Análisis de depresión en adolescentes de básica secundaria y media usando algoritmos de machine learning
Analysis of depression in high school and middle basic adolescents using machine learning algorithms
DOI:
https://doi.org/10.17081/psico.27.52.6981Palabras clave:
adolescentes, depresión, algoritmos de clasificación, Machine Learning, métodos de ensambleResumen
Objetivo: Identificar los factores determinantes relacionados con la ansiedad, el estrés y la depresión en adolescentes de sexto a undécimo grado de una institución educativa del departamento del Tolima, Colombia.
Método: Se aplicó el Inventario Sistémico Cognoscitivista para el estudio del estrés académico (Inventario SISCO) a una muestra de 553 estudiantes cuyo rango de edad estuvo entre 11 y 20 años (media=17,12 años, DE=0,766). Se emplearon diferentes algoritmos de Machine Learning para clasificación debido a que la variable target es de respuesta binaria, complementando con el uso de métodos de ensamble.
Resultados: Al preguntarle a los estudiantes si alguna vez habían tenido sentimientos persistentes de tristeza, sensación de vacío o pérdida de interés en las actividades cotidianas (indicativos de depresión), el 76,17 % manifestaron que sí mientras que el 23,83 % respondió que no. La probabilidad de detectar correctamente a los estudiantes con depresión fue de 0,845, mientras que para los estudiantes que no manifiestan tener depresión fue de 0,863. Las principales variables que mejor discriminaron entre estudiantes que afirmaron tener síntomas de depresión y aquellos que no, fueron: fatiga crónica, dificultad para tomar decisiones, ansiedad, falta de apetito, conflictos interpersonales, actividades evaluativas y somnolencia.
Conclusiones: Se recalca la importancia de la detección temprana, la utilización de herramientas de Machine Learning, y la necesidad de enfoques preventivos y personalizados para abordar la ansiedad, el estrés y la depresión en adolescentes.
Descargas
Citas
Alcindor-Huelva, P., Delgado-Campos, A. M., Sipos-Gálvez, L., Fernández-Úbeda, C., & Rodríguez-Solano, J. J. (2019). Acoso escolar, conductas autolesivas, ideación, e intentos autolíticos en una muestra clínica de un centro de salud mental. Revista De Psiquiatría Infanto-Juvenil, 36(4), 14–23. https://doi.org/10.31766/revpsij.v36n4a3
Alfaro E, Gámez M, García N. (2019). Ensemble Classification Methods with Applications in R. New Jersey: John Wiley & Sons, Ltd.
Amador Moncada, J. A., Granada Díaz, H. A., Redondo Ortegón, J. M. & Olivar Tos, o. (2017). Dinámicas No-Lineales y No-Suaves en Procesos Estrés-Enfermedad. Ciencia en Desarrollo, 8(1), 9-19. https://doi.org/10.19053/01217488.v8.n1.2017.5462
Aneiros, G., Ferraty, F., & Vieu, P. (2015). Variable selection in partial linear regression with functional covariate. Statistics, 49(6), 1322-1347. https://doi.org/10.1080/02331888.2014.998675
Barraza, A. (2007, 26 de febrero). Inventario SISCO del estrés académico. Propiedades psicométricas. Revista PsicologiaCientifica.com, 9(13). https://pscient.net/8vd5j
Barraza Macías, A. (2008). El estrés académico en alumnos de maestría y sus variables moduladoras: un diseño de diferencia de grupos. Avances En Psicología Latinoamericana , 26(2), 270-289. https://revistas.urosario.edu.co/index.php/apl/article/view/67
Bedoya-Lau, Francisco N., Matos, Luis J., & Zelaya, Elena C. (2014). Niveles de estrés académico, manifestaciones psicosomáticas y estrategias de afrontamiento en alumnos de la facultad de medicina de una universidad privada de Lima en el año 2012. Revista de Neuro-Psiquiatría, 77(4), 262-270. http://www.redalyc.org/articulo.oa?id=372033988009
Bonilla Sepúlveda, O. A. (2009). Madres adolescentes: perfil epidemiológico y asociación con trastornos de depresión, ansiedad y adaptativo. [Trabajo de grado de especialización, Universidad CES]. https://repository.ces.edu.co/handle/10946/816
