos clínicos, análisis de datos genéticos y genómicos para comprender las condiciones de salud mental, análisis de datos de expresión vocal y visual para la detección de enfermedades y estimación del riesgo de enfermedad mental utilizando datos de redes sociales. Finalmente, discutimos los desafíos en el uso de algoritmos DL para mejorar nuestra comprensión de las condiciones de salud mental y sugerimos varias direcciones prometedoras para sus aplicaciones en la mejora del diagnóstico y el tratamiento de la salud mental.


3 LA ECONOMÍA POLÍTICA DE LA DIGITALIZACIÓN

En los próximos 10 años, la tecnología NLP [Procesamiento del lenguaje natural] puede analizar las conversaciones generales en el hogar o en el entorno laboral, y luego brindar retroalimentación a las personas sobre cómo podrían adaptar sus estilos de comunicación (como la emoción expresada) para ayudar a un paciente. o para promover un mejor bienestar mental general (Foley & Woollard, 2019, p. 22).

Por lo tanto, dado que el informe habla de 'datos predictivos de salud mental' (Foley & Woollard, 2019, p. 5), la atención de la salud mental digital debe entenderse como congruente con cómo, en la búsqueda de la dominación del mercado y la maximización de los beneficios, 'la vigilancia capitalistas ', para usar las palabras de Soshana Zuboff, hojean el mundo digital en busca de fuentes cada vez más predictivas para el' mercado de futuros conductuales '(Zuboff, 2019, p. 8). Foley y Woollard (2019) formulan el futuro de la salud mental en los mismos términos del modelo de negocio de datos, planteando que `` la información fenotípica se puede extraer de las redes sociales para ayudar a predecir y monitorear los trastornos de salud mental '' (Foley & Woollard, 2019, pág.5).

En el informe, además, está claro que en este movimiento hacia una psicoeconomía basada en datos, los expertos en psicología digital encuentran sus aliados naturales en esas psi-teorías y modelos que entienden al ser humano precisamente como un emprendedor que gestiona activos y recursos para mantener el equilibrio de su salud mental. Esto es a lo que se enfrenta la 'fuerza laboral' de la salud mental en el futuro digital: '(...) También tendrán que ayudar a sus propios pacientes a realizar experimentos personales, utilizando tecnología, para comprender qué funciona mejor para ellos' (Foley & Woollard, 2019 , pág.27).

Por tanto, los "pacientes" están interpelados para ser el científico de datos o el empresario de datos de sí mismos. Lo que, por supuesto, es una mera prolongación de lo que todos estamos llamados a hacer ahora: recopilar datos de nuestros Fitbits u otros dispositivos portátiles, analizar nuestros recorridos de carrera o bicicleta a través de aplicaciones, y Google incluso ofrece una aplicación de bienestar que le brinda una vista diaria de la frecuencia con la que revisa su teléfono y la frecuencia con la que usa diferentes aplicaciones (consulte https://wellbeing.google/). Se cree que todo esto empodera al sujeto, como se afirma en el informe: 'Los pacientes a su vez tendrán acceso a sus historias y datos médicos, que podrán optar por utilizar con otros servicios en línea' (Foley & Woollard, 2019, p. 23).

Podría decirse que esta es una compensación falsa: ser el científico de datos / emprendedor de usted mismo equivale a hacer el control y la vigilancia de usted mismo, si no simplemente, una forma de servidumbre voluntaria en la que uno elige 'libremente' ofrecer sus datos a "otros servicios en línea". La cuestión aquí no es tanto si se blindarán los datos personales y sensibles, o si se venderán o no a terceros: desde el momento mismo en que se datifica la (inter) subjetividad, la cosificación y la alienación pasan a primer plano y la (inter) subjetividad está alineado con el capitalismo de datos actual. Todo esto, por supuesto, se vende como algo bueno y emancipador para los pacientes, ya que Foley y Woollard (2019) afirman que '[las tecnologías digitales] permitirán la realización de una psiquiatría personalizada o de precisión para pacientes individuales y, en conjunto, equivaldrán a un aprendizaje mental. Health System '(Foley & Woollard, 2019, p. 19).

El nivel de uso de newspeak en el informe de Foley y Woollard (2019) es a veces asombroso. Porque, si se me permite hacer esta asociación: ¿la "psiquiatría de precisión" no trae a la mente al presidente de los Estados Unidos, George W. Bush, usando las palabras "bombardeo de precisión" en las guerras de Irak? Como se ha argumentado, el uso retórico del "bombardeo de precisión" tenía como objetivo dar una imagen humana, limpia, científica y neutral de la guerra (Deer, 2007). Podría decirse que los mismos fines retóricos están en juego en el informe de Foley y Woollard, ya que se argumenta que las tecnologías basadas en datos ofrecen direcciones precisas y efectivas para apuntar a lo que se debe apuntar y cómo debe hacerse: 'Eventualmente, algoritmos puede ser capaz de predecir qué médico tratará con mayor eficacia a un paciente determinado '(Foley & Woollard, 2019, p. 29).

El cambio de comportamiento efectivo requiere un marco teórico para comprender las razones por las que existe un comportamiento en primer lugar. Luego, requiere intervenciones basadas en evidencias dirigidas a esos motivos. Dichos marcos existen y deben integrarse en las nuevas tecnologías y los sistemas en los que se implementan (Foley & Woollard, 2019, p. 31).

Literalmente: ciertos marcos psicológicos están programados en las tecnologías. Entonces, si, como se dijo, la heurística digital se alimentará con el modelo basado en evidencia (o con modelos CBT como en los estudios de caso presentados en el informe), por supuesto, uno sabe qué saldrá de esas evaluaciones y predicciones algorítmicas. Aquí el mensaje de "no hay alternativa" se convierte en un arma de doble filo: la digitalización no será opcional, pero se exigirá la obediencia teórica a ciertos modelos psicológicos particulares: los modelos basados ​​en evidencia y CBT serán los modelos sancionados oficial y gubernamentalmente.

