INFORMACIONES PSIQUIÁTRICAS 249

128 Informaciones Psiquiátricas 2022 - n.º 249 Introducción La principal hipótesis del origen de la esquizofrenia establece la causa en alteraciones prenatales en el desarrollo del sistema nervio- so central de origen genético y ambiental. 1,2 Por una parte, debido al origen ontogénico común en el tejido ectodérmico, las alteracio- nes del neurodesarrollo también pueden reflejarse como anomalías en las huella dactilares. 3,4 Además, entre las semanas 6 y 24 de gestación, las huellas dactilares o dermatoglifos se desarrollan en paralelo a los procesos de migración neuronal. 5 Aunque el desarrollo dermatoglífico no se conoce por completo, existen pruebas claras de su heredabilidad 6-8 , así como de la influencia del entorno intrauteri- no. 9,10 Factores como las alteraciones cromosómicas, las infecciones víricas o el estrés materno durante el embarazo se han asociado a anomalías en los patrones dermatoglíficos. 8,11 Después de la gestación, las huellas dactilares se vuelven estables durante toda la vida y pueden considerarse marcadores indirectos de alteraciones en el neurodesarrollo temprano. Esto ha dado lugar a una cantidad significativa de investigaciones en busca de alteracio- nes dermatoglíficas en pacientes con esquizofrenia, que se resumen en el metaanálisis de Golembo-Smith et al. 4 Los resultados mues- tran reducciones en el número de crestas dermopapilares y mayores niveles de asimetría fluctuante en personas con esquizofrenia. Sin embargo, en la mayoría de estudios el tamaño de las muestras era moderado o pequeño, el tamaño del efecto encontrado era bajo y algunos resultados eran negativos o contradictorios. Esta falta de resultados concluyentes también puede deberse a la simplicidad de los indicadores medidos, que probablemente no eran buenos descriptores de los complejos patrones presentes en las hue- llas. Sin embargo, esta limitación puede superarse utilizando herra- mientas desarrolladas recientemente en el campo de la inteligencia artificial y el aprendizaje automático, las redes neuronales de apren- dizaje profundo. 12 Su arquitectura permite modelizar cualquier tipo de relación matemática y son la herramienta ideal para caracterizar patrones de alta complejidad "ocultos" en los datos. 13 En la mayoría de las aplicaciones basadas en imágenes se ha utilizado un tipo específico de redes de aprendizaje profundo, conocidas como Redes FIDMAG informa