Estimación de la depresión basada en texto utilizando el aprendizaje automático con etiquetas estándar: revisión sistemática y metaanálisis. | JoVE Visualize

Área de la Ciencia:

Procesamiento del lenguaje natural.
Aprendizaje automático Aprendizaje automático.
Salud Mental La salud mental es la salud mental.

Sus antecedentes:

La depresión afecta significativamente la vida diaria y puede conducir a comportamientos suicidas.
La estimación de la depresión basada en texto ofrece un enfoque factible para la detección temprana de la salud mental.
Las revisiones existentes a menudo usaban etiquetas débiles de depresión, lo que limita la confiabilidad del modelo y la aplicación práctica.

Objetivo del estudio:

Evaluar el rendimiento predictivo de los modelos de depresión basados en texto utilizando etiquetas estándar.
Identificar los factores que influyen en la heterogeneidad del rendimiento, incluidos los recursos de texto, la representación, la arquitectura del modelo, la fuente de anotación y la calidad de los informes.

Principales métodos:

Búsqueda sistemática de la literatura siguiendo las directrices de PRISMA 2020 a través de cuatro bases de datos principales (PubMed, Scopus, IEEE Xplore, Web of Science) desde 2014-2025.
Los estudios incluidos desarrollaron modelos de aprendizaje automático utilizando texto generado por los participantes y etiquetas de depresión validadas (diagnóstico clínico o escalas).
Se realizó un metanálisis de efectos aleatorios para calcular los tamaños de efecto agrupados (r) y se realizaron análisis de subgrupos / meta-regresión.

Principales resultados:

Se analizaron 15 modelos de 11 estudios, revelando un gran tamaño de efecto general (r = 0,605).
Las representaciones de texto basadas en incrustaciones (r=0.741) y las arquitecturas de aprendizaje profundo (r=0.731) superaron significativamente las características tradicionales y los modelos superficiales, respectivamente.
Los modelos que utilizaron diagnósticos clínicos (r=0,688) mostraron un rendimiento más alto que los que utilizaron escalas de autoinforme (r=0,500); los informes transparentes se correlacionaron positivamente con el rendimiento (β=0,085).

Conclusiones:

Los modelos de estimación de la depresión basados en texto con etiquetas estándar demuestran sólidas capacidades predictivas.
Las características de incorporación, las arquitecturas de aprendizaje profundo y los diagnósticos clínicos son factores clave para un mayor rendimiento del modelo.
Hace hincapié en el papel crítico de las etiquetas estándar, la representación de características y los informes transparentes para mejorar la confiabilidad y la utilidad práctica de los modelos de detección de depresión.