Aquí nos encontramos con una instancia específica del argumento althusseriano antes mencionado: que en los límites y fisuras de los discursos teóricos, lo ideológico y lo político transpira. Si bien primero señalé cómo un escrutinio minucioso de la digitalización de la atención de la salud mental expone su alianza con el modelo político-económico actual, este informe del NHS también da testimonio de cómo la política se abre a lo teórico. En otras palabras, mientras en las fisuras de las teorías y prácticas psicológicas surge lo político, es en las fisuras del discurso y las prácticas políticas donde más que a menudo vemos un giro hacia lo psicológico. Esto es precisamente lo que sostengo que está en juego en la psicologización de la crisis del COVID.

Así que es un momento crítico de la historia humana, no solo por el coronavirus, que debería llevarnos a tomar conciencia de los profundos defectos del mundo, las características profundas y disfuncionales de todo el sistema socioeconómico, que tiene que cambiar, si es que existe. va a ser un futuro sobrevivible (Noam Chomsky citado en DiEM25 TV [2020]).

¿No es precisamente aquí, en esta coyuntura y momento político, donde tenemos que situar la ya discutida psicologización de la crisis del COVID, como una vía de escape o incluso de contrarrestar este momento político? Como se dijo, poco después del estallido de la crisis de COVID, aunque inicialmente el debate estuvo dominado por epidemiólogos y políticos, los psiquiatras se insinuaron en el debate. ¿Fue una coincidencia que la psicologización de nuestras vidas recuperara impulso precisamente al mismo tiempo que el mundo empresarial pedía a los gobiernos que reiniciaran urgentemente las actividades económicas y volvieran a la normalidad? Es como si los psicólogos, al escuchar la réplica de Chomsky et al. (DiEM25 TV, 2020) de que este es un momento político, tenemos que cambiar el sistema socioeconómico, como era de esperar, objetaran: no, no es la psicología (nosotros tienen que luchar contra la ansiedad y la depresión), mientras susurran entre dientes: es la economía (tenemos que abrir las escuelas y las fábricas).

Por supuesto, el lector podría objetar aquí, ¿esta descripción no evita complicaciones o matices y, además, no ofrece una visión demasiado sombría? Sin embargo, si se me permite responder a esta objeción de esta manera, si desea evitar leer algo contundente, que ofrece no solo una descripción unidimensional, si no cardboardesca del ser humano, sino también una visión oscura y vaga de su futuro, entonces debería Seguramente manténgase alejado del informe 'El futuro digital de la salud mental y su fuerza laboral'.


Métodos

La revisión se realizó de acuerdo con el Manual Cochrane para Revisiones Sistemáticas de Intervenciones y los informes se basan en PRISMA. 43,44 Este estudio se registró en el Registro Prospectivo Internacional de Revisiones Sistemáticas del Instituto Nacional de Investigación en Salud (https://www.crd.york.ac.uk/prospero/) con el ID CRD42017076515.

Criterio de elegibilidad

Se incluyeron (a) ensayos controlados aleatorios que (b) investigaron los efectos de una intervención psicológica independiente para un dominio de salud mental específico (c) administrada a través de una aplicación de teléfono inteligente independiente (d) con el objetivo de reducir los síntomas de un trastorno mental o STB (e ) al que se dirigió específicamente la aplicación. Los ensayos deben haber incluido (f) una población adulta (≥18 años) (g) con mayor gravedad de los síntomas de un trastorno mental de acuerdo con el DSM-IV o DSM-V 45,46 o STB (h) evaluados por un instrumento de diagnóstico o un punto de corte de síntomas predefinido (i) que era idéntico al objetivo principal del estudio (j) en comparación con una condición de control. Solo se consideraron (k) artículos publicados (l) en revisión por pares en inglés y alemán. Decidimos incluir los STB, ya que son generalizados entre las personas con trastornos mentales graves.

Una intervención psicológica se definió como una intervención dirigida al cambio de comportamiento y la reducción de la carga de los trastornos mentales, diseñada e implementada específicamente con la intención de tratar los síntomas de los trastornos mentales.

Estrategia de búsqueda

Se completó una búsqueda bibliográfica sistemática (hasta el 8 de febrero de 2018) en Pubmed, PsycInfo, SCOPUS, Web of Science y Cochrane Central Register of Controlled Trials. Los términos de búsqueda clave incluyeron una combinación de tres temas principales: aplicaciones para teléfonos inteligentes y salud móvil, trastornos mentales y ensayos controlados aleatorios (cadena de búsqueda para métodos complementarios de Pubmed).

Selección de estudios

Después de la eliminación de los duplicados, se examinaron todos los títulos y resúmenes para determinar su posible elegibilidad, después de lo cual se evaluó la elegibilidad de los artículos de texto completo. La selección de estudios fue realizada por dos investigadores independientes (K.K.W.y L.M.F.). La confiabilidad entre evaluadores se informa para el acuerdo inicial sobre la elegibilidad del texto completo donde los valores de kappa se califican como razonables (κ = 0,4-0,59), bueno (κ = 0,6-0,74) o excelente (κ & gt 0,75). 47 El desacuerdo se resolvió mediante discusión. Si no se pudo lograr un consenso, se consultó a un tercer investigador (D.D.E.).

Extracción de datos

Se extrajeron los siguientes datos: (a) autores, año de publicación, cita, (b) diseño del estudio (tamaño de la muestra, criterio de inclusión del estudio, tipo de grupo de control, resultados objetivo), (c) características de la muestra (edad, sexo), (d) tratamiento (base teórica, componentes de la aplicación y de la intervención), y (e) datos para el cálculo de los tamaños del efecto (datos de resultado preferiblemente datos por intención de tratar (ITT), tasa de abandono del estudio, manejo de datos faltantes). Si los datos no se pudieron recuperar de la publicación, se estableció contacto con los autores de los estudios para obtener aclaraciones.

