Aplicación de IA en salud mental: resultados y nuevas líneas de trabajo del grupo Gemis
- Autores
- Di Felice, Martín; Lamas, Chabela; Maleh, Federico; Norscini, J.; Ramón, Hugo Dionisio; Deroche, Ariel; Lebedinsky, Milena; Leguizamón, Rocío; Montenegro Aguilar, Gabriel; Trupkin, Ilan; Pytel, Pablo; Vegega, Cinthia; Chatterjee, Parag; Pollo Cattaneo, María Florencia
- Año de publicación
- 2025
- Idioma
- español castellano
- Tipo de recurso
- documento de conferencia
- Estado
- versión publicada
- Descripción
- La salud mental es un pilar fundamental del bienestar humano, influyendo directamente en la calidad de vida y en el desempeño diario de las personas. En los últimos años, la creciente conciencia sobre la prevalencia y el impacto de los trastornos mentales ha impulsado el desarrollo de enfoques innovadores que complementen las estrategias tradicionales de diagnóstico y tratamiento. En este contexto, la inteligencia artificial (IA) ha emergido como una herramienta transformadora, capaz de procesar grandes volúmenes de datos clínicos, conductuales y genéticos para mejorar la detección temprana de patologías, personalizar intervenciones terapéuticas y optimizar la toma de decisiones en entornos clínicos. Desde 2022, el Grupo GEMISGEMIS.BA de la Universidad Tecnológica Nacional - Facultad Regional Buenos Aires se encuentra trabajando en una nueva línea de investigación sobre la aplicación de IA en salud mental. En esta línea de trabajo, además del desarrollo de modelos predictivos basados en datos clínicos y del análisis automatizado de señales e imágenes para la identificación de nuevos patrones y predictores, se ha incorporado el estudio de los sistemas de apoyo a la decisión clínica (Clinical Decision Support System - CDSS) basados en IA. Esta nueva dimensión de investigación busca evaluar la viabilidad, aceptación y potencial de estas herramientas en la práctica clínica, con el objetivo de mejorar la precisión diagnóstica y la personalización del tratamiento. Asimismo, en el marco de este proyecto, se ha ampliado el enfoque metodológico mediante la aplicación de modelos tanto supervisados como no supervisados, lo que permite abordar el desafío de trabajar con datos no etiquetados, una situación común en el ámbito de la salud mental. Esta estrategia busca no solo mejorar la capacidad predictiva de los modelos, sino también ampliar su aplicabilidad en escenarios clínicos reales. El presente trabajo expone los avances recientes en esta línea de investigación, destacando las contribuciones del uso de IA en salud mental y las oportunidades que ofrecen los enfoques híbridos para el desarrollo de herramientas más precisas y accesibles en el ámbito clínico.
Red de Universidades con Carreras en Informática - Materia
-
Ciencias Informáticas
Inteligencia artificial
sistemas inteligentes
Salud mental
predicción
aprendizaje automático - Nivel de accesibilidad
- acceso abierto
- Condiciones de uso
- http://creativecommons.org/licenses/by-nc-sa/4.0/
- Repositorio
- Institución
- Universidad Nacional de La Plata
- OAI Identificador
- oai:sedici.unlp.edu.ar:10915/183470
Ver los metadatos del registro completo
id |
SEDICI_1dcc2aefa540f1e11bae7c0376e60c95 |
---|---|
oai_identifier_str |
oai:sedici.unlp.edu.ar:10915/183470 |
network_acronym_str |
SEDICI |
repository_id_str |
1329 |
network_name_str |
SEDICI (UNLP) |
spelling |
