[general_dat] Invitación a la defensa de tesis de licenciatura de Gianluca Capelo (Viernes 31/07 11hs)

[Juan Kamienkowski]

¡Hola!

Tenemos el agrado de invitarlxs a la presentación de Tesis de Licenciatura
en Ciencias de la Computación de Gianluca Capelo

Título:            Predicción de funciones ejecutivas con aprendizaje
automático: Estudios de caso en cohortes online y contexto clínico
presencial

Cuándo:          Viernes 31 de Julio de 2026, 11:00 hs.

Dónde:            Aula 1302, Edificio 0+infinito, Ciudad Universitaria, UBA.

Directores:     Juan E Kamienkowski, Gustavo Juantorena

Juradxs:         Fernando Schapachnik, Melina Vladislauskas

Resumen: El Trail Making Test (TMT) es una de las evaluaciones
neuropsicológicas más utilizadas para el diagnóstico clínico.
Tradicionalmente administrada con lápiz y papel, esta tarea presenta alta
sensibilidad, aunque baja especificidad. Para abordar esta limitación, se
puso a prueba una versión computarizada del TMT (cTMT) que preserva la
estructura original de la tarea y registra en detalle la serie temporal del
cursor. A partir de estos registros, se extrajeron atributos orientados a
representar el rendimiento de los participantes.

El cTMT fue evaluado en dos estudios. En el primero, con el objetivo de
aumentar su accesibilidad, se implementó la tarea en una plataforma online
junto con tres tareas estandarizadas: Change Detection Task, para memoria
de trabajo visual, y Go/No-Go y Stop-Signal Task, para control inhibitorio.
En una muestra de 484 participantes, se utilizaron los atributos del cTMT
para predecir la edad y diferencias individuales en funciones ejecutivas
medidas mediante estas tareas de referencia. Los resultados mostraron
predicciones estadísticamente significativas en ambos casos.

En el segundo estudio, orientado a analizar el desempeño del cTMT en una
población clínica, 74 adultos mayores, 41 con deterioro cognitivo leve y 33
controles sanos, completaron el cTMT y una batería diagnóstica estándar
administrada con lápiz y papel. Se compararon modelos basados en
información demográfica, atributos del cTMT y puntajes de la batería
diagnóstica. Los modelos demográficos no alcanzaron significancia
estadística, mientras que los modelos basados en atributos del cTMT sí lo
hicieron, con un desempeño de AUC = 0,67. Al combinar estos atributos con
información demográfica, el desempeño aumentó a AUC = 0,70, un valor
cercano al obtenido con la batería diagnóstica estándar (AUC = 0,76), que
formó parte del criterio diagnóstico. Además, los atributos del cTMT
permitieron predecir significativamente el desempeño en cinco de las siete
pruebas de la batería diagnóstica.

En conjunto, estos resultados sugieren que el cTMT permite capturar
información conductual relevante mediante una evaluación digital accesible
y de bajo costo. Asimismo, respaldan el potencial de esta metodología para
complementar las herramientas tradicionales de evaluación neuropsicológica
y contribuir a la detección temprana de enfermedades neurodegenerativas,
como la enfermedad de Alzheimer y otras demencias relacionadas.

¡Lxs esperamos!