Evaluación de la calidad

La calidad del estudio fue evaluada de forma independiente por dos investigadores (KKW y LMF) según los seis criterios básicos de la herramienta Cochrane de evaluación del riesgo de sesgo: generación de secuencia aleatoria, ocultación de la secuencia de asignación, cegamiento de los participantes y del personal, cegamiento de los evaluadores de resultado, datos de resultado incompletos e informes selectivos. Sobre la base de definiciones predefinidas, los estudios se clasificaron como riesgo de sesgo “bajo”, “alto” o “poco claro” en cada una de estas categorías. Cuando se utilizaron medidas de autoinforme para evaluar los resultados, el cegamiento de los evaluadores de resultados se calificó como no aplicable (NA). Cuando se identificó un protocolo de estudio o el registro de un ensayo y el resultado primario se informó como se indicó anteriormente, el informe de resultado selectivo se calificó como bajo, si no existía ninguno, el informe selectivo se calificó como poco claro. Los estudios que se calificaron como bajos en todos los criterios disponibles se calificaron como de bajo riesgo general de sesgo. Se informa la confiabilidad entre evaluadores de la evaluación del riesgo de sesgo.

Análisis estadístico

Los ensayos con el mismo resultado objetivo primario se agruparon para generar un tamaño medio del efecto para cada resultado investigado. Si se evaluó más de una medición por resultado, se usó la media de los tamaños del efecto para proporcionar un tamaño del efecto por estudio por resultado, para generar un tamaño del efecto medio, solo se usaron instrumentos relacionados con la medida primaria del trastorno. Para cada comparación entre el tratamiento de una aplicación para teléfonos inteligentes y una condición de control, calculamos el tamaño del efecto Hedges ’ gramo (gramo), el intervalo de confianza del 95% (IC del 95%) y PAG-valor (PAG) para cada resultado objetivo basado en los valores posteriores a la evaluación que indican la diferencia entre los dos grupos (grupo de intervención versus grupo de control) en la evaluación posterior. Para una interpretación adicional desde una perspectiva clínica, el número necesario a tratar (NNT) se informa para efectos positivos significativos según el método de Kraemer y Kupfer. 48 En los casos en los que muy pocas comparaciones (k & lt 3) estaban disponibles para agrupar los datos, los datos se presentan en una síntesis narrativa. Debido a la heterogeneidad esperada entre los ensayos, se aplicó un modelo de efectos aleatorios en todos los análisis. Si los ensayos eran de múltiples brazos, informaban dos comparaciones en una comparación, se dividía el tamaño de la muestra para evitar inflar el poder. 43

La heterogeneidad entre los ensayos se expresa mediante I 2 y su intervalo de confianza del 95% para expresar el porcentaje de la varianza total que se puede explicar. Se puede dividir aproximadamente en tres umbrales: bajo (25%), moderado (50%) o alto (75%). 49 El intervalo de confianza se calculó utilizando la fórmula proporcionada por Borenstein. 50

En un análisis adicional, se consideraron los efectos generales de todas las comparaciones que proporcionaron datos sobre la ansiedad y la depresión después del tratamiento con una aplicación para teléfonos inteligentes, sin importar el estado de resultado como primario o secundario. Se investigaron las posibles fuentes de heterogeneidad entre los ensayos mediante la realización de análisis de subgrupos en diferentes tipos de grupos de control. Los análisis de subgrupos se realizaron de acuerdo con el modelo de efectos mixtos; en este modelo, los subgrupos se agrupan con el modelo de efectos aleatorios, mientras que las pruebas de diferencias significativas entre subgrupos se realizan con el modelo de efectos fijos.

Las indicaciones de sesgo de publicación se exploraron investigando visualmente el gráfico de embudo y realizando la prueba de Egger. 51 Para obtener una estimación del efecto combinado al contabilizar los estudios faltantes, se realizó el análisis de recorte y relleno de Duval y Tweedie. 52

Todos los análisis estadísticos se calcularon con el software completo de metanálisis (CMA), versión 3 (Biostat, Inc.).


Meystre SM, Savova GK, Kipper-Schuler KC, Hurdle JF. Extracción de información de documentos textuales en la historia clínica electrónica: una revisión de investigaciones recientes. Yearb Med Inform. 200817:128–144.

Demner-Fushman D, Chapman WW, McDonald CJ. ¿Qué puede hacer el procesamiento del lenguaje natural para respaldar las decisiones clínicas? J Biomed Inform. 200942:760–772.

Leaman R, Khare R, Lu Z. Desafíos en el procesamiento clínico del lenguaje natural para la normalización automatizada de trastornos. J Biomed Inform. 201557:28–37.

Velupillai S, Suominen H, Liakata M, et al. Uso del procesamiento clínico del lenguaje natural para la investigación de resultados de salud: descripción general y sugerencias prácticas para avances futuros. J Biomed Inform. 201888:11–19.

Névéol A, Dalianis H, Velupillai S, Savova G, Zweigenbaum P. Procesamiento clínico del lenguaje natural en idiomas distintos del inglés: oportunidades y desafíos. J Biomed Semant. 20189:12.

Carrell DS, Schoen RE, Leffler DA y col. Desafíos en la adaptación de los sistemas de procesamiento del lenguaje natural clínico existentes a múltiples y diversos entornos de atención médica. J Am Med Inform Assoc JAMIA. 201724:986–991.

Zozus MN, Pieper C, Johnson CM y col. Factores que afectan la precisión de los datos extraídos de los registros médicos. Más uno. 201510: e0138649.

