Autor/autores:
Sun T , Liu J , Wang H...(et.al)
Antecedentes La autolesión no suicida (NSSI, por sus siglas en inglés) representa un problema social grave, particularmente entre los adolescentes que sufren de trastorno depresivo mayor (TDM). Este comportamiento, caracterizado por la autoinfligición de daño sin la intención de suicidio, es un indicador de grave malestar psicológico y está fuertem...
PUBLICIDAD
Estás viendo una versión reducida de este contenido.
Para consultar la información completa debes registrarte gratuitamente.
Tan sólo te llevará unos segundos.
Y si ya estás registrado inicia sesión pulsando aquí.
La autolesión no suicida (NSSI, por sus siglas en inglés) representa un problema social grave, particularmente entre los adolescentes que sufren de trastorno depresivo mayor (TDM). Este comportamiento, caracterizado por la autoinfligición de daño sin la intención de suicidio, es un indicador de grave malestar psicológico y está fuertemente asociado con un mayor riesgo de futuras conductas suicidas.
En este contexto, la capacidad de predecir la probabilidad de NSSI en adolescentes con TDM es crucial para la implementación de intervenciones preventivas eficaces.
Con este propósito, el presente estudio se centró en desarrollar un modelo de predicción de riesgos mediante el uso de algoritmos de aprendizaje automático (ML, por sus siglas en inglés), específicamente XGBoost y bosque aleatorio, para proporcionar herramientas a los profesionales de la salud que trabajan con adolescentes con TDM.
La muestra del estudio incluyó a 488 adolescentes diagnosticados con TDM. Estos participantes fueron divididos aleatoriamente en dos grupos: el 75% de ellos fue asignado al grupo de entrenamiento, mientras que el 25% restante conformó el grupo de prueba, con el fin de evaluar la capacidad predictiva del modelo de riesgo desarrollado.
Los modelos de predicción se construyeron utilizando dos algoritmos de aprendizaje automático: XGBoost y bosque aleatorio. Se evaluó el desempeño de estos modelos mediante la comparación de varios indicadores clave, incluyendo el área bajo la curva característica operativa del receptor (AUC), sensibilidad, especificidad, precisión, recuperación y la puntuación F.
De los 488 participantes, 161 (33, 00%) reportaron comportamientos de NSSI. El análisis comparativo reveló diferencias estadísticamente significativas entre los adolescentes con y sin NSSI en varias variables, tales como género (P = 0, 035), edad (P = 0, 036), síntomas depresivos (P = 0, 042), calidad del sueño (P = 0, 030), actitudes disfuncionales (P = 0, 048), trauma infantil (P = 0, 046), problemas interpersonales (P = 0, 047), psicoticismo (P = 0, 049), neuroticismo (P = 0, 044), severidad de castigo (F2) (P = 0, 045) y sobreintervención y protección (M2) (P = 0, 047).
Los modelos de predicción desarrollados mostraron un rendimiento robusto, con valores de AUC de 0, 780 para el algoritmo de bosque aleatorio y 0, 807 para XGBoost, lo que indica una alta capacidad discriminativa. Ambos métodos de ML identificaron los cinco predictores de riesgo más importantes para NSSI: actitudes disfuncionales, trauma infantil, síntomas depresivos, severidad de castigo (F2) y sobreintervención y protección (M2).
Los hallazgos de este estudio demuestran la eficacia de los modelos basados en aprendizaje automático para predecir el comportamiento de autolesión no suicida en adolescentes chinos con trastorno depresivo mayor.
Estos modelos, particularmente el construido con XGBoost, muestran un gran potencial para ser utilizados como herramientas de evaluación por profesionales de la salud, mejorando la identificación temprana de adolescentes en riesgo de NSSI.
La implementación de estos modelos puede facilitar la adopción de intervenciones preventivas más focalizadas y personalizadas, proporcionando así una base sólida para la mejora de las estrategias de prevención y manejo de la NSSI en esta población vulnerable.
Para acceder al texto completo consulte las características de suscripción de la fuente original:https://www.dovepress.com/
