Análisis del perfil psicológico de pacientes mediante la implementación de algoritmos de inteligencia artificial (AI) para la detección temprana de la depresión. FACULTAD DE INGENIERÍAS PROGRAMA INGENIERÍA INDUSTRIAL ANÁLISIS DEL PERFIL PSICOLÓGICO DE PACIENTES MEDIANTE LA IMPLEMENTACIÓN DE ALGORITMOS DE INTELIGENCIA ARTIFICIAL (IA) PARA LA DETECCIÓN TEMPRANA DE LA DEPRESIÓN. Presentan: Daniela Sofía Vargas Mahecha. Javier Eugenio Lozano Murcia. Armando Jinete. Sebastián Calvano. Profesor Tutor: Arnaldo Verdeza Villalobos. Trabajo de investigación 04/05/2023 BARRANQUILLA, ATLÁNTICO REPÚBLICA DE COLOMBIA Análisis del perfil psicológico de pacientes mediante la implementación de algoritmos de inteligencia artificial (AI) para la detección temprana de la depresión. Análisis del perfil psicológico de pacientes mediante la implementación de algoritmos de inteligencia artificial (AI) para la detección temprana de la depresión. Analysis of the psychological profile of patients through the implementation of artificial intelligence (AI) algorithms for the early detection of depression. D. Vargas*, J. Lozano*, S. Calvano*, A.Jinete*. {daniela.vargas2, javier.lozano, sebastian.calvano, armando.jinete} @unisimon.edu.co – {Arnaldo.verdeza} @unisimonbolivar.edu.co *Estudiante de Ingeniería de sistemas **Arnaldo Verdeza Villalobos Universidad Simón Bolívar, Barranquilla-Colombia. Resumen El presente proyecto tiene como objetivo, el analizar el perfil psicológico de pacientes mediante la implementación de algoritmos de inteligencia artificial (AI) para la detección temprana de la depresión. En su desarrollo se plantea, el elaborar una revisión bibliográfica sobre el tratamiento temprano de la depresión y la importancia de los medios tecnológicos en dicha detección. Luego, el identificar las potencialidades de la Inteligencia Artificial en el tratamiento terapéutico eficaz de las personas que padecen depresión y posteriormente, el proponer alternativas de solución para la aplicación de la inteligencia artificial en procura de lograr un diagnóstico temprano de la depresión. El estudio es de tipo descriptivo -transversal, apoyado en fuente de información secundaria y primaria. Se espera, que los resultados sirvan de insumo para la elaboración de un informe escrito o un artículo científico de divulgación nacional sobre el tema de la implementación de algoritmos de inteligencia artificial (AI) para la detección temprana de la depresión en Colombia. Palabras clave: Depresión, tratamiento, detección, datos, análisis, IA. Abstract The objective of this project is to analyze the psychological profile of patients through the implementation of artificial intelligence (AI) algorithms for the early detection of depression. Its development involves conducting a literature review on early treatment of depression and the importance of technological means in such detection. Then, identifying the potential of artificial intelligence in the effective therapeutic treatment of people with depression, and proposing alternative solutions for the application of artificial intelligence to achieve early diagnosis of depression. The study is descriptive-cross-sectional, supported by primary and secondary sources of information. The results are expected to serve as input for the development of a written report or a scientific article for national dissemination on the topic of implementing AI algorithms for the early detection of depression in Colombia. Keywords: Depression, treatment, detection, data, analysis, AI. I. INTRODUCCIÓN La depresión, como se conoce hoy en día, es un trastorno psiquiátrico que tiene un gran impacto en el organismo, el ánimo y la manera de pensar en quien la padece [1, p.70], afecta no solo al individuo sino a todo su grupo familiar y social debido a que se involucran alteraciones emocionales graves y duraderas, referidas a un estado de ánimo bajo o irritable acompañado de pérdida de placer en las actividades diarias, aumento o pérdida del apetito y del sueño, sentimientos de inutilidad o vacío, falta de energía y aislamiento social [2]. La depresión es también una de las principales causas de discapacidad y tiene una importante asociación con la conducta suicida [3] a su vez que incrementa el riesgo de conductas violentas y de consumo de sustancias [4]. A pesar de ello, no es identificada adecuadamente ni atendida de manera eficiente. Análisis del perfil psicológico de pacientes mediante la implementación de algoritmos de inteligencia artificial (AI) para la detección temprana de la depresión. La Organización Mundial de la Salud (OMS), establece que la depresión es una enfermedad que afecta a 350 millones de personas en el mundo y suele ser el resultado de interacciones complejas entre factores sociales, psicológicos y biológicos [5], pues se considera que la depresión es comúnmente ocasionada por ciertos rasgos de la personalidad, como una baja autoestima, no ser autosuficiente, ser extremadamente pesimista o autocrítico. La depresión, cuyo concepto, clasificación y tratamiento ha experimentado múltiples cambios en el tiempo, se ha convertido en un tema predominante del siglo XXI pues según la Organización Mundial de la Salud (OMS), la depresión fue experimentada por al menos 4% de la población humana en 2015. De entre la evolución histórica del concepto de depresión, cabe resaltar los trabajos de Kraepelin, los cuales impulsaron la clasificación de la depresión y la manía como parte de una misma enfermedad y que sirvieron para la creación del DSM-IV-TR (Manual Diagnóstico y Estadístico