Wang Y, Wang L, Rastegar-Mojarad M, et al. Aplicaciones de extracción de información clínica: una revisión de la literatura. J Biomed Inform. 201877:34–49.

Luque C, Luna JM, Luque M, Ventura S. Una revisión avanzada sobre minería de textos en medicina. WIREs Data Min Knowl Discov. 20199: e1302.

Simpson MS, Demner-Fushman D. Minería de textos biomédica: un estudio de los avances recientes. En: Aggarwal CC, Zhai C, eds. Minería de datos de texto. Boston: Springer 2012: 465–517.

Belskaja IK. Traducción automática de idiomas. Investigar. 195710:383–389.

CD de Manning, Raghavan P, Schütze H. Introducción a la recuperación de información. Cambridge: Cambridge University Press 2008.

Jurafsky D, Martin JH. Procesamiento del habla y el lenguaje: una introducción al procesamiento del lenguaje natural, la lingüística computacional y el reconocimiento del habla.. Río Upper Saddle: Pearson Prentice Hall 2009.

Calijorne Soares MA, Parreiras FS. Una revisión de la literatura sobre técnicas, paradigmas y sistemas de respuesta a preguntas. J King Saud Univ Comput Inf Sci. 2018. https://doi.org/10.1016/j.jksuci.2018.08.005.

Lloret E. Palomar M Resumen del texto en curso: revisión de la literatura. Artif Intell Rev. 201237:1–41.

Gentzkow M, Kelly B, Taddy M. Texto como datos. J Econ Lit.. 201957:535–574.

Crawford M, Khoshgoftaar TM, Prusa JD, Richter AN, Al Najada H. Encuesta sobre la detección de spam en reseñas mediante técnicas de aprendizaje automático. J Big Data. 20152:23.

Liddy ED. Procesamiento natural del lenguaje. En: Drake MA, ed. Enciclopedia de Bibliotecas y Ciencias de la Información, 2ª Ed. Nueva York: Marcel Decker, Inc. 2001.

Blei DM. Modelos temáticos probabilísticos. Comun ACM. 201255:77–84.

CD Manning. Etiquetado de parte del discurso del 97% al 100%: ¿Es hora de algo de lingüística? En: Gelbukh AF, ed. Lingüística computacional y procesamiento inteligente de textos. Berlín: Springer 2011: 171–189.

Ferraro JP, Daumé H, DuVall SL, Chapman WW, Harkema H, Haug PJ. Mejorar el rendimiento del etiquetado de parte del discurso del procesamiento del lenguaje natural en narrativas clínicas a través de la adaptación de dominio. J Am Med Inform Assoc JAMIA. 201320:931–939.

Goyal A, Gupta V, Kumar M. Técnicas recientes de reconocimiento y clasificación de entidades nombradas: una revisión sistemática. Informática Sci Rev. 201829:21–43.

Kübler S, McDonald R, Nivre J. Análisis de dependencia. Sintetizador Lect Hum Lang Technol. 20082:1–127.

Shen W, Wang J, Han J. Entidad que se vincula con una base de conocimientos: problemas, técnicas y soluciones. IEEE Trans Knowl Data Eng. 201527:443–460.

Giatsoglou M, Vozalis MG, Diamantaras K, Vakali A, Sarigiannidis G, Chatzisavvas KCh. Análisis de sentimientos que aprovecha las emociones y la inserción de palabras. Aplicación de sistema experto. 201769:214–224.

Mitra B, Craswell N.Incrustaciones de texto neuronal para la recuperación de información. En: Actas de la Décima Conferencia Internacional ACM sobre búsqueda web y minería de datos. Association for Computing Machinery, Nueva York, NY, EE. UU. 2017: 813–814.

Bengio S, Heigold G. Incrustaciones de palabras para reconocimiento de voz. En: Interspeech 2014:1053–1057.

Le Q, Mikolov T. Representaciones distribuidas de oraciones y documentos. En: Actas de la 31a Conferencia Internacional sobre Conferencia Internacional sobre Aprendizaje Automático volumen 32 2014.

Sennrich R, Haddow B, Birch A. Traducción automática neuronal de palabras raras con unidades de subpalabras. En: Actas de la 54a Reunión Anual de la Asociación de Lingüística Computacional (Volumen 1: Documentos largos). Berlín, Alemania: Asociación de Lingüística Computacional 2016: 1715-1725.

Kim Y, Jernite Y, Sontag D, Rush AM. Modelos de lenguaje neuronal consciente de los personajes. CoRR, 2015.

Wieting J, Bansal M, Gimpel K, Livescu K. Charagram: incrustación de palabras y oraciones a través de n-gramas de caracteres. En: EMNLP. 2016.

Assale M, Dui LG, Cina A, Seveso A, Cabitza F. El resurgimiento del campo de las notas: aprovechando el contenido no estructurado en los registros médicos electrónicos. Frente Med. 2019. https://doi.org/10.3389/fmed.2019.00066.

Nadkarni PM, Ohno-Machado L, Chapman WW. Procesamiento del lenguaje natural: una introducción. J Am Med Inform Assoc JAMIA. 201118:544–551.

Cai T, Giannopoulos AA, Yu S y col. Tecnologías de procesamiento del lenguaje natural en la investigación radiológica y aplicaciones clínicas. Radiogr Rev Publ Radiol Soc N Am Inc. 201636:176–191.

Yim W-W, Yetisgen M, Harris WP, Kwan SW. Procesamiento del lenguaje natural en oncología: una revisión. JAMA Oncol. 20162:797–804.

Pons E, Braun LMM, Hunink MGM, Kors JA. Procesamiento del lenguaje natural en radiología: una revisión sistemática. Radiología. 2016279:329–343.

