Modelo de predicción de ansiedad social para estudiantes de enfermería basado en aprendizaje automático: una encuesta...

Área de la Ciencia:

• Educación en Enfermería
• Investigación en Salud Mental
• Aplicaciones de Aprendizaje Automático

Sus antecedentes:

• La ansiedad social es una preocupación importante entre los estudiantes de enfermería.
• La identificación temprana de estudiantes en riesgo es crucial para una intervención oportuna.
• La comprensión de los factores de riesgo puede informar estrategias de apoyo específicas.

Objetivo del estudio:

• Desarrollar y optimizar modelos de aprendizaje automático (ML) para predecir la ansiedad social en estudiantes de enfermería.
• Identificar el modelo de ML más eficaz para esta tarea de predicción.
• Señalar los factores de riesgo clave asociados con la ansiedad social en esta población.

Principales métodos:

• Se administró una encuesta transversal a 2024 estudiantes de enfermería de 10 universidades.
• Se desarrollaron y evaluaron siete modelos de ML: Regresión Logística, Elastic Net, KNN, Árbol de Decisión, XGBoost, SVM y Random Forest.
• Se utilizó análisis logístico para seleccionar nueve características significativas para el desarrollo del modelo.

Principales resultados:

• El modelo Random Forest logró el mayor rendimiento predictivo con un Área Bajo la Curva (AUC) de 0.71.
• Los predictores significativos de la ansiedad social incluyeron la condición del sueño, la alexitimia, la depresión, el nivel educativo y la creencia religiosa.
• El estudio identificó factores específicos y accionables que contribuyen al riesgo de ansiedad social.

Conclusiones:

• El aprendizaje automático, especialmente Random Forests, ofrece un enfoque sólido para predecir la ansiedad social en estudiantes de enfermería.
• Los factores de riesgo identificados brindan información valiosa para desarrollar intervenciones preventivas y de apoyo.
• Esta investigación destaca el potencial del ML para abordar los desafíos de salud mental en entornos académicos.