de los Trastornos Mentales, cuarta edición, revisión del texto) y la CIEs-10 (Clasificación Internacional de Enfermedades, décima edición). Estos dos sistemas clasificatorios ampliamente establecidos y utilizados en el ámbito internacional para el diagnóstico de los trastornos mentales permitieron la creación de herramientas para el diagnóstico de la depresión tales como la prueba de depresión de Beck y el cuestionario sobre salud del paciente o ¨PHQ-9¨ por sus siglas en inglés [6]. Los mismos han dado cabida a múltiples investigaciones ayudando a desarrollar herramientas de diagnóstico más precisas y efectivas, y a identificar factores de riesgo y estrategias preventivas. De entre los factores que influyen en el actuar de las personas tenemos, Depresión en Colombia Según el Estudio Nacional de Salud Mental en Colombia realizado en el año 2003 por el Ministerio de la Protección, se determinó que el 11,7% de los hombres y el 17,5% de las mujeres han padecido un trastorno afectivo alguna vez en su vida y que, dentro de estos, el Episodio Depresivo Mayor tiene una mayor incidencia, con un 8,6% en hombres y un 14,9% en mujeres [7]. En el tratamiento de la depresión, el personal especializado en las clínicas u hospitales en Colombia, se enfrentan a situaciones limitantes en cuanto a establecer un diagnóstico eficaz para el afrontamiento de la depresión. En muchos casos, estos profesionales de la salud, no poseen base de datos, las tecnologías apropiadas y las metodologías pertinentes para el análisis de esta información para la detección temprana de los síntomas de depresión, y con ello, lograr una toma de decisiones más acorde con la realidad de estos pacientes que presentan dicha patología, es por ello, que adquiere importancia las técnicas basadas en Inteligencia Artificial (IA), las cuales, a nivel mundial, han sido aplicadas ampliamente en la investigación de la depresión y su tratamiento. No obstante, actualmente no existe una revisión sistemática o análisis bibliométrico en la literatura médica sobre las aplicaciones de la IA en la depresión, por tanto, dicho aspecto, es de interés social, para realizar investigaciones, acerca de este tema, y con ello, se valida el siguiente interrogante de investigación: ¿Como la Inteligencia Artificial puede analizar el perfil psicológico de los pacientes para la detección temprana de la depresión? En ese sentido, es importante que la investigación pueda identificar como la Inteligencia Artificial puede ser colaborativa con el logro de un tratamiento más eficaz a los pacientes que padecen depresión en el país. Conceptualización sobre la Inteligencia Artificial El origen inmediato del concepto y de los criterios de desarrollo de la “IA” se remonta a la intuición del genio matemático inglés Alan Turing y el apelativo “Inteligencia Artificial” se debe a McCarthy quien organizo una conferencia en el Darmouth College (Estados Unidos) para discutir la posibilidad de construir máquinas “inteligentes” [8]. La inteligencia artificial a sido definida de muchas formas a lo largo de su evolución Hay muchos puntos de vista sobre la IA y muchas definiciones existen [9]. En general, la inteligencia artificial (IA) es una rama de la informática que implica desarrollar sistemas que muestran un comportamiento inteligente mediante el análisis de su entorno y que toman acción con cierto grado de autonomía, para lograr objetivos específicos [10], lo cual normalmente requeriría inteligencia humana [9]. La inteligencia artificial aborda el aprendizaje, la percepción, la resolución de problemas, la comprensión del lenguaje y/o el razonamiento lógico; y a su vez abarca muchas disciplinas del saber humano como la psicología, la filosofía, la lingüística, entre otros [9]. Análisis del perfil psicológico de pacientes mediante la implementación de algoritmos de inteligencia artificial (AI) para la detección temprana de la depresión. A continuación, se describen estudios nacionales sobre depresión e investigaciones internacionales que hacen referencia a la importancia de la inteligencia artificial, para la detección temprana de la depresión. Estudios nacionales • En cuanto al tema de la depresión en Colombia, en el año 2013, Tahisin, Gutiérrez y Londoño, realizaron una investigación titulada “Depresión y Consumo de Sustancias Psicoactivas en Adolescentes en la Ciudad de Bogotá” en la que concluyen que, en la mayoría de los casos, el ambiente familiar origina la toma de decisión del consumo de sustancias psicoactivas, generalmente debido a la falta de atención de los padres bien sea por el trabajo o por otra causa que influye en el inicio del consumo de esta sustancia. En cuanto a la depresión, afirman que ésta es causada por factores socioeconómicos, familiares, culturales, emocionales y sociales, y también es la causante de que inicien el consumo de drogas desde la adolescencia, sin embargo, también se encontró que esta relación puede darse a la inversa, donde el consumo de drogas produce depresión [11]. • Según un informe de "We are Social" en conjunto con diversas empresas de investigación e inteligencia de mercado, en una publicación en el Digital 2022 Global Overview Report las estadísticas de la situación digital de Colombia durante el 2021-2022, en la cual se señaló que el usuario promedio de Internet en Colombia pasa más de 10 horas por día en línea. En este mismo estudio, de acuerdo con la población total de usuarios de Internet, el uso de dispositivos celulares inteligentes representa el 97% de la presencia en línea [12]. Este estudio establece que la