Redes neuronales para la detección temprana de la depresión en estudiantes universitarios

Esta investigación ha desarrollado un modelo predictivo para la identificación de síntomas depresivos en estudiantes universitarios mediante técnicas de aprendizaje automático, específicamente una red neuronal con función de activación sigmoidea, funcionalmente equivalente a la regresión logística para la clasificación binaria. El estudio sigue un enfoque cuantitativo, aplicado y predictivo, con un diseño no experimental, transversal y correlacional. Se utilizó un conjunto de datos secundario, recopilado mediante encuestas autoadministradas, que incluía variables como presión académica, estrés financiero, hábitos alimentarios, horas de trabajo/estudio y pensamientos suicidas. La variable dependiente fue la presencia de pensamientos suicidas, utilizada como indicador de riesgo depresivo, mientras que las demás variables se consideraron predictores independientes. El entrenamiento y la evaluación del modelo se realizaron sobre un conjunto de datos integrado por 27,901 participantes, obteniéndose una precisión del 83.25 % y un F1-score de 0.85. Los resultados muestran que el modelo identifica eficazmente patrones asociados con la salud mental de los estudiantes, lo que permite la detección temprana del riesgo depresivo. Esta investigación contribuye al desarrollo de herramientas tecnológicas aplicadas a contextos educativos, ofreciendo una solución eficiente y basada en datos para apoyar intervenciones preventivas de salud mental.