Modelos de aprendizaje automático para predecir el riesgo de síntomas depresivos en estudiantes universitarios chinos

Área de la Ciencia:

• Psiquiatría y salud mental
• Ciencias sociales computacionales

Sus antecedentes:

• La depresión es un problema de salud pública importante entre los estudiantes universitarios.
• Los modelos lineales tradicionales luchan con datos de alta dimensión para predecir las condiciones de salud mental.

Objetivo del estudio:

• Aplicar técnicas de aprendizaje automático para predecir síntomas depresivos en estudiantes universitarios.
• Identificar los principales factores de riesgo asociados con la depresión en este grupo demográfico.

Principales métodos:

• Se utilizaron datos de 1.635 estudiantes universitarios chinos, que abarcan 38 variables.
• Evaluó cuatro algoritmos de aprendizaje automático: Bosque aleatorio, XGBoost, LightGBM y Máquina vectorial de soporte.

Principales resultados:

• El modelo Random Forest demostró un rendimiento superior con un AUC de 0,87 y una precisión de 0,79.
• Se identificaron los trastornos del sueño, el estrés percibido, la evitación experiencial y la autocrítica como predictores significativos.
• Los exámenes de SHapley Additive pusieron de relieve la mala calidad del sueño y el alto estrés como factores de riesgo principales.

Conclusiones:

• Random Forest modela efectivamente las interacciones complejas para la predicción de la depresión.
• Los hallazgos proporcionan ideas prácticas para desarrollar intervenciones específicas de salud mental para los estudiantes.
• La investigación futura debe centrarse en diversas muestras y datos fisiológicos para una mayor generalización.