población colombiana hace un uso intensivo de sus dispositivos móviles inteligentes lo cuál justificaría el uso de estos para hacer un análisis del comportamiento de sus usuarios. • En este mismo año, Gutiérrez, Montoya, Briñon, Restrepo y Salazar, publicaron su investigación realizada en el año 2010, denominada “Depresión en estudiantes universitarios y su asociación con el estrés académico”. Los autores exponen que el desarrollo de depresión en los estudiantes universitarios es originado a partir del estrés académico que se da por la exigencia y el proceso de estudio o aprendizaje, ya que durante el desarrollo de una formación profesional se derivan múltiples situaciones o factores que presionan al estudiante y posteriormente generan estrés por la carga académica. En el estudio se aplicó un instrumento auto-administrado a todos los estudiantes matriculados en los programas de pregrado de la Universidad CES en Medellín-Colombia que permitió establecer la prevalencia de depresión para ver el comportamiento de la relación entre el nivel de estrés y la depresión. La investigación destaca la importancia de identificar la presencia de la patología psicológica (depresión), así como su relación con los generadores de estrés académico. Los resultados obtenidos muestran claramente la presencia de depresión en gran parte de la comunidad estudiantil objeto de estudio, así como también una relación significativa en la severidad de la depresión que se dan en la vida universitaria [13]. • En cuanto a estudios nacionales sobre inteligencia artificial y su relación con la depresión, se indica el estudio realizado por Fontecha y Quiroga en el año 2020, titulado “Implementación de algoritmos de inteligencia artificial enfocados en el análisis de los trastornos del estado de ánimo para prevenir futuros suicidios por medio de la red social Facebook”, en el cual, se formulan que las redes sociales tienen un peso considerable en la sociedad actual, y que pueden servir para el tratamiento psicológico de las personas. [14]. Este estudio hace su aporte en cuanto a la importancia del análisis de sentimientos por medio de métodos de lingüística computacional que facilitan la identificación y extracción de información subjetiva de los sujetos que se hayan inmersos en las redes sociales, en donde la Inteligencia Artificial -IA, hace una función central, en el hecho de determinar mediante técnicas de aprendizaje automático como los algoritmos de regresión lineal, si la persona tendrá en un futuro una tendencia depresiva o no, y reforzar el diagnóstico del paciente. Estudios Internacionales Análisis del perfil psicológico de pacientes mediante la implementación de algoritmos de inteligencia artificial (AI) para la detección temprana de la depresión. • D’Hotman en el año 2020, establece que el suicidio representa una carga importante para la salud en todo el mundo. Según él, los avances en inteligencia artificial (IA) presentan oportunidades para el desarrollo de herramientas novedosas para predecir el suicidio [15]. El aporte de este estudio se centra en el poder identificar que las redes sociales, pueden servir para lograr predecir ciertos riesgos de depresión en las personas que realizan opiniones en la mismas, y predecir a su vez. el riesgo de suicidio entre aquellos que no participan en los servicios de salud tradicionales, Sin embargo, se requiere más investigación para determinar la validez de estas herramientas en diferentes contextos. También ayuda a determinar ciertos rasgos característicos para su prevención, por tanto, debe considerarse dentro del conjunto de herramientas de prevención de dicha patología. • Owusu, en el año 2021, expone que la popularización de las redes sociales ha llevado a la fusión de grupos de usuarios en torno a problemas mentales. En ese sentido, estas redes sociales ofrecen un entorno significativo para contextualizar y predecir la carga de depresión auto- informada de los usuarios y, por ende, la inteligencia artificial (IA), es un método valido para analizar el sentimiento generado por el usuario en redes sociales [16]. Este estudio, valida el hecho de que la inteligencia artificial (IA), puede facilitar el diagnóstico de la depresión, mediante la medición de los resultados de salud informados por los usuarios y en función de reducir las estimaciones sesgadas y falsos diagnósticos al respecto. • Xuan B, en el año 2019, exponen en su artículo que las técnicas basadas en inteligencia artificial (IA) se han aplicado ampliamente en la investigación de la depresión, concluye también que estas aplicaciones de la IA en el sistema de salud para el manejo de la depresión se han vuelto significativas, debido a que proporcionan un tratamiento personalizado y basado en evidencia para personas con depresión [17]. Los resultados de este estudio sirven de reflexión para el propósito de la investigación, al considerar que, mediante la aplicación del IA, se pueden lograr pautas de tratamiento para la depresión desarrolladas por psiquiatras expertos. • Por su parte, Varghese y Kanaga, en el año 2021, plantean que el análisis de sentimientos es una tendencia emergente en la actualidad para comprender los sentimientos de las personas en múltiples situaciones en su vida cotidiana [18]. En ese sentido, los datos de las redes sociales se pueden utilizar en provecho de la detección temprana de los riesgos de depresión, en razón a los procesos de análisis y clasificación, y consistencia en datos de texto y emoticones, emojis, entre otros. Esta investigación contribuye en el lograr la