Análisis de exámenes del lenguaje para la detección temprana de Alzheimer: Un enfoque de Aprendizaje Automático.

Brandon Alejandro Llaca Sánchez

Por favor, use este identificador para citar o enlazar este ítem: https://ri-ng.uaq.mx/handle/123456789/12374

Registro completo de metadatos

Campo DC	Valor	Lengua/Idioma
dc.rights.license	https://creativecommons.org/licenses/by-nc-nd/4.0	es_ES
dc.contributor	Saúl Tovar Arriaga	es_ES
dc.creator	Brandon Alejandro Llaca Sánchez	es_ES
dc.date.accessioned	2025-10-20T15:15:45Z	-
dc.date.available	2025-10-20T15:15:45Z	-
dc.date.issued	2025-10-15	-
dc.identifier.uri	https://ri-ng.uaq.mx/handle/123456789/12374	-
dc.description	La demencia es una enfermedad neurodegenerativa que afecta las funciones cognitivas de las personas, deteriorando progresivamente su calidad de vida. Entre sus distintas formas, el Alzheimer se destaca como la más común. Dada su naturaleza incurable, la detección temprana es crucial para facilitar cuidados y una atención médica oportuna. Ante este escenario, la aplicación de técnicas de aprendizaje profundo en el análisis de exámenes del lenguaje se presenta como una solución eficaz, especialmente ante la laboriosa y falible evaluación manual. En este trabajo se implementaron y compararon cinco enfoques automatizados de Procesamiento del Lenguaje Natural (PLN) para identificar indicios de Alzheimer a partir de transcripciones de audio de la prueba del robo de la galleta, en la base de datos Pitt Corpus. Se evaluaron cuatro enfoques basados enembeddingsde modelos grandes del lenguaje (GloVe, BERT, Gemma-2B y Linq-Embed-Mistral), así como una representación clásica estadística Tf–Idf, cada uno integrado con un clasificador final de regresión logística. Para su comparación, se realizó una validación cruzada estratificada 5-fold, obteniéndose los resultados más destacados con losembeddingsde BERT (84.73 % de exactitud), seguidos de cerca por el enfoque clásico Tf–Idf (83.73 % de exactitud), y el modelo de última generación Linq-Embed-Mistral (83.54 % de exactitud). Contrario a las expectativas iniciales, estos hallazgos sugieren que la elección y frecuencia de las palabras podrían ser tan o más determinantes que la información semántica o contextual en la detección del Alzheimer. Ahora bien, la falta de una base de datos accesible y en español de registros médicos de pacientes con esta condición crea la necesidad urgente de construir una, contribuyendo así a la investigación de esta neuropatía en México. En conjunto, este estudio aborda la importancia de mejorar la detección temprana del Alzheimer, particularmente en personas hispanohablantes, buscando utilizar inteligencia artificial para aumentar la eficiencia de los métodos actuales y avanzar hacia un software fácil de usar capaz de ofrecer un primer indicador de riesgo de la enfermedad, reduciendo así la necesidad inicial de una consulta médica presencial.	es_ES
dc.format	pdf	es_ES
dc.format.extent	1 recurso en línea (76 páginas)	es_ES
dc.format.medium	computadora	es_ES
dc.language.iso	spa	es_ES
dc.publisher	Universidad Autonoma de Querétaro	es_ES
dc.relation.requires	Si	es_ES
dc.rights	openAccess	es_ES
dc.subject.classification	INGENIERÍA Y TECNOLOGÍA	es_ES
dc.title	Análisis de exámenes del lenguaje para la detección temprana de Alzheimer: Un enfoque de Aprendizaje Automático.	es_ES
dc.type	Tesis de maestría	es_ES
dc.creator.tid	ORCID	es_ES
dc.contributor.tid	ORCID	es_ES
dc.creator.identificador	0000-0002-0908-2167	es_ES
dc.contributor.identificador	0000-0002-2695-1934	es_ES
dc.contributor.role	Director de tesis	es_ES
dc.degree.name	Maestría en Ciencias en Inteligencia Artificial	es_ES
dc.degree.department	Facultad de Ingeniería	es_ES
dc.degree.level	Maestría	es_ES
dc.format.support	recurso en línea	es_ES
dc.matricula.creator	236557	es_ES
dc.folio	IGMAC-236557	es_ES
Aparece en:	Maestría en Ciencias en Inteligencia Artificial

Archivos:

Fichero	Descripción	Tamaño	Formato
IGMAC-236557.pdf		4.06 MB	Adobe PDF	Visualizar/Abrir

Mostrar el registro sencillo del ítem