Los sistemas complejos, machine learning y análisis de sentimientos y su aplicación en ciencias de la salud Sistemas Complejos en Ciencias de la Salud / COMPLEX SYSTEMS, MACHINE LEARNING AND SENTIMENT ANALYSIS AND ITS APPLICATION IN HEALTH SCIENCES

Los sistemas complejos surgen buscando una mayor integración del conocimiento científico. El paradigma considera que los sistemas están compuestos por agentes dispares, en los cuales aparecen conductas inestables, siendo lo no lineal, cambiante y aleatorio un elemento característico, así como sus procesos son intra y transdisciplinarios, en contraste con cadenas deterministas, propias de visiones reduccionistas. El machine learning, surge como un sistema complejo definido como el proceso por el cual las computadoras buscando patrones comunes desde una información empírica y realizando algoritmos matemáticos, logran predicciones utilizando experiencias pasadas. Recientemente, mostró un gran desarrollo con el avance tecnológico de las computadoras. Análisis de sentimiento o minería de opinión, utiliza el machine learning para identificar y extraer información subjetiva de datos, haciendo uso del procesamiento de lenguaje natural, análisis de texto y lingüística computacional. En este trabajo realizamos una revisión sobre las características de los sistemas complejos en general, del machine learning y análisis de sentimientos en particular, debido a que el conocimiento y manejo de la información resulta de importante en neurociencias, dado que han surgido modelos preparados para obtener información oculta en registros médicos y redes sociales, capaces de predecir conductas vinculadas a eventos de salud como una insuficiencia cardiaca o un trastornos neuropsiquiátrico.

Complex systems emerged a few years ago seeking an integration of scientific knowledge. This paradigm considers that systems are composed of different agents, in which unstable, non-periodic behaviors appear, being the non-linear, changing, unexpected and random a characteristic element, as well as its processes are identified by being intra and transdisciplinary, in contrast to deterministic chains, typical of reductionist visions. Machine learning, emerges as a complex system defined as the process by which computers looking for common patterns from plenty empirical information through mathematical algorithms, make predictions using past experiences. In recent years, it showed an important development in storage capacity and the processing power of computers. Sentiment analysis or opinion mining, uses machine learning to identify and extract subjective information from the data, making use of natural language processing, text analysis and computational linguistics. In this paper we review the characteristics of complex systems in general and machine learning and sentiment analysis in particular, because the knowledge and management of this information is of great importance for health and the study of the human behavior, since models of machine learning could obtain hidden information in medical records, social networks and personal notes with capacity to predict health events such as heart failure or neuropsychiatric disorders.

Prevalencia e incidencia de discapacidad a partir del Certificado Único de Discapacidad en un hospital universitario del Área Metropolitana de Buenos Aires / Prevalence and incidence of disability based on the Unique Certificate of Disability at a teaching hospital in the Metropolitan Area of Buenos Aires

La discapacidad es un problema de salud pública que afecta las oportunidades de desarrollo integral del individuo. El objetivo del trabajo fue estimar la prevalencia e incidencia anual y de las categorías diagnósticas asociadas a discapacidad total y por grupos etarios a partir de la tramitación del Certificado Único de Discapacidad. Estudio analítico de una cohorte de niños/as de 0 a 18 años perteneciente a un hospital universitario del Área Metropolitana de Buenos Aires, entre enero de 2010 y diciembre de 2017. Sobre un total de 22 750 afiliados activos, 726 pacientes tramitaron el Certificado Único de Discapacidad; la prevalencia fue del 3,2 % (IC 95 %: 2,9-3,4). La incidencia acumulada anual aumentó desde 2012 (0,22 %; IC 95 %: 0,1-0,19) hasta 2017 (0,59 %; IC 95 %: 0,5-0,7). Las discapacidades mentales constituyeron el 80 % (n = 576). En este estudio se observó un aumento de la incidencia de discapacidad y de la categoría de discapacidad mental.

