Resumen

Objetivo. La alexitimia, como noción fundamental en el diagnóstico de los trastornos psiquiátricos, se caracteriza por déficits en el procesamiento emocional y, en consecuencia, dificultades en el reconocimiento de las emociones. Las herramientas tradicionales para evaluar la alexitimia, que incluyen entrevistas y medidas de autoinforme, han dado lugar a resultados inconsistentes debido a algunas limitaciones como la falta de perspicacia. Por lo tanto, el propósito del presente estudio fue proponer una nueva herramienta de cribado que utiliza modelos de aprendizaje automático basados en las puntuaciones de la tarea de reconocimiento de emociones faciales. Método. En un estudio transversal, se seleccionaron 55 estudiantes de la Universidad de Tabriz basándose en los criterios de inclusión y exclusión y en sus puntuaciones en la Escala de Alexitimia de Toronto (TAS-20). A continuación, completaron la subescala de somatización del Symptom Checklist-90 Revised (SCL-90-R), el Inventario de Ansiedad de Beck (BAI) y el Inventario de Depresión de Beck-II (BDI-II), y la tarea de reconocimiento de emociones faciales (FER). Posteriormente, se implementaron clasificadores de máquinas de vectores de apoyo (SVM) y de redes neuronales de avance (FNN) utilizando una validación cruzada K-fold para predecir la alexitimia, y el rendimiento del modelo se evaluó con el área bajo la curva (AUC), la precisión, la sensibilidad, la especificidad y la medida F1. Resultados. Los modelos arrojaron un rango de precisión de 72,7-81,8 tras la selección y optimización de las características. Nuestros resultados sugieren que los modelos ML fueron capaces de distinguir con precisión la alexitimia y determinar los elementos más informativos para predecir la alexitimia. Conclusión. Nuestros resultados muestran que los modelos de aprendizaje automático que utilizan la tarea FER, el SCL-90-R, el BDI-II y el BAI pueden diagnosticar con éxito la alexitimia y también representan los factores más influyentes para predecirla y pueden utilizarse como instrumento clínico para ayudar a los clínicos en el proceso de diagnóstico y detección temprana del trastorno.

• Materias:Inteligencia artificial Minería de datos Algoritmos genéticos Neurofisiología Proceso de aprendizaje
• Subjects:Artificial intelligence Data mining Genetic algorithms Neurophysiology Learning processes
• Palabras claves:reconocimiento de emociones faciales, modelo de aprendizaje automático, alexitimia, lista de comprobación de síntomas-90 revisada, inventario de ansiedad de beck, universidad de tabriz, ii, resultados, escala de alexitimia de toronto, inventario de depresión de beck
• Keywords:facial emotions recognition, machine learning model, alexithymia, symptoms checklist-90 revised, beck anxiety inventory, university of tabriz, ii, results, toronto alexithymia scale, beck depression inventory