Resumen de la tesis que presenta Juan Carlos Villagómez García como requisito parcial para la obtención
del grado de Maestro en Ciencias en Tecnologías Avanzadas e Integradas
Desarrollo de un modelo de identificación de conductas suicidas mediante análisis de texto en notas clínicas
Resumen aprobado por:
|
Dr. Ansel Yoan Rodríguez González
Codirector de tesis
|
Dr. Juan Crisóforo Martínez Miranda
Codirector de tesis
|
Resumen en español
El diagnóstico y detección temprana de conductas suicidas es un desafío complejo en la atención médica, especialmente para profesionales no especializados en salud mental. Sin embargo, el procesamiento de lenguaje natural (NLP) ofrece una alternativa innovadora para crear herramientas que apoyen la identificación de estas conductas durante los primeros contactos con las unidades de salud.
En este estudio, se investigó el uso de NLP y técnicas de aprendizaje computacional para desarrollar un modelo que pueda identificar y clasificar conductas suicidas en una colección de 374 muestras anonimizadas de entrevistas a pacientes durante el proceso de tamizaje. Estas entrevistas representan la consulta inicial entre paciente y médico en el área de salud mental.
Los resultados mostraron que los algoritmos de clasificación pueden superar a los especialistas en la identificación de conductas suicidas cuando se limita la información únicamente a texto. El mejor modelo para la identificación (clasificación binaria) fue una máquina de soporte vectorial (SVM), con una medida F1 macro de 0.532, mientras que el mejor modelo para la clasificación de conductas suicidas: ideación, planeación e intento, fue BETO, con una medida F1 macro de 0.36. Este trabajo muestra el potencial del NLP en la detección temprana de conductas suicidas y sugiere que podría ser útil como herramienta complementaria para apoyar a los profesionales de salud en la identificación de este tipo de problemas.
En este estudio, se investigó el uso de NLP y técnicas de aprendizaje computacional para desarrollar un modelo que pueda identificar y clasificar conductas suicidas en una colección de 374 muestras anonimizadas de entrevistas a pacientes durante el proceso de tamizaje. Estas entrevistas representan la consulta inicial entre paciente y médico en el área de salud mental.
Los resultados mostraron que los algoritmos de clasificación pueden superar a los especialistas en la identificación de conductas suicidas cuando se limita la información únicamente a texto. El mejor modelo para la identificación (clasificación binaria) fue una máquina de soporte vectorial (SVM), con una medida F1 macro de 0.532, mientras que el mejor modelo para la clasificación de conductas suicidas: ideación, planeación e intento, fue BETO, con una medida F1 macro de 0.36. Este trabajo muestra el potencial del NLP en la detección temprana de conductas suicidas y sugiere que podría ser útil como herramienta complementaria para apoyar a los profesionales de salud en la identificación de este tipo de problemas.
Palabras clave: detección, conductas, suicidas, notas, clinicas
Resumen en inglés
The diagnosis and early detection of suicidal behavior is a complex challenge in healthcare, especially for professionals who are not specialized in mental health. However, natural language processing (NLP) offers an innovative alternative for creating tools that support the identification of these behaviors during initial contacts within healthcare units.
In this study, we investigated the use of NLP and machine learning techniques to develop a model that can identify and classify suicidal behaviors in a collection of 374 anonymized samples of patient interviews during the screening process. These interviews represent the initial consultation between patient and physician in the mental health field.
The results showed that classification algorithms can outperform specialists in identifying suicidal behavior when the information is limited to text only. The best model for identification (binary classification) was a support vector machine (SVM), with a macro F1 measure of 0.532, while the best model for the classification of suicidal behavior: ideation, planning, and attempt, was BETO, with a macro F1 measure of 0.36. This work shows the potential of NLP in the early detection of suicidal behavior and suggests that it could be useful as a complementary tool to support health professionals in identifying such problems.
In this study, we investigated the use of NLP and machine learning techniques to develop a model that can identify and classify suicidal behaviors in a collection of 374 anonymized samples of patient interviews during the screening process. These interviews represent the initial consultation between patient and physician in the mental health field.
The results showed that classification algorithms can outperform specialists in identifying suicidal behavior when the information is limited to text only. The best model for identification (binary classification) was a support vector machine (SVM), with a macro F1 measure of 0.532, while the best model for the classification of suicidal behavior: ideation, planning, and attempt, was BETO, with a macro F1 measure of 0.36. This work shows the potential of NLP in the early detection of suicidal behavior and suggests that it could be useful as a complementary tool to support health professionals in identifying such problems.
Palabras clave: detection, suicidal, conducts, clinical, notes