La Dra. Mónica Gracia, directora internacional de Admisiones de la Fundación Universitaria Iberoamericana (FUNIBER), y el Dr. Eduardo Silva, director ejecutivo de la Fundación en Guatemala, participan en un estudio internacional que desarrolla un nuevo modelo de aprendizaje automático capaz de detectar la ideación suicida en publicaciones de redes sociales con una precisión superior a la de los métodos tradicionales de aprendizaje profundo.
El estudio, titulado «Suicide Ideation Detection Using Social Media Data and Ensemble Machine Learning Model», ha sido publicado recientemente en la revista International Journal of Computational Intelligence Systems de Springer.
La investigación aborda una problemática crítica de salud pública: la dificultad de identificar tempranamente a personas en riesgo mediante evaluaciones clínicas convencionales, las cuales suelen requerir mucho tiempo y la intervención directa de expertos. Ante el creciente uso de plataformas digitales para expresar malestar emocional, este estudio propone una solución automatizada que analiza el lenguaje utilizado en foros para identificar señales de alarma.
Los autores diseñaron el Modelo de Conjunto de Votación Suave (SVEM). Este sistema no se basa en un único algoritmo, sino que integra tres clasificadores potentes: Random Forest, Regresión Logística y Descenso de Gradiente Estocástico. En lugar de depender de la decisión de uno solo, el modelo utiliza un mecanismo de «votación suave». Esto significa que el sistema calcula el promedio de las probabilidades predichas por cada uno de los tres algoritmos para llegar a una conclusión final más robusta y equilibrada, reduciendo drásticamente el margen de error que tendría un algoritmo individual.
El entrenamiento se realizó con datos de la plataforma Reddit, elegida por el anonimato que ofrece, lo que fomenta discusiones más honestas y profundas sobre salud mental en subforos como «Suicide Watch» y «Depression». El modelo procesa el texto mediante una ingeniería de características híbrida: analiza la frecuencia de palabras clave (TF-IDF) y utiliza el modelo de «bolsa de palabras» para detectar patrones lingüísticos, frases de desesperanza y estructuras semánticas asociadas al riesgo inminente.
Resultados del modelo de detección
Los resultados del estudio indican que el modelo SVEM alcanzó una precisión del 94%, superando a enfoques de aprendizaje profundo más complejos como las Redes Neuronales Convolucionales (CNN) y las redes de Memoria a Corto y Largo Plazo (LSTM), que obtuvieron precisiones del 91 % y 92 % respectivamente. Además de su alta efectividad, el modelo propuesto destaca por su menor complejidad computacional, lo que facilita su implementación en sistemas de monitoreo en tiempo real, sin requerir superordenadores, facilitando su integración en aplicaciones de salud digital.
Un aspecto clave de la investigación es la incorporación de LIME (Local Interpretable Model-agnostic Explanations), una técnica que otorga «explicabilidad» al modelo. Esta herramienta es fundamental para la práctica clínica, ya que abre la «caja negra» de la IA. LIME resalta exactamente qué palabras o fragmentos del mensaje (como «inútil», «acabar con todo» o «carga») activaron la alerta. Esto permite a los psiquiatras y psicólogos validar el diagnóstico de la máquina, entendiendo el contexto y tomando decisiones informadas y humanas.
Si quieres conocer más sobre este estudio, haz clic aquí.
Para leer más investigaciones, consulta el repositorio de UNEATLANTICO.
La Fundación Universitaria Iberoamericana (FUNIBER) ofrece becas para cursar programas académicos como la Maestría en Dirección Estratégica en Ingeniería de Software. Entre los beneficios de estudiar en la Red Universitaria Internacional de FUNIBER destacan su Programa de Becas de ayuda económica, una metodología de estudio a distancia flexible que se adapta a los horarios profesionales y la posibilidad de obtener una doble titulación universitaria.