Bustos, V. & Russo, A. (2018). Salud mental como efecto del desarrollo psicoafectivo en la infancia. Psicogente, 21(39), 183-202. http://doi.org/10.17081/psico.21.39.2830
Chandrashekar, G., & Sahin, F. (2014). A survey on feature selection techniques. Computers & Electrical Engineering, 40(1), 16-28. https://doi.org/10.1016/j.compeleceng.2013.11.024
Chikersal, P., Doryab, A., Tumminia, M., Villalba, D. K., Dutcher, J. M., Liu, X., Cohen, S., Creswell, K. G., Mankoff, J., Creswell, J. D., Goel, M., & Dey, A. K. (2021). Detecting depression and predicting its onset using longitudinal symptoms captured by passive sensing: A machine learning approach with robust feature selection. ACM Transactions on Computer-Human Interaction, 28(1), Article 3, 41 pages. https://doi.org/10.1145/3422821
Cronbach, L.J. (1951). Coefficient alpha and the internal structure of tests. Psychometrika 16, 297–334. https://doi.org/10.1007/BF02310555
De Lacy, N., Ramshaw, M.J., McCauley, E. et al. (2023). Predicting individual cases of major adolescent psychiatric conditions with artificial intelligence. Transl Psychiatry, 13, 314. https://doi.org/10.1038/s41398-023-02599-9
Dixit A. (2017). Ensemble Machine Learning. A beginner’s guide that combines powerful machine learning algorithms to build optimized models. - Packt Publishing. -
Durstewitz, D., Koppe, G. and Meyer-Lindenberg, A. (2019). Deep neural networks in psychiatry. Mol Psychiatry. 24, 1583-1598. https://doi.org/10.1038/s41380-0190365-9
Eaves RC., Darch C. & Williams TO Jr. (2004). Attention to novelty, fear-anxiety, and age: their effects on conduct problems. The Journal of Genetic Psychology, 165(4), 425–449. https://doi.org/10.3200/GNTP.165.4.425-450
Erazo, O. & Martínez, J. (2024). Motivación hacia el aprendizaje, asociación con la depresión, la intimidación y sustancias psicoactivas en adolescentes escolarizados. Revista Criminalidad, 66(2), 167-182. https://doi.org/10.47741/17943108.611
Fumero, A. & Navarrete, G. (2016). Personalidad y Malestar Psicológico: Aplicación de un Modelo de Redes Neuronales. Revista Iberoamericana de Diagnóstico y Evaluación - e Avaliação Psicológica, 1(41), 28-38. ISSN: 1135-3848. Recuperado de https://dialnet.unirioja.es/servlet/articulo?codigo=6474699
Gamboa, J & Salinas, J. (2022). Predicción de la situación académica en alumnos de pregrado usando algoritmos de machine learning. Revista Perfiles, 1(1), 04-10. ISSN: 2477-9105. DOI: http://scielo.senescyt.gob.ec/scielo.php?script=sci_ arttext&pid=S2477-91052022000200004
González-Hernández, J., Gómez-López, M., Pérez-Turpin, J. A., Muñoz-Villena, A., & Andreu-Cabrera, E. (2019). Perfectly active teenagers. When does physical exercise help psychological well-being in adolescents? International Journal of Environmental Research and Public Health, 16(22), 4525. https://doi.org/10.3390/ijerph16224525
Güemes-Hidalgo, M., Ceñal, M.J. & Hidalgo Vicario, M. I. (2017). Desarrollo durante la adolescencia. Aspectos físicos, psicológicos y sociales. Pediatría Integral. XXI(4), 233-244. https://www.pediatriaintegral.es/publicacion-2017-06/desarrollo-durante-la-adolescencia-aspectos-fisicos-psicologicos-y-sociales/
Hawes, M. T., Schwartz, H. A., Son, Y., & Klein, D. N. (2023). Predicting adolescent depression and anxiety from multi-wave longitudinal data using machine learning. Psychological Medicine, 53(13), 6205–6211. https://doi.org/10.1017/S0033291722003452
Hervías Higueras, P., Gonzalvo Navarro, M.M., Moreno Fernández, A.M., Sánchez Mascaraque, P. & Correas Lauffer, J. (2022). Salud mental en la adolescencia (I). Ansiedad y depresión. Medicine - Programa de Formación Médica Continuada Acreditado, 13(61), 3581-3589. https://doi.org/10.1016/j.med.2022.08.001
Instituto Nacional de la Salud Mental (2024). Depresión. Recuperado el 13 de noviembre de 2024 de https://www.nimh.nih.gov/sites/default/files/health/publications/espanol/depresion-sp/depresion_24.pdf
