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.

SO441

Aprendizaje automático explicable para la predicción temprana de escaladas de agresividad en pacientes hospitalizados en unidades de psiquiatría mediante documentación clínica rutinaria

EXPLAINABLE MACHINE LEARNING FOR THE PREDICTION OF AGGRESSIVE ESCALATIONS IN PSYCHIATRIC INPATIENTS USING NATURAL LANGUAGE PROCESSING OF ROUTINE CLINICAL DOCUMENTATION

La combinación de representaciones lingüísticas extraídas de informes de alta rutinarios en alemán con características proxy de la BVC permitió predecir la agresividad en pacientes hospitalizados con un ROC-AUC de 0,868 y superó claramente al modelo que utilizaba únicamente características proxy estructuradas.

El objetivo del estudio es desarrollar y validar un modelo de aprendizaje automático (machine learning) explicable que prediga escaladas de agresividad en pacientes hospitalizados en unidades de psiquiatría a partir de documentación clínica rutinaria. Se transformaron 2.340 informes de alta en alemán, completamente anonimizados y procedentes del Hospital Universitario de Dresde, en representaciones vectoriales contextuales (embeddings) de 512 dimensiones mediante el transformador multilingüe Sentence-BERT. Además, se extrajeron los siete dominios de la Lista de Verificación de Violencia de Brøset (Brøset Violence Checklist, BVC) como variables binarias mediante procesamiento del lenguaje natural (natural language processing), y se generaron 8 características estructuradas y una puntuación proxy total de la BVC; se combinaron las 512 + 8 características para entrenar un modelo CatBoost con ajuste de scale_pos_weight, y se utilizó SHAP para aportar interpretabilidad. La prevalencia de agresividad identificada a partir del texto fue de aproximadamente el 21 %. El modelo combinado (BERT + características proxy de la BVC) alcanzó un área bajo la curva ROC (ROC-AUC) de 0,868, mientras que el modelo que utilizaba únicamente características proxy de la BVC se situó en torno a 0,80; en la leyenda del gráfico ROC del póster figura un valor de 0,886 para el modelo combinado. Según los valores SHAP globales, las características conductuales más determinantes fueron las amenazas verbales (0,32), la activación psicomotora (0,30), las amenazas físicas (0,27), la irritabilidad (0,21), los ataques a objetos (0,18), la conducta ruidosa (0,13) y la confusión (0,09). En conclusión, los informes de alta rutinarios contienen suficientes indicios conductuales para respaldar la predicción automatizada de la agresividad, y la combinación de texto libre y características estructuradas supera el uso de cualquiera de ellos por separado. Este enfoque funciona sin añadir carga de documentación, y se prevé una ampliación multicéntrica con el Hospital St. Marien y SKH Arnsdorf.

Todos los resúmenes del WCP 2026