Predicción de la Escala Montgomery-Asberg de Personas con Depresión Utilizando la Actividad Motriz y Técnicas de Aprendizaje Automático Supervisado.

Abstract

La depresión constituye un problema importante de salud pública. En el mundo, representa la cuarta causa de discapacidad en cuanto a la pérdida de años de vida saludables. En México ocupa el primer lugar de discapacidad para las mujeres y el noveno para los hombres. La depresión tiene una alta co-ocurrencia con otros trastornos como la ansiedad, el consumo de sustancias, la diabetes y las enfermedades cardíacas. Objetivo: establecer un modelo basado en machine learning o aprendizaje automático capaz de predecir una escala de depresión en un paciente. Materiales y métodos: El conjunto de datos se recopiló para el estudio de la esquizofrenia y la depresión mayor a través de un reloj actigraph que mide los niveles de actividad motriz. Para generar un modelo de predicción de la escala Montgomery-Asberg fueron tomados estos mismos datos para el procesamiento y generación de un modelo de predicción. La escala Montgomery-Asberg usa puntuaciones inferiores a 10 que clasifican como ausencia de síntomas depresivos, y las puntuaciones superiores a 30 indican un estado depresivo grave, utilizando técnicas como la regresión lineal y bosques aleatorios se busca predecir estas puntuaciones que permitan prevenir estados graves de depresión. Resultados: se obtuvieron mediante métricas de validación como la Raíz del Error Cuadrático Medio RECM = 3.577 y el Error Absoluto Medio EAM = 2.857 respectivamente que indican un resultado significativamente aceptable para el caso de la regresión lineal para identificar niveles de depresión. Conclusión: El uso del aprendizaje automático supervisado permite tener una herramienta preventiva muy útil para casos de depresión en sus diferentes niveles, utilizando específicamente la regresión lineal para la predicción de la Escala de Clasificación de Depresión Montgomery-Asberg e implementar estas herramientas para el control de esta enfermedad.