Disability is a public health problem that affects an individual's comprehensive development opportunities. The objective of this study was to estimate the annual incidence and prevalence and the diagnostic categories associated with total disability and age groups based on the application for a Unique Certificate of Disability. This was an analytical cohort study in children aged 0-18 years conducted at a teaching hospital of the Metropolitan Area of Buenos Aires between January 2010 and December 2017. Among 22 750 active members, 726 patients applied for a Unique Certificate of Disability; the prevalence was 3.2 % (95 % confidence interval [CI]: 2.9-3.4). The annual cumulative incidence increased from 2012 (0.22 %, 95 % CI: 0.1-0.19) to 2017 (0.59 %, 95 % CI: 0.5-0.7). Mental disabilities accounted for 80 % (n = 576). This study showed an increase in the incidence of disability and also the mental disability category.

Fluencia verbal: un test neuropsicológico breve para la detección de trastornos cognitivos en pediatría / Verbal fluency: A rapid neuropsychological test for the detection of cognitive disorders in pediatrics

RESUMEN INTRODUCCIÓN: La fluencia verbal es un test psicométrico breve utilizado en evaluaciones neuropsicológicas para estudiar funciones ejecutivas y verbales. El desempeño en la población pediátrica en esta prueba no ha sido profundamente estudiado. Tampoco encontramos estudios en pediatría que analicen la fluidez verbal fonológica (FF) en relación al nivel intelectual utilizando la versión española con letras iniciales "P" y "M". OBJETIVO: Analizar el rendimiento en FF en función del nivel intelectual y del diagnóstico. MÉTODO: Corte transversal. Se incluyeron pacientes entre 6 y 16 años con evaluación neuropsicológica con nivel intelectual (WISCIV) y FF (NEPSYII) entre enero y junio del 2016. Se realizó una regresión lineal simple para analizar la relación entre FF y el resto de las variables de estudio. RESULTADOS: Se incluyeron 95 pacientes, edad media de 10 años. La FF mostró correlación positiva con el nivel intelectual total (CIT) (r=3,71; p<0,001; IC95 % 2,77- 4,65). El 73 % de pacientes con FF normal tuvieron un CIT normal. La probabilidad de presentar un CIT descendido presentado una FF menor de 7 fue 5,5 veces mayor (OR=5,5 p<0,003; IC95 %=2,23-13,76). Quienes presentaron una FF descendida con CIT normal (n=19), El 80 % tenía diagnóstico de trastorno por déficit de atención (15/19) y 21 % dislexia (4/19). CONCLUSIONES: Nuestros resultados tienen una importante implicancia clínica, pues no siempre se dispone del acceso y tiempo necesario para realizar una evaluación neuropsicológica extensa. El presente trabajo demuestra que la prueba FF de rápida administración con letras "P" y "M" resulta una herramienta de screening neuropsicológica efectiva en revelar déficit no sólo en funciones ejecutivas y habilidades verbales, sino también en detectar el rendimiento intelectual descendido.

SUMMARY INTRODUCTION: Verbal fluency is a brief psychometric test used in neuropsychological assessments to study executive and verbal functions. Pediatric population performance in this trial has not been thoroughly studied. We also did not find studies in pediatrics that analyze the phonological verbal fluency (FF) in relation to the intellectual level using the Spanish version with initial letters "P" and "M". OBJECTIVE: Analyze FF performance based on intellectual level and diagnosis. METHODS: It's a cross-section research. We included patients between 6 and 16 years old with neuropsychological assessment with intellectual level (WISCIV) and FF (NEPSYII) between January and June of 2016. A simple linear regression was performed to analyze the relationship between FF and the rest of the variables. RESULTS: We included 95 patients, mean age of 10 years. The FF showed a positive correlation with the total intellectual level (ITC) (r = 3.71, p <0.001, 95% CI 2.77-4.65). The 73% of patients with normal FF had a normal ITC. The probability of showing a lower ITC when the FF was lower than 7 was 5.5 times greater (OR = 5.5, p <0.003, 95% CI = 2.23-13.76). Those who presented a lower FF with normal ITC (n = 19) 80% had diagnosis of Attention Deficit Disorder (15/19) and 21% dyslexia (4/19). CONCLUSIONS: Our results have important clinical implications because the access and time necessary for an extensive neuropsychological evaluation is not always available. The present research shows that FF of 2 minutes long with letters "P" and "M" is an effective neuropsychological screening tool in revealing deficit not only in executive functions and verbal abilities, but also in detecting decreased intellectual performance. Those patients with poor performance in this test should perform a complete neuropsychological assesment in order to clarify the diagnosis.