James, G., Witten, D., & Hastie, T. (2013). An introduction to statistical learning: With applications in R. Springer. https://doi.org/10.1007/978-1-0716-1418-1
Kashani JH, Nair SS, Rao VG, Nair J, Reid JC. (1996). Relationship of personality, environmental, and DICA variables to adolescent hopelessness: a neural network sensitivity approach. Journal Am Acad Child Adolesc Psychiatry. 35(5):640-645. https://doi.org/10.1097/00004583-199605000-00019
Kilaskar, M., Saindane, N., Ansari, N. et al. (2022). Machine Learning Algorithms for Analysis and Prediction of Depression. SN COMPUT. SCI. 3, 103. https://doi.org/10.1007/s42979-021-00967-0
Lantz B. (2019). Machine Learning with R. - Packt Pub.
Leonangeli, S., Michelini, Y. & Rivarola Montejano, G. (2024). Depresión, Ansiedad y Estrés en Estudiantes Universitarios Antes y Durante Los Primeros Tres Meses de Cuarentena por COVID-19, Revista Colombiana de Psiquiatría, 53(3), 284-294.
https://doi.org/10.1016/j.rcp.2022.04.008
Lopez-Vega, J., Amaya-Gil, M. K., Salamanca Camargo, Y. & Caro Castillo, J. D. (2020). Relación entre psicopatologías e ideación suicida en adolescentes escolarizados de Colombia. Psicogente, 23(44), 1-18. https://doi.org/10.17081/psico.23.44.3709
Martín, M.J Barba, C. Lázaro, J. Cuenca, E. Samaniego (2022). Prevención de los problemas socioemocionales en los centros educativos. Una propuesta de intervención psicoeducativa. Revista de Orientación Educativa AOSMA, 31, 36-66. Recuperado de https://dialnet.unirioja.es/servlet/articulo?codigo=8558466
Martínez de Velasco, S. R., Matas Ochoa, A., Banzo-Arguis, C., & Quintero, J. (2023). Protocolo diagnóstico y terapéutico de los trastornos de ansiedad. Medicine - Programa de Formación Médica Continuada Acreditado, 13(84), 4965-4969. https://doi.org/10.1016/j.med.2023.08.005
Meylan, P., Schmidt, I. & Alam, M. (2024). Protegidos: Hacia un cambio de paradigma en la salud mental en Latinoamérica. Revista Latinoamericana de Psiquiatría, 23(1), 7-14. https://www.webapal.org/docs/revista/revista-apal124.pdf
Mentis, AF.A., Lee, D. and Roussos, P. (2023). Applications of artificial intelligence - machine learning for detection of stress: a critical overview. Mol Psychiatry. https://doi.org/10.1038/s41380-023-02047-6
Ministerio de Salud y Protección Social (2015). Encuesta Nacional de Salud Mental, Colombia 2015. https://www.minjusticia.gov.co/programas-co/ODC/Publicaciones/Publicaciones/CO031102015-salud_mental_tomoI.pdf
Ministerio de Salud y Protección Social (2022). Salud mental: asunto de todos. Boletín de Prensa No. 481 de 2022. https://www.minsalud.gov.co/Paginas/Salud-mental-asunto-de-todos.aspx. [consultado el 15 de noviembre de 2024]
Molina, M. F., Iribarne, K., Menéndez, M. A. & Álvarez Ituraín A. R. (2023). La percepción de un futuro significativo y su relación con el autoconcepto y las experiencias positivas durante pandemia de covid-19 en estudiantes de nivel superior. Psicogente, 26(49), 1-24. https://doi.org/10.17081/psico.26.49.5765
Mora Cancino, A.M. & Hernández Valencia, M. (2015). Embarazo en la adolescencia: cómo ocurre en la sociedad actual, Perinatología y Reproducción Humana, 29(2), 76-82, https://doi.org/10.1016/j.rprh.2015.05.004
Neff, E. (2022). Trastornos depresivos, EMC - Tratado de Medicina, 26(3), 1-9. ISSN 1636-5410. https://doi.org/10.1016/S1636-5410(22)46841-3
Nickson, D., Meyer, C., Walasek, L., & Toro, C. (2023). Prediction and diagnosis of depression using machine learning with electronic health records data: a systematic review. BMC medical informatics and decision making, 23(1), 271. https://doi.org/10.1186/s12911-023-02341-x
Núñez, J. C., Gázquez, J. C., Pérez-Fuentes, M. C., Molero, M. M., Martos, Á., Barragán, A. B., & Simón, M. M. (2017). Psicología y Educación para la Salud. Scinfoper.
