Alejandro Garcia Barbosa

Introducción: El uso temprano y prolongado de pantallas digitales se ha convertido en una exposición frecuente durante la infancia y adolescencia, con posibles implicaciones sobre la salud mental, el neurodesarrollo y el funcionamiento académico. Objetivo: analizar la evidencia disponible sobre la asociación entre tiempo de pantalla y síntomas de ansiedad, depresión y déficit de atención en niños y adolescentes. Metodología: Se realizó una síntesis narrativa siguiendo lineamientos PRISMA, utilizando exclusivamente las referencias proporcionadas por los autores. Se incluyeron 18 estudios y revisiones que abordaron tiempo de pantalla, salud mental, problemas internalizantes, atención, funciones ejecutivas, desarrollo infantil, lenguaje, bienestar y rendimiento académico. Resultados: La evidencia revisada sugiere que una mayor exposición a pantallas se asocia con problemas internalizantes y externalizantes, incluyendo síntomas relacionados con ansiedad, depresión y malestar emocional. Asimismo, se identificó una relación entre tiempo de pantalla y dificultades atencionales, posiblemente mediada por exposición a estímulos rápidos, recompensas inmediatas, desplazamiento de actividades protectoras y alteraciones del sueño. En niños pequeños, el uso temprano de pantallas se vinculó con menor desempeño en pruebas de desarrollo y posibles dificultades en el lenguaje y habilidades sociales. En adolescentes, la exposición digital también se relaciona con salud mental, funcionamiento social y rendimiento académico. Conclusiones: No obstante, la evidencia disponible es predominantemente observacional, heterogénea y susceptible a confusión residual y causalidad inversa. Por ello, no es posible establecer una relación causal definitiva. Se requieren estudios longitudinales con mediciones objetivas del uso digital, diferenciación por tipo de contenido y análisis ajustados por variables familiares, sociales y educativas. En conclusión, el uso de pantallas debe evaluarse como parte de la valoración integral de niños y adolescentes, promoviendo un uso equilibrado, supervisado y adaptado al desarrollo.

La inteligencia artificial (IA) se ha consolidado como herramienta clave para el análisis avanzado de neuroimagen en enfermedades neurodegenerativas (END). Esta revisión sistemática reúne la evidencia reciente (2019–2025) sobre IA aplicada a resonancia magnética (MRI), tomografía por emisión de positrones (PET), tomografía de coherencia óptica (OCT) y electroencefalografía (EEG). Se realizó una búsqueda en PubMed, Scopus y Web of Science bajo PRISMA 2020. Se identificaron 1,243 estudios y 62 fueron incluidos tras evaluar criterios y calidad metodológica mediante Newcastle–Ottawa Scale, QUADAS-2 y PROBAST-AI. Los hallazgos muestran que, en Alzheimer y deterioro cognitivo leve, los modelos de deep learning basados en MRI y PET alcanzan AUC entre 0.90–0.94, facilitando la detección temprana y la predicción de conversión a demencia. En Parkinson, la IA logró precisiones superiores al 80 % para diferenciar la enfermedad idiopática de parkinsonismos atípicos y permitió identificar biomarcadores multimodales predictivos. En esclerosis múltiple, las redes neuronales convolucionales (CNN) y el análisis retiniano mostraron alta precisión para segmentar lesiones y estimar progresión y discapacidad. En esclerosis lateral amiotrófica, los modelos de machine learning superaron el rendimiento de predicción clínica tradicional. Persisten desafíos importantes: tamaños muestrales pequeños, heterogeneidad metodológica, falta de validación externa y escasa estandarización de protocolos e indicadores. En conjunto, la IA aplicada a neuroimagen representa una vía prometedora hacia un diagnóstico neurológico más temprano, preciso y personalizado; sin embargo, su adopción clínica requiere validaciones multicéntricas, protocolos reproducibles y marcos éticos robustos