Aplicación de IA en salud mental: resultados y nuevas líneas de trabajo del grupo GemisDi Felice, MartínLamas, ChabelaMaleh, FedericoNorscini, J.Ramón, Hugo DionisioDeroche, ArielLebedinsky, MilenaLeguizamón, RocíoMontenegro Aguilar, GabrielTrupkin, IlanPytel, PabloVegega, CinthiaChatterjee, ParagPollo Cattaneo, María FlorenciaCiencias InformáticasInteligencia artificialsistemas inteligentesSalud mentalpredicciónaprendizaje automáticoLa salud mental es un pilar fundamental del bienestar humano, influyendo directamente en la calidad de vida y en el desempeño diario de las personas. En los últimos años, la creciente conciencia sobre la prevalencia y el impacto de los trastornos mentales ha impulsado el desarrollo de enfoques innovadores que complementen las estrategias tradicionales de diagnóstico y tratamiento. En este contexto, la inteligencia artificial (IA) ha emergido como una herramienta transformadora, capaz de procesar grandes volúmenes de datos clínicos, conductuales y genéticos para mejorar la detección temprana de patologías, personalizar intervenciones terapéuticas y optimizar la toma de decisiones en entornos clínicos. Desde 2022, el Grupo GEMISGEMIS.BA de la Universidad Tecnológica Nacional - Facultad Regional Buenos Aires se encuentra trabajando en una nueva línea de investigación sobre la aplicación de IA en salud mental. En esta línea de trabajo, además del desarrollo de modelos predictivos basados en datos clínicos y del análisis automatizado de señales e imágenes para la identificación de nuevos patrones y predictores, se ha incorporado el estudio de los sistemas de apoyo a la decisión clínica (Clinical Decision Support System - CDSS) basados en IA. Esta nueva dimensión de investigación busca evaluar la viabilidad, aceptación y potencial de estas herramientas en la práctica clínica, con el objetivo de mejorar la precisión diagnóstica y la personalización del tratamiento. Asimismo, en el marco de este proyecto, se ha ampliado el enfoque metodológico mediante la aplicación de modelos tanto supervisados como no supervisados, lo que permite abordar el desafío de trabajar con datos no etiquetados, una situación común en el ámbito de la salud mental. Esta estrategia busca no solo mejorar la capacidad predictiva de los modelos, sino también ampliar su aplicabilidad en escenarios clínicos reales. El presente trabajo expone los avances recientes en esta línea de investigación, destacando las contribuciones del uso de IA en salud mental y las oportunidades que ofrecen los enfoques híbridos para el desarrollo de herramientas más precisas y accesibles en el ámbito clínico.Red de Universidades con Carreras en Informática2025-04info:eu-repo/semantics/conferenceObjectinfo:eu-repo/semantics/publishedVersionObjeto de conferenciahttp://purl.org/coar/resource_type/c_5794info:ar-repo/semantics/documentoDeConferenciaapplication/pdf7-11http://sedici.unlp.edu.ar/handle/10915/183470spainfo:eu-repo/semantics/altIdentifier/isbn/978-987-575-267-2info:eu-repo/semantics/reference/url/https://sedici.unlp.edu.ar/handle/10915/182261info:eu-repo/semantics/openAccesshttp://creativecommons.org/licenses/by-nc-sa/4.0/Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International (CC BY-NC-SA 4.0)reponame:SEDICI (UNLP)instname:Universidad Nacional de La Platainstacron:UNLP2025-09-29T11:50:12Zoai:sedici.unlp.edu.ar:10915/183470Institucionalhttp://sedici.unlp.edu.ar/Universidad públicaNo correspondehttp://sedici.unlp.edu.ar/oai/snrdalira@sedici.unlp.edu.arArgentinaNo correspondeNo correspondeNo correspondeopendoar:13292025-09-29 11:50:12.762SEDICI (UNLP) - Universidad Nacional de La Platafalse |
dc.title.none.fl_str_mv |
Aplicación de IA en salud mental: resultados y nuevas líneas de trabajo del grupo Gemis |
title |
Aplicación de IA en salud mental: resultados y nuevas líneas de trabajo del grupo Gemis |
spellingShingle |
Aplicación de IA en salud mental: resultados y nuevas líneas de trabajo del grupo Gemis Di Felice, Martín Ciencias Informáticas Inteligencia artificial sistemas inteligentes Salud mental predicción aprendizaje automático |
title_short |
Aplicación de IA en salud mental: resultados y nuevas líneas de trabajo del grupo Gemis |
title_full |
Aplicación de IA en salud mental: resultados y nuevas líneas de trabajo del grupo Gemis |
