Comparación de técnicas de aprendizaje automático para la clasificación de pacientes con trastornos mentales y de comportamiento debido al consumo de psicotrópicos en la ciudad de Barranquilla

• Sarmiento-Gómez, Harold Rafael ^[1] ; Barrios-Marengo, David Francisco ^[1] ; Herrera-Acosta, Roberto Jose ^[1] ; Palomino-Pacheco, Kevin Rafael ^[2]
  1. [1] Universidad del Atlántico

     Universidad del Atlántico

     México

     
  2. [2] Universidad del Norte

     Universidad del Norte

     Colombia

     
• Localización: Mundo FESC, ISSN-e 2216-0388, ISSN 2216-0353, Vol. 11, Nº. 21, 2021, págs. 59-69
• Idioma: español
• Títulos paralelos:
  • Comparison of machine learning techniques for the classification of patients with mental and behavioral disorders due to psychotropic consumption in the city of Barranquilla
• Enlaces
  • Texto completo
• Dialnet Métricas: 2 Citas
• Resumen
  • español

    Antecedentes: El trastorno por consumo de sustancia psicoactivas contribuye a una carga sustancial mundial de enfermedad, a pesar de los continuos esfuerzos de las entidades gubernamentales para mitigar esta problemática. Este problema es uno de los campos de investigación actuales más atractivo para desarrollar modelos de aprendizaje automático. Objetivo: Este proyecto de investigación tuvo como objetivo comparar cuatro modelos de aprendizaje automático para la clasificación de pacientes con trastornos mentales y de comportamiento debido al consumo de psicotrópicos ubicados en la clase de intoxicación agudo o síndrome de dependencia en la ciudad de Barranquilla. Método: El método utilizado consistió en entrenar, validar y comparar cuatro técnicas de aprendizaje automático con bases de datos de pacientes de Barranquilla. Resultados: Los resultados revelaron que bosque aleatorio y regresión logística arrojaron la mejor precisión (72%). No obstante, red neuronal artificial es el mejor modelo para predecir la proporción de casos verdaderamente positivos entre los casos positivos detectados. Por otra parte, el mejor clasificador que predice la proporción de casos positivos que están bien detectadas es bosque aleatorio, asimismo el mejor clasificador que proporciona la más alta de casos negativo que están bien detectados es máquina de soporte vectorial. Finalmente, cabe mencionar que red neuronal artificial y bosque aleatorio son los clasificadores que mejor área bajo la curva registran con 80% cada uno. Conclusiones: En términos generales, red neuronal artificial y bosque aleatorio mostraron indicios de ser un buen clasificador para discriminar entre pacientes que potencialmente estaría en un caso de intoxicación aguda o síndrome de dependencia, obteniendo valores promedios de desempeño entre 80 y 90%. 

  • English

    Substance use disorder contributes to a substantial global burden of disease, despite ongoing efforts by government entities to mitigate this problem. This problem is one of the most attractive current research areas for developing machine learning models. This research study aimed to develop a Machine Learning model for the classification of patients with mental and behavioral disorders due to the consumption of psychotropic substances located in the acute intoxication class or dependency syndrome in the city of Barranquilla. The method used was to train, validate and compare four Machine Learning techniques with databases of patients in Barranquilla. The results revealed that Random Forest and Logistic Regression had the best accuracy (72%). However, Artificial Neural Network is the best model to predict the proportion of positive cases among the detected positive cases. On the other hand, the best predictor of the proportion of positive cases that are well detected is Random Forest, and the best predictor of the proportion of negative cases that are well detected is the Support Vector Machine. Finally, it is worth mentioning that Artificial Neural Network and Random Forest are the best classifiers that AUC records with 80% each. In general terms, Artificial Neural Network and Random Forest showed signs of being a good classifier to discriminate between patients who would potentially be in a case of acute intoxication or dependency syndrome, obtaining average performance values between 80% and 90%.