Organización Mundial de la Salud. (2023). Depresión. https://www.who.int/es/news-room/fact-sheets/detail/depression [consultado el 14 de noviembre de 2024].
Organización Mundial de la Salud. (2024). La salud mental de los adolescentes. https://www.who.int/es/news-room/fact-sheets/detail/adolescent-mental-health [consultado el 13 de noviembre de 2024]
Organización Panamericana de la Salud (2018). Salud Mental. https://www.paho.org/es/temas/salud-mental
Ortiz-Hernández, L., & Valencia-Valero, R. G.. (2015). Disparidades en salud mental asociadas a la orientación sexual en adolescentes mexicanos. Cadernos De Saúde Pública, 31(2), 417–430. https://doi.org/10.1590/0102-311X00065314
Otzen, Tamara, & Manterola, Carlos. (2017). Técnicas de Muestreo sobre una Población a Estudio. International Journal of Morphology, 35(1), 227-232. https://dx.doi.org/10.4067/S0717-95022017000100037
Pardo A., G., Sandoval D., A., & Umbarila Z., D. (2004). Adolescencia y depresión. Revista Colombiana de Psicología, (13), 13-28. Recuperado de https://www.redalyc.org/articulo.oa?id=80401303
Pinto, S.J. & Parente, M. (2024). Comprehensive review of depression detection techniques based on machine learning approach. Soft Comput 28, 10701–10725. https://doi.org/10.1007/s00500-024-09862-1
Pocco, K. (2022). Un sistema experto para el diagnóstico del trastorno depresivo basado en redes neuronales. Revista Cubana de Informática Médica; 14(2): e519. http://scielo.sld.cu/pdf/rcim/v14n2/1684-1859-rcim-14-02-e519.pdf
Quiceno, J. M., Gómez, A., Herrera, S. F., Vélez, A. M., Vinaccia, S. & Bahamón, M. J. (2022). Riesgo suicida y estrategias de afrontamiento al estrés en población campesina colombiana. Psicogente, 25(48), 1-19. https://doi.org/10.17081/psico.25.48.5509
R Core Team. (2023). R: A language and environment for statistical computing. R Foundation for Statistical Computing. Vienna, Austria. https://www.R-project. org/
Rodríguez De Avila, U., León Valle, Z. & Ceballos Ospino, G.. (2021). Ideación suicida, ansiedad, capital social y calidad de sueño en colombianos durante el primer mes de aislamiento físico por COVID-19. Psicogente, 24(45), 1-18. https://doi.org/10.17081/psico.24.45.4075
Rodríguez, H. E., Hernández, A., Sánchez, C. M. & Gutiérrez C. (2022). Asociación entre el nivel de actividad física y los síntomas de ansiedad y depresión en estudiantes de la licenciatura en fisioterapia de la facultad de medicina de la UNAM. Revista Mexicana de Fisioterapia . ISSN: 2683-2887, 2:5. https://remefis.com.mx/n%C3%BAmero-5
Rodríguez MR, Rincón HG, Velasco MM, Hernández CA, Ramos ML, González JA. (2012). Prevalencia de trastornos mentales en una población que demanda servicios de salud en una IPS de baja complejidad y su asociación con la ideación suicida la y discapacidad percibida. Rev. Fac. Nac. Salud Pública, 30(2), 141-151. http://www.scielo.org.co/pdf/rfnsp/v30n2/v30n2a03.pdf
Rossi, R. (2001). Para superar el estrés: Consejos del psicólogo. Barcelona: De Vecchi.