title_fullStr |
Aplicación de IA en salud mental: resultados y nuevas líneas de trabajo del grupo Gemis |
title_full_unstemmed |
Aplicación de IA en salud mental: resultados y nuevas líneas de trabajo del grupo Gemis |
title_sort |
Aplicación de IA en salud mental: resultados y nuevas líneas de trabajo del grupo Gemis |
dc.creator.none.fl_str_mv |
Di Felice, Martín Lamas, Chabela Maleh, Federico Norscini, J. Ramón, Hugo Dionisio Deroche, Ariel Lebedinsky, Milena Leguizamón, Rocío Montenegro Aguilar, Gabriel Trupkin, Ilan Pytel, Pablo Vegega, Cinthia Chatterjee, Parag Pollo Cattaneo, María Florencia |
author |
Di Felice, Martín |
author_facet |
Di Felice, Martín Lamas, Chabela Maleh, Federico Norscini, J. Ramón, Hugo Dionisio Deroche, Ariel Lebedinsky, Milena Leguizamón, Rocío Montenegro Aguilar, Gabriel Trupkin, Ilan Pytel, Pablo Vegega, Cinthia Chatterjee, Parag Pollo Cattaneo, María Florencia |
author_role |
author |
author2 |
Lamas, Chabela Maleh, Federico Norscini, J. Ramón, Hugo Dionisio Deroche, Ariel Lebedinsky, Milena Leguizamón, Rocío Montenegro Aguilar, Gabriel Trupkin, Ilan Pytel, Pablo Vegega, Cinthia Chatterjee, Parag Pollo Cattaneo, María Florencia |
author2_role |
author author author author author author author author author author author author author |
dc.subject.none.fl_str_mv |
Ciencias Informáticas Inteligencia artificial sistemas inteligentes Salud mental predicción aprendizaje automático |
topic |
Ciencias Informáticas Inteligencia artificial sistemas inteligentes Salud mental predicción aprendizaje automático |
dc.description.none.fl_txt_mv |
La salud mental es un pilar fundamental del bienestar humano, influyendo directamente en la calidad de vida y en el desempeño diario de las personas. En los últimos años, la creciente conciencia sobre la prevalencia y el impacto de los trastornos mentales ha impulsado el desarrollo de enfoques innovadores que complementen las estrategias tradicionales de diagnóstico y tratamiento. En este contexto, la inteligencia artificial (IA) ha emergido como una herramienta transformadora, capaz de procesar grandes volúmenes de datos clínicos, conductuales y genéticos para mejorar la detección temprana de patologías, personalizar intervenciones terapéuticas y optimizar la toma de decisiones en entornos clínicos. Desde 2022, el Grupo GEMISGEMIS.BA de la Universidad Tecnológica Nacional - Facultad Regional Buenos Aires se encuentra trabajando en una nueva línea de investigación sobre la aplicación de IA en salud mental. En esta línea de trabajo, además del desarrollo de modelos predictivos basados en datos clínicos y del análisis automatizado de señales e imágenes para la identificación de nuevos patrones y predictores, se ha incorporado el estudio de los sistemas de apoyo a la decisión clínica (Clinical Decision Support System - CDSS) basados en IA. Esta nueva dimensión de investigación busca evaluar la viabilidad, aceptación y potencial de estas herramientas en la práctica clínica, con el objetivo de mejorar la precisión diagnóstica y la personalización del tratamiento. Asimismo, en el marco de este proyecto, se ha ampliado el enfoque metodológico mediante la aplicación de modelos tanto supervisados como no supervisados, lo que permite abordar el desafío de trabajar con datos no etiquetados, una situación común en el ámbito de la salud mental. Esta estrategia busca no solo mejorar la capacidad predictiva de los modelos, sino también ampliar su aplicabilidad en escenarios clínicos reales. El presente trabajo expone los avances recientes en esta línea de investigación, destacando las contribuciones del uso de IA en salud mental y las oportunidades que ofrecen los enfoques híbridos para el desarrollo de herramientas más precisas y accesibles en el ámbito clínico. Red de Universidades con Carreras en Informática |