comprensión de como la IA, puede ser un recurso tecnológico clave para identificar los sentimientos de las personas, y dentro de esos estados de ánimo se puede lograr detección temprana de la depresión. • Xinrui en el año 2020, en su estudio, expone que los profesionales capacitados, como terapeutas y psicólogos, para el tratamiento de la depresión se encuentran limitados para su accionar en cuanto a su detección y con altos costos procedimentales, por tanto, es recurrente la aplicación de medios tecnológicos digitales, como los chatbots personalizados con tecnología de IA en juegos de Realidad Virtual (VR) de inmersión total como sustituto de los profesionales para un tratamiento consistente y de apoyo para reducir los niveles de depresión [19]. La contribución de este estudio se centra en como los juegos virtuales pueden servir de apoyo en función de proporcionar emociones positivas y reducir los síntomas de depresión. También da a conocer el estudio, que los chatbots de terapia pueden diagnosticar y brindar tratamientos al usuario menos costosas al posibilitar que la mayoría de las personas que no pueden pagar las sesiones de terapia y aquellas que optan por no ir a los hospitales psiquiátricos debido a los estereotipos sociales, puedan ayudarse a través de estos medios que hacen parte de la inteligencia artificial. • Bahman en el año 2020, en su artículo, considera que el diagnóstico temprano de signos de depresión por parte de amigos, familiares, entre otros, permitiría la derivación temprana del individuo a experto para un tratamiento más temprano que tarde [20]. Este estudio, da a comprender acerca de la importancia de la IA, debido a su utilidad en el diagnóstico temprano de la depresión, ya que posibilita Análisis del perfil psicológico de pacientes mediante la implementación de algoritmos de inteligencia artificial (AI) para la detección temprana de la depresión. detectar los trastornos del estado de ánimo, mediante la aplicación de protocolos tecnológicos que aumentan las capacidades de reconocimiento perceptivo, que ayudan a la detección de una indicación o un signo de depresión. • Mehta, en el año 2021, examinan la aceptabilidad y eficacia de un chatbot como tratamiento para la depresión [21]. Este estudio, se valida la aplicación de chatbots para la detección de la depresión temprana, debido a su bajo costo y facilidad para la intervención transdiagnóstica de la depresión al analizar los pensamientos y sentimientos de las personas, además de poderse difundir ampliamente para mejorar la salud mental de millones de personas de todo el mundo. • Fulmer R, en el año 2018, expone que la terapia asistida por computadora y Chatbot conversacional y la terapia cognitiva conductual (CBT) ofrecen una alternativa menos intensiva y más rentable para el tratamiento de la depresión [22]. El aporte del estudio se deriva del hecho de significar que la IA, pueden tener una aplicación en la piscología, y representan una solución rentable y accesible de salud mental y puede servir como una herramienta escalable para complementar los métodos de tratamiento tradicionales. • Recientemente se ha descubierto también que el uso de expresiones absolutistas puede suponer un signo indicativo de depresión[23], los investigadores, con ayuda del software de análisis textual Linguistic Inquiry and Word Count (LIWC), analizaron el contenido lírico de foros en línea y encontraron que las personas con depresión tienden a utilizar más términos como “yo” o “yo mismo”, así como también se denota una tendencia a utilizar adjetivos y adverbios negativos como “miserable”, “triste”, “solitario” [24]. Así mismo, otro estudio evidenció cómo cambiaban los patrones del habla cuando las personas estaban deprimidas: su habla se vuelve más baja, más monótona, más laboriosa y es más pausada, también se encontró que a medida que la depresión empeora, el habla del individuo se vuelve más grave, ronca y menos fluida [25]. Consideraciones para el desarrollo de herramientas tecnológicas para la detección temprana de la depresión: Es de vital importancia comprender el impacto de la depresión en materia de salud pública, los factores de riesgo que la originan, y la importancia del uso de herramientas tecnológicas para su rápido diagnóstico. Todo esto nos lleva a necesitar demarcar los factores que proporcionan información sobre las emociones, personalidad, actitudes, salud física y mental de las personas, entre ellos tenemos el comportamiento (acciones y reacciones) [26], la comunicación verbal y no verbal [27], los antecedentes personales (historia familiar, educativa y laboral) [28], intereses y actividades [29], y presencia en línea (búsquedas, uso de aplicaciones, actividades en redes sociales) [30]. Estos factores deben ser analizados teniendo en cuenta la edad, peso y género. Es importante tener en cuenta múltiples fuentes de información para obtener una comprensión más completa y precisa antes de hacer conclusiones sobre una persona. Cabe destacar que estos factores son tendentes y no concluyentes. De entre los factores anteriormente expuestos, se pueden registrar y monitorear y monitorear a través de la inteligencia artificial aspectos como los patrones de actividad del usuario en su dispositivo móvil (la frecuencia y duración de las llamadas, el envío de mensajes de texto y correos electrónicos, y el uso de aplicaciones sociales y de entretenimiento), análisis del lenguaje utilizado en las conversaciones (mensajes de texto y publicaciones en redes sociales del usuario), frecuencia de uso de la cámara y