Esta página se ha traducido automáticamente del turco. Leer el original

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

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.

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.

Todos los resúmenes del WCP 2026