Murff HJ, FitzHenry F, Matheny ME y col. Identificación automatizada de complicaciones postoperatorias dentro de un registro médico electrónico utilizando procesamiento de lenguaje natural. JAMA. 2011306:848–855.

Vo E, Davila JA, Hou J y col. Diferenciación de la ileostomía de los procedimientos de colostomía: evaluación de la precisión de los códigos de terminología de procedimientos actuales y la utilidad del procesamiento del lenguaje natural. Cirugía. 2013154:411–417.

Elkin PL, Froehling DA, Wahner-Roedler DL, Brown SH, Bailey KR. Comparación de los métodos de biovigilancia del procesamiento del lenguaje natural para identificar la influenza a partir de notas de encuentros. Ann Intern Med. 2012156:11–18.

Calvo RA, Milne DN, Hussain MS, Christensen H. Procesamiento del lenguaje natural en aplicaciones de salud mental utilizando textos no clínicos. Nat Lang Eng. 201723:649–685.

Conway M, O'Connor D. Redes sociales, macrodatos y salud mental: avances actuales e implicaciones éticas. Curr Opin Psychol. 20169:77–82.

Sun W, Cai Z, Li Y, Liu, F, Fang S, Wang G. Tecnologías de procesamiento de datos y minería de textos en registros médicos electrónicos: una revisión. J Healthc Eng. 20182018:4302425.

Bodenreider O. El sistema de lenguaje médico unificado (UMLS): integración de terminología biomédica. Res de ácidos nucleicos. 200432:267–270.

McCray AT. Una ontología de nivel superior para el dominio biomédico. Int J Genom. 20034:80–84.

Zhang Y, Chen Q, Yang Z, Lin H, Lu Z. BioWordVec, mejorando la integración de palabras biomédicas con información de subpalabras y MeSH. Datos de ciencia. 2019. https://doi.org/10.1038/s41597-019-0055-0.

Gero Z, Ho J. PMCVec: representación de frases distribuidas para el procesamiento de texto biomédico. J Biomed Inform. 20193:100047.

Bai T, Chanda AK, Egleston BL, Vucetic S. EHR fenotipado mediante la incorporación conjunta de conceptos médicos y palabras en un espacio vectorial unificado. BMC Med Inform Decis Mak. 201818:123.

Liu K, Hogan WR, Crowley RS. Métodos y sistemas de procesamiento del lenguaje natural para el aprendizaje de ontologías biomédicas. J Biomed Inform. 201144:163–179.

Feczko PJ, Ackerman LV, Halpert RD, Simms SM. Un sistema de gestión de información gastrointestinal basado en computadora. Radiología. 1984152:297–300.

Rex DK, Schoenfeld PS, Cohen J, et al. Indicadores de calidad para colonoscopia. Soy J Gastroenterol. 2015110:72–90.

Corley DA, Jensen CD, Marks AR, et al. Tasa de detección de adenomas y riesgo de cáncer colorrectal y muerte. N Engl J Med. 2014370:1298–1306.

Barclay RL, Vicari JJ, Doughty AS, Johanson JF, Greenlaw RL. Tiempos de retirada de la colonoscopia y detección de adenomas durante la colonoscopia de cribado. N Engl J Med. 2006355:2533–2541.

Adler A, Wegscheider K, Lieberman D y col. Factores que determinan la calidad de la colonoscopia de cribado: un estudio prospectivo sobre las tasas de detección de adenomas, a partir de 12134 exámenes (proyecto de colonoscopia de Berlín 3, BECOP-3). Intestino. 201362:236–241.

Rex DK. ¿Quién es el mejor colonoscopista? Endosc gastrointestinal. 200765:145–150.

Pike IM. Mejora de la calidad en gastroenterología: una perspectiva estadounidense. Nat Clin Pract Gastroenterol Hepatol. 20085:550–551.

Imler TD, Morea J, Kahi C y col. Medición de la calidad de la colonoscopia multicéntrica que utiliza el procesamiento del lenguaje natural. Soy J Gastroenterol. 2015110:543–552.

Imler TD, Morea J, Kahi C, Imperiale TF. El procesamiento del lenguaje natural categoriza con precisión los hallazgos de los informes de colonoscopia y patología. Clin Gastroenterol Hepatol Off Clin Pract J Am Gastroenterol Assoc. 201311:689–694.

Mehrotra A, Dellon ES, Schoen RE, et al. Aplicar una herramienta de procesamiento del lenguaje natural a los registros médicos electrónicos para evaluar el desempeño en las medidas de calidad de la colonoscopia. Endosc gastrointestinal. 201275:1233–1239.

Harkema H, Chapman WW, Saul M, Dellon ES, Schoen RE, Mehrotra A. Desarrollo de una aplicación de procesamiento del lenguaje natural para medir la calidad de los procedimientos de colonoscopia. J Am Med Inform Assoc JAMIA. 201118: i150 – i156.

Gawron AJ, Thompson WK, Keswani RN, Rasmussen LV, Kho AN. Tasas de detección de adenomas anatómicas y avanzadas como métricas de calidad determinadas a través del procesamiento del lenguaje natural. Soy J Gastroenterol. 2014109:1844–1849.

Lee JK, Jensen CD, Levin TR, et al. Identificación precisa de la calidad de la colonoscopia y los hallazgos de los pólipos mediante el procesamiento del lenguaje natural. J Clin Gastroenterol. 201953: e25 – e30.

Raju GS, Lum PJ, Slack RS, et al. El procesamiento del lenguaje natural como alternativa al informe manual de las métricas de calidad de la colonoscopia. Endosc gastrointestinal. 201582:512–519.

Deutsch JC. Calidad de la colonoscopia, medidas de calidad y una herramienta de procesamiento de lenguaje natural para registros médicos electrónicos. Endosc gastrointestinal. 201275:1240–1242.