contenido fotográfico, y preferencias musicales. En la presente investigación se tendrá como objetivo principal el realizar un análisis del perfil psicológico mediante la implementación de algoritmos de inteligencia artificial (AI) sobre una base de datos creada a través del uso de diferentes instrumentos para la detección temprana de la depresión. La misma se centrará en las preferencias musicales, ritmo y tonalidad y patrones de escucha de la música de la siguiente forma: Preferencias musicales: Si una persona que antes disfrutaba de géneros de música más enérgicos y cambia su preferencia hacia música más triste, melancólica o lenta, podría ser una señal de que está pasando por un período de depresión. • Género musical. • Intensidad musical. • Contenido lírico. • Cambios en las preferencias musicales. Ritmo y tonalidad de la música que escucha: Algunas personas que están deprimidas prefieren la música lenta, triste o con tonalidades menores. Estas características pueden reflejar el estado emocional de la persona. • Tempo. • Tonalidad. • Volumen. Análisis del perfil psicológico de pacientes mediante la implementación de algoritmos de inteligencia artificial (AI) para la detección temprana de la depresión. • Cambios en el ritmo y la tonalidad. Patrones de escucha de música: Si la persona está escuchando la misma canción o lista de reproducción triste o melancólica una y otra vez, podría ser un indicador de que está tratando de procesar emociones difíciles. • Género musical. • Intensidad de la música. • Patrones de repetición. • Cambios en los patrones de escucha. IV. METODOLOGÍA DE LA INVESTIGACIÓN De entre los métodos para el registro y análisis que existen para el registro y análisis de factores que influyen en el actuar de las personas, debido a la naturaleza de nuestra investigación, utilizaremos el análisis del comportamiento digital (que implica el monitoreo y análisis del comportamiento en línea de una persona, como búsquedas en línea, actividad en redes sociales y uso de aplicaciones móviles [31]) basándonos en el análisis de registros y documentos para registrar y analizar el comportamiento de los usuarios utilizando técnicas de aprendizaje automático y minería de datos. El modelo de recopilación es a través de una interfaz API de aprendizaje automático. A continuación, un diagrama del funcionamiento de las API: figura 1: Funcionamiento de una API de IA Cada una de las fases del funcionamiento de la API de IA [figura 1], cumplen con funcionalidades clave para su funcionamiento: • Servidor de API: Es el componente principal que se encarga de recibir las solicitudes HTTP de los clientes y enviar las respuestas correspondientes. • Enrutador de API: Es responsable de recibir las solicitudes HTTP y direccionarlas a los controladores correspondientes en función del punto final o “endpoint” de la API solicitado. • Controlador: Es el componente que recibe las solicitudes del enrutador y procesa las solicitudes y respuestas HTTP para interactuar con el modelo. • Modelo: Es el componente que implementa la lógica de negocio de la API. Realiza la lógica de procesamiento, cálculos y predicciones necesarios para responder a las solicitudes de los clientes. • Base de datos: Es el componente que almacena y gestiona los datos utilizados por el modelo para realizar las operaciones necesarias. Por otro lado, el procesamiento de datos de entrada por parte de la inteligencia artificial que se encuentra en el componente “módulo” de la API de las IA, está dado por los siguientes procesos: figura 2: Funcionamiento de la Inteligencia Artificial Cada una de las fases del funcionamiento de las IA [figura 2], cumplen con funcionalidades clave para su funcionamiento: El preprocesamiento de datos y el procesamiento de datos son pasos importantes en el aprendizaje automático para preparar los datos de entrada y entrenar el modelo, mientras que la salida del modelo entrenado representa las predicciones o decisiones tomadas por el mismo. Los datos de entrada se envían primero a una subfase de preprocesamiento donde se limpian, esta fase inicial está compuesta por 3 subprocesos: • Identificación de errores “IE”: Se identifican los errores comunes de los datos, como valores atípicos, datos faltantes, datos incorrectos, datos duplicados y valores inconsistentes. • Selección de métodos de corrección “SMC”: Se seleccionan los métodos de corrección adecuados para cada error identificado. Por ejemplo, para valores atípicos se puede optar por eliminarlos o sustituirlos, para datos faltantes se pueden imputar valores usando diferentes técnicas, para datos incorrectos se pueden corregir manualmente o mediante algoritmos, para datos duplicados se pueden eliminar o fusionar, y para valores inconsistentes se pueden ajustar mediante una lógica específica. • Aplicación de métodos de corrección “AMC”: Se realiza la transformación de datos avanzada para reducir la dimensionalidad de los datos, extraer características relevantes, transformar características mediante “kernels“ y seleccionar modelos Análisis del perfil psicológico de pacientes mediante la implementación de algoritmos de inteligencia artificial (AI) para la detección temprana de la depresión. de clasificación o regresión adecuados. Estos procesos son útiles para manejar grandes conjuntos de datos y mejorar la precisión del modelo. Los datos de entrada se envían luego a una subfase de preprocesamiento donde se transforman, esta fase inicial está compuesta por 3 subprocesos: • Selección de características “SC”: Se seleccionan las características relevantes