Autor/autores:
Baba A y Bunji K
Una de las razones por las que los estudiantes acuden a consejería es que se les llame en función de los resultados de encuestas de salud autoinformadas. Sin embargo, no existe un estándar concordante para tales llamadas. Objetivo Este estudio tiene como objetivo desarrollar un modelo de aprendizaje automático (ML) para predecir los problemas de salud mental de los es...
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.
Una de las razones por las que los estudiantes acuden a consejería es que se les llame en función de los resultados de encuestas de salud autoinformadas. Sin embargo, no existe un estándar concordante para tales llamadas.
Este estudio tiene como objetivo desarrollar un modelo de aprendizaje automático (ML) para predecir los problemas de salud mental de los estudiantes en 1 año y el año siguiente utilizando el contenido de la encuesta de salud y el tiempo de respuesta (tiempo de respuesta, marca de tiempo de respuesta y fecha de respuesta).
Los datos se obtuvieron de las respuestas de 3561 (62, 58 %) de 5690 estudiantes de pregrado de la Universidad A de Japón (una universidad nacional) que completaron la encuesta de salud en 2020 y 2021.
Realizamos 2 análisis; en el análisis 1, se predijo un problema de salud mental en 2020 a partir de la demografía, las respuestas a la encuesta de salud y el tiempo de respuesta en el mismo año, y en el análisis 2, se predijo un problema de salud mental en 2021 a partir de las mismas variables de entrada que en el análisis 1.
Comparamos los resultados de diferentes modelos de ML, como regresión logística, red elástica, bosque aleatorio, XGBoost y LightGBM. Los resultados con y sin condiciones de tiempo de respuesta fueron comparados utilizando el modelo adoptado.
Sobre la base de la comparación de los modelos, adoptamos el modelo LightGBM. En este modelo, tanto los análisis como las condiciones lograron un desempeño adecuado (p. ej. , el coeficiente de correlación de Matthews [MCC] de la condición de tiempo de respuesta en el análisis 1 fue 0, 970 y el MCC de la condición de tiempo sin respuesta en el análisis 1 fue de 0, 976; el MCC de la condición de tiempo de respuesta en análisis 2 fue 0. 986 y el de sin tiempo de respuestacondición en el análisis 2 fue 0, 971).
En ambos análisis y en ambas condiciones, la respuesta a las preguntas sobre la vida en el campus (p. ej. , ansiedad y futuro) tuvo el mayor impacto (ganancia 0, 131-0, 216; explicaciones aditivas de Shapley 0, 018-0, 028). Las explicaciones aditivas de Shapley de 5 a 6 variables de entrada de preguntas sobre la vida en el campus se incluyeron entre las 10 principales.
En contraste con nuestra expectativa, la inclusión de variables relacionadas con el tiempo de respuesta no mostró una mejora sustancial en la predicción de los problemas de salud mental de los estudiantes. Sin embargo, ciertas variables generadas en base al tiempo de respuesta son aparentemente útiles para mejorar la predicción y afectar la probabilidad de predicción.
Estos resultados demuestran la posibilidad de predecir la salud mental a lo largo de los años utilizando datos de encuestas de salud.
Los datos demográficos y de comportamiento, incluido el tiempo de respuesta, fueron efectivos, así como los elementos de autoevaluación.
Este modelo demuestra la posibilidad de utilizar sinérgicamente las características de las encuestas de salud y las ventajas de ML. Estos hallazgos pueden mejorar los elementos de la encuesta de salud y los criterios de llamada.
Para acceder al texto completo consulte las características de suscripción de la fuente original:https://mental.jmir.org/
¡Novedad en libros! La visión actual del suicidio, científicamente fundamentada, es que, aunque ...
COMPRAR AQUÍ
Inicio: 15/05/2024 |Precio: 150€
Ver curso
