Modelo de aprendizaje automático para la predicción de depresión en pacientes de centros de salud en Piura, Perú

• Autores: Alvarado Ramos, Jefferson Daniel, Romero Saldarriaga, Sergio Enrique
• Formato: tesis de grado
• Fecha de Publicación: 2024
• Institución: Universidad Cesar Vallejo
• Repositorio: UCV-Institucional
• Lenguaje: español
• OAI Identifier: oai:repositorio.ucv.edu.pe:20.500.12692/164639
• Enlace del recurso: https://hdl.handle.net/20.500.12692/164639
• Nivel de acceso: acceso abierto
• Materia: Salud mental; Depresión; Aprendizaje automático; Regresión logística; Predicción temprana; https://purl.org/pe-repo/ocde/ford#2.02.04

La depresión afecta aproximadamente a 200,000 personas en Piura, Perú, representando un desafío significativo para los servicios de salud mental con recursos limitados. Este estudio evaluó un modelo de aprendizaje automático para predecir tempranamente la depresión en centros de salud piuranos. Se analizaron 320 historias clínicas mediante un diseño transversal no experimental, implementando algoritmos de regresión logística, máquinas de soporte vectorial y bosques aleatorios. El modelo de regresión logística demostró el mejor rendimiento con una precisión del 87% en la clasificación de niveles de depresión. Se identificaron correlaciones significativas entre síntomas afectivos y ansiosos (r=0.82, p<0.001), y entre manifestaciones somáticas y conductuales (r=0.76, p<0.001). Los estresores psicosociales emergieron como predictores principales (OR=2.34, IC95%:1.89-2.89). La validación externa confirmó la robustez del modelo (κ=0.82). Los hallazgos proporcionan una herramienta validada para optimizar la detección temprana de depresión en entornos clínicos con recursos limitados, contribuyendo a mejorar la eficiencia en la identificación y manejo de pacientes en riesgo.