para el problema en cuestión, se eliminan las características redundantes, se crean nuevas características y se transforman características existentes. Estos procesos se realizan para asegurar que el conjunto de datos solo incluya la información relevante para el modelo de inteligencia artificial. • Normalización de datos “ND”: Se normalizan los datos para que tengan la misma escala y se puedan comparar adecuadamente. Esto se logra mediante la escala de características numéricas, la codificación de características categóricas, la conversión de características textuales y la discretización de características numéricas. • Transformación de datos avanzada “TDA”: Se realiza la transformación de datos avanzada para reducir la dimensionalidad de los datos, extraer características relevantes, transformar características mediante “kernels” y seleccionar modelos de clasificación o regresión adecuados. Estos procesos son útiles para manejar grandes conjuntos de datos y mejorar la precisión del modelo. Se realizan operaciones como la normalización, la codificación y la escala para preparar los datos para el entrenamiento del modelo. Los datos de entrada se envían después a una subfase de preprocesamiento donde se reducen en dimensión, esta fase inicial está compuesta por 3 subprocesos: • Análisis de componentes principales “ACP”: Se realiza un análisis de componentes principales para identificar las dimensiones más importantes del conjunto de datos, reducir el número de características y crear nuevas características. Además, se busca conservar la mayor cantidad de varianza en los datos. • Descomposición en valores singulares “DVS”: Se realiza una descomposición en valores singulares para reducir el número de características, identificar los vectores de singularidad y crear nuevas características. Se busca conservar la mayor cantidad de información en los datos. • Análisis de discriminante lineal “ADL”: Se realiza un análisis de discriminante lineal para identificar las características más importantes del conjunto de datos, reducir el número de características y crear nuevas características. Se busca conservar la mayor cantidad de información en los datos. A continuación, los datos preprocesados se envían a la fase de procesamiento donde se someten a dos subprocesos principales: Entrenamiento del modelo: El modelo de inteligencia artificial se ajusta a los datos de entrada para hacer predicciones o clasificaciones precisas. • Preprocesamiento de datos: Aquí se realizan las tareas necesarias para preparar los datos para su uso en el entrenamiento del modelo. Estos incluyen la selección de características, la normalización de datos y la división de los datos en conjuntos de entrenamiento y prueba. • Selección y ajuste de hiperparámetros “SAH”: En este subproceso se seleccionan los mejores valores para los hiperparámetros del modelo y se ajustan estos valores para mejorar la precisión del modelo. • Ajuste del modelo: En este subproceso se optimizan los pesos del modelo para minimizar el error de entrenamiento y se evalúa la precisión del modelo con los datos de prueba. También se realiza la validación cruzada para asegurar que el modelo no está sobre ajustando los datos. • Predicción: En este subproceso se utiliza el modelo entrenado para predecir los resultados de nuevos datos. Se generan predicciones y se calcula la precisión de estas. Validación del modelo: Se verifica la capacidad del modelo para generalizar y prevenir el sobreajuste. • División de datos para validación “DDPV”: En este subproceso se divide el conjunto de datos en conjuntos de entrenamiento, validación y prueba. El conjunto de validación se utiliza para ajustar los hiperparámetros y evaluar el rendimiento del modelo antes de probarlo con los datos de prueba. • Entrenamiento del modelo: En este subproceso se ajusta el modelo utilizando los datos de entrenamiento y se seleccionan los hiperparámetros óptimos. • Evaluación del modelo: En este subproceso se evalúa el rendimiento del modelo utilizando los datos de validación. Se ajustan los hiperparámetros y se ajusta el modelo según los resultados obtenidos en la validación. • Evaluación final: Análisis del perfil psicológico de pacientes mediante la implementación de algoritmos de inteligencia artificial (AI) para la detección temprana de la depresión. En este subproceso se calcula la precisión y error del modelo en los datos de prueba. Además, se comprueba que el modelo no ha sobre ajustado a los datos. Finalmente, el modelo produce una salida, que se envía a la fase de interpretación de los resultados, donde se analiza y se toman decisiones basadas en los resultados. En la presentación de resultados, los resultados se muestran al usuario de una forma útil y fácil de entender. Puede ser una predicción o una clasificación, y se devuelve al usuario o se utiliza para alimentar otra parte del programa. Tiene dos componentes principales: Interpretación de los resultados: Análisis de la precisión del modelo: En este subproceso se calcula la precisión y el error del modelo en los datos de prueba. Se compara la precisión del modelo con la precisión esperada o requerida. Esto ayuda a determinar la calidad del modelo y a identificar áreas de mejora. • Análisis de la precisión del modelo “APM”: En este subproceso se calcula la precisión y el error del modelo en los datos de prueba. Se compara la precisión del modelo con la precisión esperada o requerida. Esto ayuda a determinar la calidad del modelo y a identificar áreas de mejora • Identificación de las características más