Marcondes FO, Gourevitch RA, Schoen RE, Crockett SD, Morris M, Mehrotra A. La tasa de detección de adenomas cae al final del día en una gran muestra de múltiples sitios. Dig Dis Sci. 201863: 856–859. https://doi.org/10.1007/s10620-018-4947-1.

Patel VD, Thompson WK, Lapin BR, Goldstein JL, Yen EF. Umbral de tiempo de retiro de la colonoscopia de detección para una tasa adecuada de detección de pólipos serrados proximales. Dig Dis Sci. 201863: 3084–3090. https://doi.org/10.1007/s10620-018-5187-0.

Abdul-Baki H, Schoen RE, Dean K, et al. La notificación pública de la calidad de la colonoscopia se asocia con un aumento en la tasa de detección de adenomas por endoscopista. Endosc gastrointestinal. 201582:676–682.

Mehrotra A, Morris M, Gourevitch RA, et al. Características del médico asociadas con una mayor tasa de detección de adenomas. Endosc gastrointestinal. 201887:778–786.

Crockett SD, Gourevitch RA, Morris M, et al. Factores endoscopistas que influyen en la detección de pólipos serrados: un estudio multicéntrico. Endoscopia. 201850:984–992.

Gourevitch RA, Rose S, Crockett SD, et al. Variación en la clasificación patológica de adenomas colorrectales y pólipos serrados. Soy J Gastroenterol. 2018113:431–439.

Hong SN, Son HJ, Choi SK y col. Un modelo de predicción para la neoplasia colorrectal avanzada en una población de cribado asintomática. Más uno. 201712: e0181040.

Blumenthal DM, Singal G, Mangla SS, Macklin EA, Chung DC. Predecir la no adherencia con colonoscopia ambulatoria utilizando una novedosa herramienta electrónica que mide la no adherencia previa. Médico interno de J Gen. 201530:724–731.

Thrift AP, Natarajan Y, Mansour NM, et al. Tu1117: utiliza el procesamiento del lenguaje natural para identificar con precisión la displasia en los informes de patología de pacientes con esófago de Barrett. Gastroenterología. 2018154:896–897.

Hou JK, Soysal E, Moon S, et al. El procesamiento del lenguaje natural Su1815 identifica con precisión la displasia colorrectal en una cohorte nacional de veteranos con enfermedad inflamatoria intestinal. Gastroenterología. 2016150: S560 – S561.

Ananthakrishnan AN, Cai T, Cheng S-C y col. Tu1276 mejora la definición de caso de enfermedad de Crohn y colitis ulcerosa en registros médicos electrónicos mediante el procesamiento del lenguaje natural: un enfoque informático novedoso. Gastroenterología. 2012142: S-791.

Cai T, Lin T-C, Bond A y col. La asociación entre artralgia y Vedolizumab mediante el procesamiento del lenguaje natural. Enfermedad intestinal de Inflamm. 201824:2242–2246.

Hou JK, Chang M, Nguyen T, et al. Identificación automatizada de la colonoscopia de vigilancia en la enfermedad inflamatoria intestinal mediante el procesamiento del lenguaje natural. Dig Dis Sci. 201358: 936–941. https://doi.org/10.1007/s10620-012-2433-8.

Comité de Estándares de Práctica de ASGE, Anderson MA, Fisher L, et al. Complicaciones de la CPRE. Endosc gastrointestinal. 201275:467–473.

Imler TD, Sherman S, Imperiale TF, et al. Medición de calidad específica del proveedor para ERCP utilizando procesamiento de lenguaje natural. Endosc gastrointestinal. 201887:164–173.

Al-Haddad MA, Friedlin J, Kesterson J, Waters JA, Aguilar-Saavedra JR, Schmidt CM. Procesamiento del lenguaje natural para el desarrollo de un registro clínico: un estudio de validación en neoplasias mucinosas papilares intraductales. HPB. 201012:688–695.

Mehrabi S, Schmidt CM, Waters JA y col. Una metodología eficiente de identificación de quistes pancreáticos que utiliza el procesamiento del lenguaje natural. Información técnica de Stud Health. 2013192:822–826.

Chang EK, Yu CY, Clarke R y col. Mo1050 utiliza un algoritmo de diagnóstico automatizado que utiliza registros de salud electrónicos y procesamiento del lenguaje natural para definir una población con cirrosis. Gastroenterología.. 2015148: S-1074.

Kung R, Ma A, Dever JB y col. Mo1043 un algoritmo de procesamiento del lenguaje natural para la identificación de pacientes con cirrosis a partir de registros médicos electrónicos. Gastroenterología. 2015148:1071–1072.

Corey KE, Kartoun U, Zheng H, Shaw SY. Desarrollo y validación de un algoritmo para identificar la enfermedad del hígado graso no alcohólico en la historia clínica electrónica. Dig Dis Sci. 201661: 913–919. https://doi.org/10.1007/s10620-015-3952-x.

Sada Y, Hou J, Richardson P, El-Serag H, Davila J. Validación de algoritmos de búsqueda de casos de cáncer hepatocelular a partir de datos administrativos y registros médicos electrónicos utilizando procesamiento de lenguaje natural. Atención médica. 201654: e9 – e14.

Koola JD, Davis SE, Al-Nimri O, et al. Desarrollo de un algoritmo de fenotipado automático para el síndrome hepatorrenal. J Biomed Inform. 201880:87–95.

Imler TD, Ring N, Crabb DW. Su1403 riesgos médicos, sociales y legales para predecir la enfermedad hepática alcohólica mediante el procesamiento del lenguaje natural y análisis avanzados. Gastroenterología. 2015148: S-499.

Jha AK. La promesa de los registros electrónicos: ¿a la vuelta de la esquina o en el futuro? JAMA. 2011306:880–881.

