Estrategia de diagnóstico para trastornos de comportamiento en infantes de ocho a once años

• Marco Silva Segovia ^[2] ; Fátima Silva Villarroel ^[1] ; José Silva Herrera ^[3]
  1. [1] Universitat Oberta de Catalunya

     Universitat Oberta de Catalunya

     Barcelona, España

     
  2. [2] Instituto Tecnológico Superior España. Ecuador
  3. [3] Universidad Santo Tomas. Colombia

  Mostrar afiliaciones +
• Localización: GICOS: Revista del Grupo de Investigaciones en Comunidad y Salud, ISSN-e 2610-797X, Vol. 9, Nº. 2, 2024, págs. 112-128
• Idioma: español
• Títulos paralelos:
  • Diagnostic strategy for behavioral disorders in infants aged eight to eleven years old
• Enlaces
  • Texto completo (pdf)
• Resumen
  • español

    Estudio sobre el diagnóstico de trastornos de comportamiento en niños de ocho a once años utilizando modelos de regresión lineal y redes neuronales artificiales. El estudio se llevó a cabo en una muestra de 176 niños de una unidad educativa en la provincia de Cotopaxi, Ecuador, utilizando el instrumento del proyecto ESPERI para recopilar datos.

    El estudio se centró en cuatro factores principales: inatención/impulsividad/hiperactividad, oposicional-desafiante, predisocial y disocial. Los datos fueron preprocesados, limpiados y normalizados utilizando Microsoft Excel, y se realizaron análisis descriptivos y pruebas estadísticas para determinar la significancia de las relaciones entre las variables independientes y la variable dependiente. Se seleccionaron cuatro variables para el modelo de regresión lineal:

    inatención/impulsividad/hiperactividad, factor disocial, factor predisocial y factor oposicional-desafiante. El modelo fue creado utilizando Python y Google Colaboratory, y se utilizaron diferentes métricas para evaluar su rendimiento. El modelo fue validado utilizando un conjunto de datos independiente y los resultados se interpretaron para determinar las variables que tienen la mayor influencia en el diagnóstico de trastornos de comportamiento. Los resultados del estudio mostraron que la prevalencia de trastornos de comportamiento en niños era del 4,8% al 7,4% en niños y del 2,1% al 3,2% en niñas. El modelo de regresión lineal tuvo un buen ajuste a los datos y fue capaz de explicar la variabilidad en la variable dependiente con un bajo error de predicción en el conjunto de prueba. En el artículo también se proporciona el código completo del modelo para ser probado en un entorno de producción

  • English

    The article presents a study on the diagnosis of behavioral disorders in children aged eight to eleven years using linear regression models and artificial neural networks. The study was conducted on a sample of 176 children from an educational unit in the province of Cotopaxi, Ecuador, using the ESPERI project instrument to collect data. The study focused on four main factors: inattention/impulsivity/hyperactivity, oppositional-defiant, predispositional and dissocial.

    The data were preprocessed, cleaned, and normalized using Microsoft Excel, and descriptive analysis and statistical tests were performed to determine the significance of the relationships between the independent variables and the dependent variable. Four variables were selected for the linear regression model: inattention/impulsivity/hyperactivity, dissocial factor, predisocial factor, and oppositional-defiant factor. The model was created using Python and Google Colaboratory, and different metrics were used to evaluate its performance. The model was validated using an independent dataset, and the results were interpreted to determine the variables that have the greatest influence on the diagnosis of behavioral disorders. The results of the study showed that the prevalence of behavioral disorders in children was 4.8% to 7.4% in boys and 2.1% to 3.2% in girls. The linear regression model had a good fit to the data and was able to explain the variability in the dependent variable with low prediction error on the test set. The article also provides the complete code of the model to be tested in a production environment.