Revisión sistemática sobre la detección de riesgo suicida en redes sociales utilizando machine learning

• Autores: Ortigas De La Cruz, Manuel Francisco, Rivera Rimarachin, Josafat Enoc
• Formato: tesis de grado
• Fecha de Publicación: 2026
• Institución: Universidad Señor de Sipan
• Repositorio: USS-Institucional
• Lenguaje: español
• OAI Identifier: oai:repositorio.uss.edu.pe:20.500.12802/17061
• Enlace del recurso: https://hdl.handle.net/20.500.12802/17061
• Nivel de acceso: acceso abierto
• Materia: Riesgo suicida; Machine learning; Procesamiento del lenguaje natural; Redes sociales; Salud mental; https://purl.org/pe-repo/ocde/ford#2.02.04

El suicidio representa un importante problema de salud pública a nivel mundial, cuya prevención requiere estrategias de detección temprana más efectivas. En este contexto, las redes sociales se han convertido en una fuente relevante de información, ya que los usuarios expresan emociones y pensamientos que pueden reflejar riesgo suicida. El objetivo de este estudio fue realizar una revisión sistemática de la literatura científica sobre el uso del machine learning y el procesamiento del lenguaje natural en la detección del riesgo suicida a partir de publicaciones en redes sociales. La investigación se desarrolló siguiendo la metodología PRISMA 2020, considerando estudios indexados en Scopus y Web of Science publicados entre 2018 y 2025. Los resultados evidencian que los modelos de aprendizaje profundo, como LSTM y BERT, presentan un mejor desempeño en comparación con métodos tradicionales, alcanzando altos niveles de precisión. No obstante, se identifican limitaciones relacionadas con el desbalance de datos, la generalización a diferentes contextos culturales y lingüísticos, así como desafíos éticos asociados a la privacidad de la información. En conclusión, el machine learning constituye una herramienta prometedora para la detección temprana del riesgo suicida en entornos digitales; sin embargo, se requiere fortalecer la validación de los modelos y establecer marcos éticos que respalden su aplicación responsable en el ámbito de la salud mental.