Big data, predicción de la demencia y organización del conocimiento
Resumen
Este artículo utiliza los principios de la organización del conocimiento para explorar la aplicación de algoritmos de big data a la predicción de diagnósticos de demencia. Utilizando los principios del análisis de dominio, el artículo argumenta que los dominios, a diferencia de las disciplinas académicas, ofrecen una forma más flexible y, por lo tanto, más útil de comprender las diferentes comunidades discursivas involucradas en la predicción de la demencia. A partir de la distinción entre las dimensiones epistemológica, aplicada y sociocultural de la organización del conocimiento, el artículo extrae una serie de preguntas y ambigüedades importantes que enfrentan tanto los dominios tecnológicos como los relacionados con la demencia en el ámbito de la predicción de la demencia.
Descargas
Citas
Brzezicki, M., Kobetic, M.D., Neumann, S. and Pennington, C. (2019). Diagnostic accuracy of frontotemporal dementia: an artificial-intelligence-powered study of symptoms, imaging and clinical judgement. Advances in medical sciences, 64, pp.292-302.
Choi, B.C.K. and Pak, A. (2006). Multidisciplinarity, interdisciplinarity and transdisciplinarity in health researches, education and policy: 1. Definitions, objectives, and evidence of effectiveness. Clinical investigative medicine, 29(6), pp. 351-364.
Government of Canada. Canada Research Coordinating Committee. (2024). New frontiers in research fund, 2024. Social Sciences and Research Council of Canada. Retrieved from https://www.sshrc-crsh.gc.ca/funding-financement/nfrf-fnfr/index-eng.aspx
Guimarães. J.A.C. and Dodebei, V. (2012). Desafios e perspectivas cientificas para a organizaçã0 e representação do conhecimento na atualidade. ISKO-Brasil : FUNDEPE, 2012. Retreived from: https://www.marilia.unesp.br/Home/Extensao/CEDHUM/livro-isko-brasil-finalizado.pdf
Hacking, I. (1990). The taming of chance. Cambridge: Cambridge University Press.
Hjorland, B. (2017). Domain analysis. Knowledge organization, 44(6), pp. 436-464.
Hjorland, B. and Albrechtsen, H. (1995). Toward a new horizon in information science: domain analysis. Journal of the American Society for Information Science, 46(6), pp. 400-425.
James, C., Ranson, J.M., Everson, R. and Llewellyn, D. (2021). Performance of machine learning algorithms for predicting progression to dementia in memory clinic patients. JAMA network open, 4(12), pp. 1-11.
Javeed, A., Dallora, A.L., Berglund, J.S., Ali, A., Ali, L. and Anderberg, P. (2023). Machine learning for dementia prediction: a systematic review and future research directions. Journal of medical systems, 47(17), pp. 1-25.
Kelleher, J.D., MacNamee, B. and D’Arcy, A. (2015). Fundamentals of machine learning for predictive data analytics. Cambridge: MIT Press.
Mayer-Schönberger, V. and Cukier, K. (2013). Big data: a revolution that will transform how we live, work, and think. New York: Houghton-Mifflin.
Sachdev, P.S., Blackder, D., Blazer, D.G., Ganguli, M., Jeste, D.V., Paulsen, J.S. and Petersen, R.C. (2014, November 14). Classifying neurocognitive disorders: the DSM-5 approach. Nature,10, pp. 634-642.
Siegel, E. (2016). Predictive analytics: the power to predict who will click, buy, lie, or die. New York: Wiley.
Snowdon, D. (2001). Aging with grace: what the nun study teaches us about leading longer, healthier and more meaningful lives. New York : Bantam.
Taylor, C. (2004). Modern social imaginaries. Durham: Duke University Press.
World Health Organization. (1992). The ICD-10 classification of mental and behavioural disorders: Clinical descriptions and diagnostic guidelines. World Health Organization. Retrieved from: https://apps.who.int/iris/handle/10665/37958
Derechos de autor 2025 D. Grant Campbell
Esta obra está bajo licencia internacional Creative Commons Reconocimiento 4.0.