importantes del modelo “ICI”: En este subproceso se analiza la importancia de las características utilizadas por el modelo para realizar predicciones. Se seleccionan las características más importantes para la interpretación de los resultados y para futuras mejoras del modelo. • Análisis de las predicciones del modelo “APmod”: En este subproceso se identifican las predicciones incorrectas o ambiguas realizadas por el modelo. Se investigan las características que causaron esas predicciones para mejorar el modelo y la interpretación de los resultados. Presentación de los resultados: • Visualización de resultados “VR”: En este subproceso se seleccionan las visualizaciones adecuadas para los datos, se crean gráficos, tablas y otros elementos visuales, y se presentan los resultados de manera clara y concisa. La visualización de resultados es esencial para ayudar a los usuarios a comprender los resultados del modelo y a tomar decisiones informadas. • Comunicación de los resultados a los usuarios “CR”: En este subproceso se identifica la audiencia y se adapta el lenguaje de la presentación de resultados. Se presenta los resultados de manera accesible y comprensible, y se resuelven las preguntas o dudas de los usuarios. La comunicación efectiva de los resultados es crucial para que los usuarios puedan tomar decisiones informadas basadas en los resultados del modelo. Como investigación científica, la finalidad de nuestra investigación es que se analicen los factores antes mencionados a través de la recolección de indicadores usando el dispositivo móvil inteligente como herramienta ya que, como se puede observar, el uso de los teléfonos móviles inteligentes comprende el mayor porcentaje entre los dispositivos inteligentes. Esto, aunado a que pasamos más de la mitad de nuestras horas conscientes diarias frente a dispositivos inteligentes, justifican la razón por la cual la creación de una herramienta tecnológica que se instale en los mismos para el análisis y registro de las actividades de los usuarios, sería de gran ayuda para la detección temprana de la depresión debido a que, la presencia en línea de una persona, incluyendo su actividad en redes sociales, búsquedas en línea y uso de aplicaciones móviles, puede proporcionar información sobre sus intereses, comportamientos y preferencias. De entre los métodos para el registro y análisis anteriormente descritos, debido a la naturaleza de nuestra investigación, utilizaremos el análisis del comportamiento digital para registrar y analizar el comportamiento de los usuarios. El código propuesto, requerimientos funcionales y no funcionales del sistema, variables y el enlace de la encuesta de recopilación de datos se encuentra en el Anexo “Anexo_codigo.docx”. V. RESULTADOS A continuación, se observan los resultados de la ejecución de la Inteligencia Artificial propuesta en el anexo “Anexo_codigo.docx”, la cual pudo identificar en cada caso el sentimiento del audio basándose fundamentalmente en la frecuencia, y la tonalidad. La misma, será útil para identificar tendencias en los patrones de escucha de los usuarios y así poder determinar también personalidad y cambios repentinos en sus preferencias. Análisis del perfil psicológico de pacientes mediante la implementación de algoritmos de inteligencia artificial (AI) para la detección temprana de la depresión. Figura 3: Espectrograma de frecuencia Figura 4: Tonalidad Figura 5: Sentimiento del audio Este sistema de inteligencia artificial, al apoyarse en las mediciones de factores complementarios como edad, sexo y peso, permiten obtener un mayor entendimiento de la persona. Los resultados de la ejecución del sistema evaluador de estas variables permiten saber si las personas se encuentran entre la población con mayor o menor riesgo de padecer depresión en un futuro, como se muestra a continuación: Figura 6: Código apoyo de la IA Basado en los resultados de la ejecución del código, la inteligencia artificial con apoyo de la evaluación tradicional de variables de riesgo actualizadas en tiempo real supondría una herramienta tecnológica muy valiosa para el diagnóstico temprano de la depresión, ayudando a mejorar la calidad de vida humana. VI. REFERENCIAS 1. Guadarrama L, Escobar A, Zhang L, Bases neuroquímicas y neuro- anatómicas de la depresión. Rev Fac Med UNAM 2006;49(2):66-72. 2. Ingram, R. E., & Luxton, D. D. Vulnerability stress models. Development of psychopathology. A vulnerability – stress perspective (pp. 32). 2005. California: Sage. 3. World Health. Prevention of suicidal behavior.2013. Washington, DC: OPS. 4. Posada, J. A., Torres de Galvis, Y., et al. Situación de Salud mental del adolescente. Estudio Nacional de Salud Mental Colombia. Universidad CES, Ministerio de la Protección Social, Medellín: Universidad CES. 2010. 5. Organización Mundial de la Salud –OMS. La depresión es una enfermedad frecuente y las personas que la padecen necesitan apoyo y tratamiento. 2012. Recuperado de la web: http://www.who.int/mediacentre/news/notes/2012/mental_health_d ay_20121009/es/ 6. Luque, R. & Berrios, G. Historia de los trastornos afectivos. Revista Colombiana de Psiquiatría. 2011, 40. http://www.scielo.org.co/scielo.php?script=sci_arttext&pid=S0034- 74502011000500010). Análisis del perfil psicológico de pacientes mediante la implementación de algoritmos de inteligencia artificial (AI) para la detección temprana de la depresión. 7. Figueras, A. Multimétodo y multiinformante de la sintomatología depresiva en niños y adolescentes. [Versión electrónica]. Tesis para optar al título de Doctora en Psicológics, Universitat de Barcelona, Barcelona, España. Psicología, Departament de Personalitat, Avaluació i Tractament.2006. 