Imler TD, Morea J, Imperiale TF. El apoyo a la toma de decisiones clínicas con procesamiento del lenguaje natural facilita la determinación de los intervalos de vigilancia de la colonoscopia. Clin Gastroenterol Hepatol Off Clin Pract J Am Gastroenterol Assoc. 201412:1130–1136.

Bhat S, Zahorian T, Robert R, Farraye FA. Abogando por pacientes con enfermedad inflamatoria intestinal: cómo navegar el proceso de autorización previa. Enfermedad intestinal de Inflamm. 201925:1621–1628.

Walsh SH. La perspectiva del médico sobre los registros médicos electrónicos y cómo pueden afectar la atención al paciente. BMJ. 2004328:1184–1187.

Coiera E. Cuando la conversación es mejor que la computación. J Am Med Inform Assoc JAMIA. 20007:277–286.

Maybury M. Avances en el resumen automático de texto. Nueva York: MIT Press 1999.

Friedman C, Hripcsak G. Procesamiento del lenguaje natural y su futuro en la medicina. Acad Med. 199974:890–895.

Ni Y, Wright J, Perentesis J, et al. Aumento de la eficacia del emparejamiento ensayo-paciente: elegibilidad automatizada para ensayos clínicos Pre-cribado para pacientes de oncología pediátrica. BMC Med Inform Decis Mak. 2015. https://doi.org/10.1186/s12911-015-0149-3.

Trugenberger CA, Wälti C, Peregrim D, Sharp ME, Bureeva S. Descubrimiento de nuevos biomarcadores y fenotipos mediante tecnologías semánticas. BMC Bioinform. 201314:51.

Coppersmith G, Leary R, ​​Crutchley P, Fine A. Procesamiento del lenguaje natural de las redes sociales como detección del riesgo de suicidio. Información de Biomed Inform. 2018. https://doi.org/10.1177/1178222618792860.

McCoy AB, Wright A, Eysenbach G, et al. Estado del arte en informática clínica: evidencia y ejemplos. Yearb Med Inform. 20138:13–19.

Zheng X, Feng J, Chen Y, Peng H, Zhang W. Contexto de aprendizaje: incrustaciones de palabras / caracteres específicos. En: Actas de la conferencia AAAI sobre inteligencia artificial 2017:3393–3399.

Li P, Bing L, Lam W, Li H, Liao Y. Resumen de varios documentos con reconocimiento de lectores mediante codificación escasa. En: IJCAI 2015.

Forbush TB, Gundlapalli AV, Palmer MN, et al. Sentado sobre alfileres y agujas: caracterización de descripciones de síntomas en notas clínicas. AMIA Summits Transl Sci Proc. 20132013:67–71.

Koleck TA, Dreisbach C, Bourne PE, Bakken S. Procesamiento del lenguaje natural de los síntomas documentados en narrativas de texto libre de registros médicos electrónicos: una revisión sistemática. J Am Med Inform Assoc. 201926:364–379.

Chapman WW. Cerrar la brecha entre la investigación en PNL y la práctica clínica. Métodos Inf Med. 201049:317–319.

Liberati EG, Ruggiero F, Galuppo L, et al. ¿Qué obstaculiza la adopción de sistemas informáticos de apoyo a la toma de decisiones en los hospitales? Un estudio cualitativo y un marco para la implementación. Implementar Sci. 201712:113.

Horsky J, Schiff GD, Johnston D, Mercincavage L, Bell D, Middleton B. Principios de diseño de interfaz para el apoyo a la toma de decisiones utilizable: una revisión dirigida de las mejores prácticas para las intervenciones de prescripción clínica. J Biomed Inform. 201245:1202–1216.


¿Cómo existe el lenguaje en el cerebro?

El equipo de investigación de & ldquoLa Mente Biling & uumle & rdquo que dirige la doctora Itziar Laka en la Facultad de Letras de la Universidad del País Vasco analiza el procesamiento bilingüe del lenguaje. El objetivo es averiguar cómo el cerebro adquiere y gestiona los lenguajes y descubrir de qué manera el ser lenguajes similares o diferentes influye en este proceso.

Con el fin de comprender cómo dominamos una lengua y comprender mejor el bilingüismo, el equipo de investigación de La Mente Biling & uumle (& ldquothe bilingual brain & rdquo) de la Facultad de Letras de la Universidad del País Vasco UPV / EHU analizó el proceso de adquisición de lenguas. Como explicó la doctora Itziar Laka, directora del equipo, "el lenguaje no es algo que circule por ahí, aunque tenemos formas de representarlo, el lenguaje existe en el cerebro".

En octubre de 2007 iniciaron el proyecto BRAINGLOT, centrado en el bilingüismo, en colaboración con numerosos equipos de investigación y bajo el liderazgo coordinador de la Dra. Nuria Sebasti & aacuten de la Universidad de Barcelona. Este proyecto vincula las neurociencias y la lingüística y, dentro de él, podemos responder a las preguntas más relativas a la lingüística: ¿Cómo se organizan las lenguas en el cerebro? ¿Existe algún intercambio de influencias entre ellos? ¿Es importante que los idiomas sean similares o no? ¿Cuándo se aprende un segundo idioma? & Rdquo

Adquisición de lenguaje

A pesar de mucha investigación sobre la adquisición de idiomas entre personas monolingües, los científicos todavía tienen que hacerse preguntas básicas sobre la adquisición bilingüe: ¿Cómo se dan cuenta los bebés de que están en un entorno bilingüe? ¿Cuáles son las pistas para que descubran esto? ¿Cómo se produce la discriminación entre idiomas en los bebés? "Acabamos de comenzar una investigación en esta línea y trabajar con niños requiere tomarlo con calma, ya que el período de preparación previa es muy largo", explicó la Sra. Laka.