Salazar, E., Guzmán, K., & Munévar, F. (2016). Relación entre tipos de colegio y niveles de ansiedad en una muestra de escolares bogotanos. Pensando Psicología, 12(19), 69-79. https://doi.org/10.16925/pe.v12i19.1329
Santomauro, Damian F et al. (2021). Global prevalence and burden of depressive and anxiety disorders in 204 countries and territories in 2020 due to the COVID-19 pandemic. The Lancet, 398, Issue 10312, 1700 – 1712. https://doi.org/10.1016/S0140-6736(21)02143-7
Shatte, A. B. R., Hutchinson, D. M., & Teague, S. J. (2019). Machine learning in mental health: a scoping review of methods and applications. Psychological Medicine, 49(9), 1426–1448. https://doi.org/10.1017/S0033291719000151
Ursul, A., Herrera Guerra, E., & Galvan Patrignani, G. (2022). Riesgo de suicidio en adolescentes escolarizados: Suicidal risk and strategies for coping with stress in Colombian rural population. Psicogente, 25(48), 1-25. https://doi.org/10.17081/psico.25.48.5422
Van Rossum, G., & Drake, F. L. (2009). Python 3 Reference Manual. Scotts Valley, CA: CreateSpace
Wani, M. A., ELAffendi, M. A., Shakil, K. A., Imran, A. S., & Abd El-Latif, A. A. (2023). Depression screening in humans with AI and deep learning techniques. IEEE Transactions on Computational Social Systems, 10(4), 2074-2089. https://doi. org/10.1109/TCSS.2022.3200213
Zhang, Z. (2024). Early warning model of adolescent mental health based on big data and machine learning. Soft Comput, 28, 811–828. https://doi.org/10.1007/s00500-023-09422-z
Descargas
Publicado
Cómo citar
Número
Sección
Licencia
Derechos de autor 2025 YURI MARCELA GARCIA SAAVEDRA, JESÚS WALTER SALINAS FLORES, MARÍA DEL PILAR GARCÍA SAAVEDRA
Esta obra está bajo una licencia internacional Creative Commons Atribución 4.0.
Desde la revista Psicogente impartimos una política de respeto con nuestra comunidad científica incluyendo a nuestros autores. Los autores tienen derecho a un trato respetuoso y atento en el proceso Editorial, que las evaluaciones de sus artículos sean justas, imparciales (para ello la revista procederá con la evaluación doble ciego) y se realicen en un tiempo razonable. Se deberá mantener la confidencialidad y los permisos para proceder con la publicación. Todo cambio solicitado por parte del comité, los pares y el Editor deberán ser explícitos y claramente justificados. Especifica que los autores/as conservarán sus derechos de autor y garantizarán a la revista el derecho de primera publicación de su obra, el cual estará simultáneamente sujeto a la Licencia de reconocimiento de Creative Commons BY que permite a terceros compartir la obra siempre que se indique su autor y su primera publicación a esta revista.
Garantizamos un proceso editorial transparente: desde las acciones de recepción del articulo hasta la validación final del mismo, se hará en comunicación constante con el autor. Las modificaciones en el estado de los artículos, así como las diversas decisiones tomadas sobre él y los tiempos de ejecución empleados se realizarán haciendo uso de la plataforma OJS y de ser necesario en contacto directo a través del correo de autores y de la revista Psicogente. Así mismo se procura la escogencia de Pares revisores idóneos: con perfiles y experiencia que lleven a una avaluación de calidad de cada documento sometido a revisión.
