Resumen

Este documento tiene como objetivo desarrollar nuevos biomarcadores basados en teorías, implementando y evaluando técnicas novedosas a partir de escaneos en estado de reposo que puedan ser utilizadas en la predicción de recaídas en pacientes dependientes de nicotina y en la eficacia del tratamiento futuro. Se estudiaron dos clases de pacientes. Una clase tomó el fármaco N-acetilcisteína y la otra clase tomó un placebo. Luego, los pacientes se sometieron a un tratamiento de cesación del tabaquismo a ciegas y se registraron los escaneos de resonancia magnética funcional en estado de reposo de sus cerebros antes y después del tratamiento. El objetivo de esta investigación científica fue interpretar los mapas de conectividad fMRI basados en algoritmos de aprendizaje automático para predecir qué paciente recaerá y cuál no. En este sentido, se extrajo una matriz de características de las imágenes del cerebro empleando esquemas de selección de voxels y algoritmos de reducción de datos. Luego, la matriz de características se introdujo

• Materias:Big Data Restricciones distribuidas Algoritmo de inferencia Gestión administrativa
• Subjects:Big Data Distributed constraints Inference algorithm Administrative management
• Palabras claves:Biomarcadores guiados por teoría; Exploraciones en estado de reposo; Predicción de recaídas; Pacientes dependientes de nicotina; Algoritmos de aprendizaje automático; Mapas de conectividad de fMRI
• Keywords:Theory-driven biomarkers; Resting-state scans; Relapse prediction; Nicotine-dependent patients; Machine learning algorithms; FMRI connectivity maps