Por el momento, se está trabajando con niños pequeños de cuatro, cinco y seis años y el objetivo es emprender el estudio con niños aún más pequeños. De hecho, empezamos a dominar un idioma antes de nacer si esperamos que un niño diga sus primeras palabras para estudiar el proceso de adquisición o iniciación de un idioma, ya es demasiado tarde y rdquo.

La adquisición de idiomas entre personas bilingües es un tema tan complejo como misterioso & ldquo Por ejemplo, si analizamos dos sílabas que suenan igual con una máquina que mide frecuencias sonoras, veremos que no son exactamente iguales entonces, ¿Cómo sabe el bebé que está escuchando la misma sílaba? ¿Qué es & ndash para él o ella & ndash & ldquothe same & rdquo or & ldquodifferent & rdquo? El equipo de Mente Biling & uumle tiene como objetivo dar respuesta a estas preguntas mediante una metodología experimental y, para ello, los investigadores están elaborando material específico a partir de sus investigaciones en el campo de la fonología.

Diferentes formas de procesar el idioma

"No sabemos cómo las personas bilingües representan y manejan sus lenguas y es en la situación monolingüe donde entendemos mejor los mecanismos de procesamiento - el bilingüismo es mucho menos entendido", explicó la Sra. Laka. En cuanto a la estructura del idioma, el orden de las palabras es un buen ejemplo para estudiar el bilingüismo. "El vasco tiene un orden libre de palabras, pero existe algo que los lingüistas llamamos orden neutral o canónico, es decir, aquello que requiere menos esfuerzo del cerebro", explicó.

Según la terminología de la tipología lingüística, el euskera es una lengua SOV (sujeto-objeto-verbo), y el español o el inglés son, en cambio, del tipo SVO. En el equipo de Mente Biling & uumle queremos encontrar respuestas a preguntas como: & ldquoPara aquellas personas cuya lengua materna es el español y luego aprenden euskera después de los cinco años, ¿cuál de estas tipologías u orden de palabras utilizan en el procesamiento del lenguaje? ¿Utilizan los mismos mecanismos para procesar el orden de las palabras que los hablantes nativos de euskera que posteriormente han aprendido español? & Rdquo

Los investigadores de Mente Biling & uumle emplean dos metodologías, entre otras, para investigar el orden de las palabras: una analiza el comportamiento del procesamiento del orden de las palabras y la otra la electrofisiología involucrada en el procesamiento (las señales eléctricas producidas en el cerebro). Esta última técnica se conoce como ERP (Potencial de Respuesta Evocada). En la metodología conductual, los individuos experimentales se sentaron frente a las computadoras del laboratorio Elebilab de la Facultad de Artes.

Las computadoras proporcionaron señales escritas o auditivas con oraciones de varias estructuras y se midió el tiempo para que los individuos leyeran / escucharan y respondieran a las indicaciones. & ldquoPor ejemplo, el cerebro necesita mucho menos tiempo para procesar la oración vasca, & lsquootsoak ardiak jan ditu & rsquo (el lobo se ha comido la oveja) que para entender & lsquoardiak otsoak jan ditu & rsquo (el lobo se ha comido a la oveja), aunque ambos son gramaticalmente correctos & rdquo.

La técnica ERP es útil para analizar cómo procesamos el lenguaje. Los sujetos llevan un gorro provisto de 60 electrodos, con el objetivo de medir la electricidad generada por el cerebro. "Esta es una información muy valiosa para nosotros, ya que nos permite medir con precisión el esfuerzo realizado por el cerebro dadas ciertas estructuras", explicó el Dr. Laka. El primer trabajo de investigación realizado en el País Vasco utilizando la técnica ERP fue publicado en 2006 por el miembro de Mente Biling & uumle, Sr. Kepa Erdozia.

Además de cuestiones de procesamiento sintáctico, también están analizando el efecto de la edad en el cerebro bilingüe con respecto a la fonología, el vocabulario y la gramática, entre otros fenómenos. "Hasta la fecha, sabemos que la edad de adquisición de un idioma influye en la fonología, dado que quienes aprenden un idioma en la infancia no tienen acento al hablar, quienes aprenden en la edad adulta pueden o no", explicó la Sra. Laka. Del mismo modo, es bien sabido que la edad de adquisición de una lengua no influye en el vocabulario. "En lo que respecta a la gramática, nuestra investigación muestra que no debe entenderse como un todo sino que dentro de ella hay algunos fenómenos que sí muestran efectos de adquisición y otros que no", agregó.

Control bilingue

Los investigadores de la Universidad de Barcelona que han colaborado con el equipo de la UPV / EHU han concluido que las personas bilingües altamente competentes y las menos competentes en uno de sus dos idiomas no emplean los mismos mecanismos para cambiar de uno a otro. Asimismo, el hecho de tener que controlar dos idiomas con frecuencia entrena el cerebro y este entrenamiento puede ralentizar la pérdida de determinadas características cognitivas que aparecen con el envejecimiento. "Estamos investigando para ver si estos efectos encontrados entre las personas bilingües que hablan catalán y castellano se replican en los que hablan euskera y castellano, para juzgar si la distancia entre lenguas tiene algún efecto", afirma el Dr. Laka.

Para los científicos esto es de gran interés y ndash analizar y comparar dos poblaciones bilingües que comparten uno de sus dos idiomas. Además, el catalán y el español son muy similares sintácticamente, mientras que el vasco y el español son muy diferentes a este respecto. En fonología ocurre lo contrario, el castellano se diferencia más del catalán que del vasco. Gracias a esto, los investigadores pueden distinguir mejor los efectos en el cerebro que tiene la distancia entre idiomas.

Fuente de la historia:

Materiales proporcionados por Investigación Vasca. Nota: El contenido puede editarse por estilo y longitud.


Ver el vídeo: Έκθεση: λειτουργία Ρηματικών Προσώπων (Junio 2022).