Axentes conversacionais intelixentes para a detección da depresión
- Autores: Iván Otero González
- Directores de la Tesis: Manuel J. Fernández Iglesias (dir. tes.)
- Lectura: En la Universidade de Vigo ( España ) en 2025
- Idioma: gallego
- Tribunal Calificador de la Tesis: Xicu Xabiel García Pañeda (presid.), Juan Manuel Santos Gago (secret.), Sabela Mallo López (voc.)
- Programa de doctorado: Programa de Doctorado en Tecnologías de la Información y las Comunicaciones por la Universidad de Vigo
- Calificación: Sobresaliente Cum Laude
- Materias:
- Enlaces
- Tesis en acceso abierto en: Investigo
- Resumen
Segundo datos proporcionados pola Organización Mundial da Saúde en 2020, a depresión é unha enfermidade común a nivel mundial, afectando aproximadamente ao 3,8% da poboación global; cunha prevalencia do 5% en adultos e do 5,7% en maiores de 60 anos. En países desenvolvidos como España, esta cifra alcanza o 6,7% en persoas entre 25 e 64 anos e chega ao 12,8% na poboación maior de 65 anos. Ademais, estímase que para o ano 2030 a depresión será a principal causa de discapacidade no mundo. Esta situación, se non é abordada de forma efectiva, pode derivar en comportamentos suicidas e nun incremento das taxas de mortalidade.
A literatura recente identifica diversos desafíos relevantes na detección da depresión, entre eles a variabilidade dos síntomas entre individuos e ao longo do tempo, a frecuente coexistencia con outros trastornos como ansiedade ou soidade, o estigma social asociado, a falta de asistencia personalizada e a heteroxeneidade na práctica clínica. Estes retos impulsan a investigación cara á integración da tecnoloxía no proceso de cribado, mediante análise automatizada de voz ou vídeo, novos enfoques de medicina personalizada, servizos integrais de saúde mental e a colaboración interdisciplinar.
Esta tese xorde precisamente para abordar estas necesidades, enfocándose na análise e desenvolvemento de axentes conversacionais intelixentes (AC) como ferramenta innovadora para a detección temperá da depresión en adultos maiores. O estudo realizou unha revisión do estado da arte das solucións baseadas en AC para este propósito, co obxectivo de identificar liñas de investigación e innovación no ámbito dos trastornos neuropsiquiátricos centrados na depresión.
A investigación céntrase no deseño da ferramenta DYes, unha adaptación dixital da escala de Yesavage, empregando interfaces de voz e algoritmos de aprendizaxe automático para optimizar a detección da depresión. A validez psicométrica da ferramenta foi confirmada mediante altos índices de fiabilidade e concordancia interevaluadores, destacando a súa robustez como instrumento clínico complementario. Ademáis a análise das variables máis relevantes permitiu identificar factores clave no diagnóstico, destacando a importancia da optimización da selección de características no desenvolvemento de modelos predictivos fiables e interpretables.
Unha das principais contribucións deste traballo é a evidencia empírica da interacción entre depresión e demencia, subliñando a dificultade diagnóstica nestes casos e a necesidade de integrar enfoques dixitais e tradicionais. A ferramenta DYes, ao combinar tecnoloxía avanzada con parámetros clínicos establecidos, permite unha avaliación máis completa e personalizada, reducindo o risco de erro diagnóstico e mellorando a toma de decisións clínicas.
Finalmente, esta tese destaca a importancia de desenvolver solucións tecnolóxicas centradas no usuario, cun enfoque multidisciplinar que incorpore coñecemento clínico, tecnolóxico e ético. Os resultados abren novas vías para a investigación futura, promovendo a creación de modelos adaptativos capaces de abordar a complexidade da saúde mental nos adultos maiores e contribuíndo ao avance cara a unha atención máis accesible, humanizada e efectiva.
