Predicción de problemas de salud mental en hombres gais en Perú utilizando modelos de aprendizaje automático y aprendizaje profundo
Autores: Aybar-Flores, Alejandro; Espinoza-Portilla, Elizabeth
Idioma: Inglés
Editor: MDPI
Año: 2025
Acceso abierto
Artículo científico
2025
Predicción de problemas de salud mental en hombres gais en Perú utilizando modelos de aprendizaje automático y aprendizaje profundo
Categoría
Gestión y administración
Subcategoría
Gestión de la tecnología y la inovación
Palabras clave
Salud mental
Hombres gais
Modelos predictivos
Aprendizaje automático
Aprendizaje profundo
Factores demográficos
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 1
Citaciones: Sin citaciones
Las disparidades en salud mental entre aquellos que se identifican como hombres gay en Perú siguen siendo una preocupación urgente de salud pública, sin embargo, los modelos predictivos para la identificación temprana son limitados. Esta investigación tiene como objetivo (1) desarrollar modelos de aprendizaje automático y aprendizaje profundo para predecir problemas de salud mental en aquellos que se identifican como hombres gay, y (2) evaluar la influencia de factores demográficos, económicos, relacionados con la salud, conductuales y sociales utilizando técnicas de interpretabilidad para mejorar la comprensión de los factores que moldean los resultados de salud mental. Se analizó un conjunto de datos de 2186 hombres gay de la Primera Encuesta Virtual para Personas LGBTIQ+ en Perú (2017), considerando factores demográficos, económicos, relacionados con la salud, conductuales y sociales. Se desarrollaron y compararon varios modelos de clasificación, incluyendo Regresión Logística, Redes Neuronales Artificiales, Bosques Aleatorios, Máquinas de Aumento de Gradiente, Aumento de Gradiente Extremo y una Red Neuronal Convolucional Unidimensional (1D-CNN). Además, se utilizaron los valores de Shapley y los métodos de mapas de calor de Propagación de Relevancia por Capas (LRP) para evaluar la influencia de las variables estudiadas en la predicción de problemas de salud mental. Los resultados revelaron que el modelo 1D-CNN demostró el mejor rendimiento, logrando la mayor precisión de clasificación y capacidad de discriminación. Los análisis de explicabilidad subrayaron el diagnóstico previo de enfermedades infecciosas, el acceso a asistencia médica, las experiencias de discriminación, la edad y la expresión de la identidad sexual como predictores clave de los resultados de salud mental. Estos hallazgos sugieren que las técnicas predictivas avanzadas pueden proporcionar información valiosa para identificar a individuos en riesgo, informar intervenciones específicas y mejorar el acceso a la atención de salud mental. La investigación futura debería refinar estos modelos para mejorar la precisión predictiva, ampliar la aplicabilidad y apoyar la integración de la inteligencia artificial en las estrategias de salud pública destinadas a abordar las necesidades de salud mental de esta población.
Descripción
Las disparidades en salud mental entre aquellos que se identifican como hombres gay en Perú siguen siendo una preocupación urgente de salud pública, sin embargo, los modelos predictivos para la identificación temprana son limitados. Esta investigación tiene como objetivo (1) desarrollar modelos de aprendizaje automático y aprendizaje profundo para predecir problemas de salud mental en aquellos que se identifican como hombres gay, y (2) evaluar la influencia de factores demográficos, económicos, relacionados con la salud, conductuales y sociales utilizando técnicas de interpretabilidad para mejorar la comprensión de los factores que moldean los resultados de salud mental. Se analizó un conjunto de datos de 2186 hombres gay de la Primera Encuesta Virtual para Personas LGBTIQ+ en Perú (2017), considerando factores demográficos, económicos, relacionados con la salud, conductuales y sociales. Se desarrollaron y compararon varios modelos de clasificación, incluyendo Regresión Logística, Redes Neuronales Artificiales, Bosques Aleatorios, Máquinas de Aumento de Gradiente, Aumento de Gradiente Extremo y una Red Neuronal Convolucional Unidimensional (1D-CNN). Además, se utilizaron los valores de Shapley y los métodos de mapas de calor de Propagación de Relevancia por Capas (LRP) para evaluar la influencia de las variables estudiadas en la predicción de problemas de salud mental. Los resultados revelaron que el modelo 1D-CNN demostró el mejor rendimiento, logrando la mayor precisión de clasificación y capacidad de discriminación. Los análisis de explicabilidad subrayaron el diagnóstico previo de enfermedades infecciosas, el acceso a asistencia médica, las experiencias de discriminación, la edad y la expresión de la identidad sexual como predictores clave de los resultados de salud mental. Estos hallazgos sugieren que las técnicas predictivas avanzadas pueden proporcionar información valiosa para identificar a individuos en riesgo, informar intervenciones específicas y mejorar el acceso a la atención de salud mental. La investigación futura debería refinar estos modelos para mejorar la precisión predictiva, ampliar la aplicabilidad y apoyar la integración de la inteligencia artificial en las estrategias de salud pública destinadas a abordar las necesidades de salud mental de esta población.