# Un enfoque de aprendizaje automático explicable para predecir la ideación suicida en estudiantes universitarios: el proyecto SMS-ME - URL: https://alisanburak.com/es/wcp-2026-posterler/ev1310 - Language: es - Last updated: not specified - Page title: Un enfoque de aprendizaje automático explicable para predecir la ideación suicida en estudiantes universitarios: el proyecto SMS-ME | Resumen WCP 2026 > Un modelo XGBoost explicable predijo la ideación suicida en estudiantes de ciencias de la salud con un AUROC de entre 0,72 y 0,81 en muestras internas y extern… Esta página se ha traducido automáticamente del turco. [Leer el original](https://alisanburak.com/wcp-2026-posterler/ev1310) Esta página es un resumen en turco, elaborado con ayuda de inteligencia artificial, del trabajo presentado en el 26.º Congreso Mundial de Psiquiatría. El trabajo pertenece a los autores que lo presentan; para citarlo, consulte la fuente original. EV1310 Póster electrónicoPsiquiatría digital e inteligencia artificialEstudio transversal (modelo predictivo de aprendizaje automático) # Un enfoque de aprendizaje automático explicable para predecir la ideación suicida en estudiantes universitarios: el proyecto SMS-ME AN EXPLAINABLE MACHINE LEARNING APPROACH TO PREDICT SUICIDAL THOUGHTS IN UNIVERSITY STUDENTS. THE SMS-ME PROJECT. Presentado por: Laura Ferraro País: Italy Un modelo XGBoost explicable predijo la ideación suicida en estudiantes de ciencias de la salud con un AUROC de entre 0,72 y 0,81 en muestras internas y externas; los predictores más potentes fueron la depresión, el estrés, la ansiedad y los episodios de vómitos. El objetivo es desarrollar un modelo de aprendizaje automático explicable (machine learning, ML), clínicamente interpretable y generalizable, que detecte la ideación suicida en estudiantes universitarios sicilianos mediante la integración de predictores académicos, psicológicos y conductuales. Entre septiembre de 2022 y junio de 2024 se realizó una encuesta anónima en línea a estudiantes matriculados en medicina, enfermería, psicología, odontología y otros programas de ciencias de la salud en universidades de Sicilia; se recogieron datos sociodemográficos y académicos, las puntuaciones de las escalas DASS-21 y EAT-26 y la presencia de ideación suicida en los últimos seis meses. Se utilizó un modelo XGBoost para predecir la ideación suicida; el conjunto de entrenamiento estuvo compuesto por estudiantes de medicina y enfermería, y el conjunto de validación externa, por estudiantes de los demás programas. Los datos faltantes se imputaron mediante KNN, el desequilibrio de clases se corrigió con BorderlineSMOTE y el rendimiento se evaluó mediante validación cruzada anidada (nested cross-validation), utilizando el AUC-ROC, la exactitud, la sensibilidad, la especificidad y la puntuación F1; para facilitar la interpretabilidad, se aplicó un análisis SHAP (SHapley Additive exPlanations). Se incluyeron un total de 3.278 estudiantes de ciencias de la salud (el 69,5 % eran mujeres; edad media de 22,7 ± 4,3 años), de los cuales el 26,2 % refirió ideación suicida o un intento de suicidio en los últimos seis meses. Se notificaron síntomas graves o extremadamente graves de depresión en el 34,8 %, de ansiedad en el 52,6 % y de estrés en el 37,1 %; el 14,2 % de los estudiantes presentaba riesgo de trastorno de la conducta alimentaria. El modelo XGBoost mostró un buen rendimiento predictivo en las muestras internas y externas, con un AUROC de entre 0,72 y 0,81; el análisis SHAP identificó la depresión, el estrés, la ansiedad y los episodios de vómitos como los predictores más influyentes. En conclusión, la inteligencia artificial explicable puede complementar la toma de decisiones clínicas al proporcionar una evaluación del riesgo transparente e interpretable para la detección temprana y la prevención dirigida en el entorno universitario; los predictores específicos de este entorno relacionados con el rendimiento académico y la conducta alimentaria ponen de relieve el impacto de la presión académica y las preocupaciones por la imagen corporal. [Ir al póster original](https://cslide.ctimeetingtech.com/wcp26/attendee/eposter/file/258) ¿Cómo citar este trabajo? APA 7: Ferraro, L., et al. (2026, September 23-26). An explainable machine learning approach to predict suicidal thoughts in university students. the sms-me project [E-poster]. 26th WPA World Congress of Psychiatry (WCP 2026), Stockholm, Sweden. https://cslide.ctimeetingtech.com/wcp26/attendee/eposter/file/258 Vancouver: Ferraro L, et al. An explainable machine learning approach to predict suicidal thoughts in university students. the sms-me project [e-poster]. 26th WPA World Congress of Psychiatry (WCP 2026); 2026 Sep 23-26; Stockholm, Sweden. Available from: https://cslide.ctimeetingtech.com/wcp26/attendee/eposter/file/258 Los nombres de los autores y el formato del título se han generado automáticamente a partir del sistema del congreso; compárelos con el póster original antes de utilizarlos. ## Sobre el mismo tema - [Siber tanıkların davranışını belirleyen etkenler](https://alisanburak.com/es/wcp-2026-posterler/ev0041) - [Z kuşağında sosyal medyanın "lunapark etkisi"nin modellenmesi: örtük değişken yaklaşımı](https://alisanburak.com/es/wcp-2026-posterler/ev0046) - [DEHB'de dijital girişimler: etkililik ve çok modlu tedavi yaklaşımlarına entegrasyon](https://alisanburak.com/es/wcp-2026-posterler/ev0072) - [Algoritmaların inşa ettiği beyinler: dijital çağda DEHB, patolojiyi mi tanılıyoruz yoksa yeni bir normali mi patolojikleştiriyoruz?](https://alisanburak.com/es/wcp-2026-posterler/ev0077) - [Genç erişkin bir örneklemde nomofobi ile yaygın anksiyete bozukluğu arasındaki ilişki](https://alisanburak.com/es/wcp-2026-posterler/ev0111) [Todos los resúmenes del WCP 2026](https://alisanburak.com/es/wcp-2026-posterler) --- Kaynak / Source: https://alisanburak.com/es/wcp-2026-posterler/ev1310 İletişim / Contact: Bağdat Caddesi, Veli Güneysu Apt. No:453 K:4 D:9, Suadiye / Kadıköy, İstanbul · +90 532 642 95 25 · info@alisanburak.com · https://alisanburak.com/bagdat-caddesi-psikoterapi-iletisim