description |
La salud mental es un pilar fundamental del bienestar humano, influyendo directamente en la calidad de vida y en el desempeño diario de las personas. En los últimos años, la creciente conciencia sobre la prevalencia y el impacto de los trastornos mentales ha impulsado el desarrollo de enfoques innovadores que complementen las estrategias tradicionales de diagnóstico y tratamiento. En este contexto, la inteligencia artificial (IA) ha emergido como una herramienta transformadora, capaz de procesar grandes volúmenes de datos clínicos, conductuales y genéticos para mejorar la detección temprana de patologías, personalizar intervenciones terapéuticas y optimizar la toma de decisiones en entornos clínicos. Desde 2022, el Grupo GEMISGEMIS.BA de la Universidad Tecnológica Nacional - Facultad Regional Buenos Aires se encuentra trabajando en una nueva línea de investigación sobre la aplicación de IA en salud mental. En esta línea de trabajo, además del desarrollo de modelos predictivos basados en datos clínicos y del análisis automatizado de señales e imágenes para la identificación de nuevos patrones y predictores, se ha incorporado el estudio de los sistemas de apoyo a la decisión clínica (Clinical Decision Support System - CDSS) basados en IA. Esta nueva dimensión de investigación busca evaluar la viabilidad, aceptación y potencial de estas herramientas en la práctica clínica, con el objetivo de mejorar la precisión diagnóstica y la personalización del tratamiento. Asimismo, en el marco de este proyecto, se ha ampliado el enfoque metodológico mediante la aplicación de modelos tanto supervisados como no supervisados, lo que permite abordar el desafío de trabajar con datos no etiquetados, una situación común en el ámbito de la salud mental. Esta estrategia busca no solo mejorar la capacidad predictiva de los modelos, sino también ampliar su aplicabilidad en escenarios clínicos reales. El presente trabajo expone los avances recientes en esta línea de investigación, destacando las contribuciones del uso de IA en salud mental y las oportunidades que ofrecen los enfoques híbridos para el desarrollo de herramientas más precisas y accesibles en el ámbito clínico. |
publishDate |
2025 |
dc.date.none.fl_str_mv |
2025-04 |
dc.type.none.fl_str_mv |
info:eu-repo/semantics/conferenceObject info:eu-repo/semantics/publishedVersion Objeto de conferencia http://purl.org/coar/resource_type/c_5794 info:ar-repo/semantics/documentoDeConferencia |
format |
conferenceObject |
status_str |
publishedVersion |
dc.identifier.none.fl_str_mv |
http://sedici.unlp.edu.ar/handle/10915/183470 |
url |
http://sedici.unlp.edu.ar/handle/10915/183470 |
dc.language.none.fl_str_mv |
spa |
language |
spa |
dc.relation.none.fl_str_mv |
info:eu-repo/semantics/altIdentifier/isbn/978-987-575-267-2 info:eu-repo/semantics/reference/url/https://sedici.unlp.edu.ar/handle/10915/182261 |
dc.rights.none.fl_str_mv |
info:eu-repo/semantics/openAccess http://creativecommons.org/licenses/by-nc-sa/4.0/ Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International (CC BY-NC-SA 4.0) |
eu_rights_str_mv |
openAccess |
rights_invalid_str_mv |
http://creativecommons.org/licenses/by-nc-sa/4.0/ Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International (CC BY-NC-SA 4.0) |
dc.format.none.fl_str_mv |
application/pdf 7-11 |
dc.source.none.fl_str_mv |
reponame:SEDICI (UNLP) instname:Universidad Nacional de La Plata instacron:UNLP |
reponame_str |
SEDICI (UNLP) |
collection |
SEDICI (UNLP) |
instname_str |
Universidad Nacional de La Plata |
instacron_str |
UNLP |
institution |
UNLP |
repository.name.fl_str_mv |
SEDICI (UNLP) - Universidad Nacional de La Plata |
repository.mail.fl_str_mv |
alira@sedici.unlp.edu.ar |
_version_ |
1844616361370714112 |
score |
13.070432 |