8. Ponce T., et al. Inteligencia Artificial. Iniciativa Latinoamericana de Libros de Texto Abiertos (LATIn), 225. 2014. 9. Deloitete. Artificial Intelligence. 2018. chrome- extension://efaidnbmnnnibpcajpcglclefindmkaj/https://www2.deloit te.com/content/dam/Deloitte/nl/Documents/deloitte- analytics/deloitte-nl-data-analytics-artificial-intelligence- whitepaper-eng.pdf. 10. Ziyad M. Artificial Intelligence Definition, Ethics and Standards. Electronics and Communications: Law, Standards and Practice. 18ELEC07.2019. 11. Tahisin G. Depresión y Consumo de Sustancias Psicoactivas en Adolescentes en la Ciudad de Bogotá. 2013. Disponible en http://www.redalyc.org/articulo.oa?id=297226904003 12. Kemp, S. Digital 2022: Global Overview Report. DataReportal – Global Digital Insights. 2022. https://datareportal.com/reports/digital-2022-global-overview-report 13. Gutiérrez Rodas J y Otros Depresión en Estudiantes Universitarios y su Asociación con el Estrés Académico. Revista- Intercontinental-de-Psicologia-y-Educacion. 2010, Vol-16- nu 2. Recuperado de http://www.redalyc.org/pdf/2611/261119491001.pdf. Medellín- Colombia. 14. Fontecha P. y Quiroga S. (2020). Implementación de algoritmos de inteligencia artificial enfocados en el análisis de los trastornos del estado de ánimo para prevenir futuros suicidios por medio de la red social Facebook. Universidad Cooperativa de Colombia, Sede Villavicencio. 15. D’Hotman E. and Loh E. AI enabled suicide prediction tools: a qualitative narrative review. Review. BMJ Health Care Inform;27(3):e100175. doi: 10.1136/bmjhci-2020-100175. 16. Owusu P., Reininghaus U., Koppe G., Dankwa I. & Ba¨rnighausen T. Artificial intelligence applications in social media for depression screening: A systematic review protocol for content validity processes. LoS One, 8;16(11): e0259499. doi: 10.1371/journal.pone.0259499. eCollection 2021. 17. Xuan B. et al. The Current Research Landscape on the Artificial Intelligence Application in the Management of Depressive Disorders: A Bibliometric Analysis. Int J Environ Res Public Health. 2019 Jun 18;16(12):2150. doi: 10.3390/ijerph16122150. 18. Varghese Babu & Kanaga M. Sentiment Analysis in Social Media Data for Depression Detection Using Artificial Intelligence: A Review. SN Computer Science (2022) 3:74. https://doi.org/10.1007/s42979-021-00958-1. Singapore. 19. Xinrui Ren. Artificial Intelligence and Depression: How AI powered chatbots in virtual reality games may reduce anxiety and depression levels. Journal of Artificial Intelligence Practice (2020) Vol. 3: 48-58 Clausius Scientific Press, Canada. DOI: 10.23977/jaip.2020.030108. 20. Bahman Zohuri. The Utility of Artificial Intelligence for Mood Analysis, Depression Detection, and Suicide Risk Management. Journal of Health Science 8 (2020) 67-73. doi: 10.17265/2328- 7136/2020.02.003. 21. Mehta A, et al. Acceptability and Effectiveness of Artificial Intelligence Therapy for Anxiety and Depression (Youper): Longitudinal Observational. Department of Psychology, Stanford University, Stanford, CA, United States. Youper, Inc, San Francisco, CA, United States. J Med Internet Res 2021 | vol. 23 | iss. 6 | e26771 | p. 1. 22. Fulmer R., Joerin A., Gentile B., Lakering L. 6 Rauws M. MBA Using Psychological Artificial Intelligence (Tess) to Relieve Symptoms of Depression and Anxiety: Randomized Controlled Trial. JMIR Ment Health. 2018, 13;5(4): e64. doi: 10.2196/mental.9782. 23. Al-Mosaiwi, M., & Johnstone, T. In an Absolute State: Elevated Use of Absolutist Words Is a Marker Specific to Anxiety, Depression, and Suicidal Ideation. Clinical Psychological Science. 2018, 6(4), 529–542. Recuperado 21 de septiembre de 2022, de https://doi.org/10.1177/2167702617747074. 24. Tackman, Allison M.,Sbarra, David A.,Carey, Angela L.,Donnellan, M. Brent,Horn, Andrea B.,Holtzman, Nicholas S.,Edwards, To'Meisha S.,Pennebaker, James W.,Mehl, Matthias R. Depression, negative emotionality, and self-referential language: A multi-lab, multi-measure, and multi-language-task research synthesis. Journal of Personality and Social Psychology. 2019, 116(5). Recuperado 21 de septiembre de 2022, https://psycnet.apa.org/buy/2018-09035-001. 25. Mundt JC, Snyder PJ, Cannizzaro MS, Chappie K, Geralts DS. Voice acoustic measures of depression severity and treatment response collected via interactive voice response (IVR) technology. J Neurolinguistics. 2007 Jan;20(1):50-64. doi: 10.1016/j.jneuroling.2006.04.001. PMID: 21253440; PMCID: PMC3022333.). 26. National Research Council. Growing Innovation Clusters for American Prosperity: Summary of a Symposium. The National Academies Press. 2011. https://nap.nationalacademies.org/catalog/12926/growing- innovation-clusters-for-american-prosperity-summary-of-a- symposium 27. Navarro, J. What Is the Importance of Nonverbal Communications? Psychology Today. 2017. https://www.psychologytoday.com/us/blog/spycatcher/201704/what -is-the-importance-nonverbal-communications 28. Allen, G. The Psychology of Human Behavior. 1936. https://doi.org/10.1038/138823e0 29. Pelechano,V. Psicología de la Personalidad I. Teorías. Barcelona: Ariel Editorial. ISBN: 84-344-0886-4. 1996. 30. Landers, R. y Lounsbury, J. An investigation of Big Five and narrow personality traits in relation to Internet usage. Computers in Human Behavior .2006, 22, 283-293. https://doi.org/10.1016/j.chb.2004.06.001 Análisis del perfil psicológico de pacientes mediante la implementación de algoritmos de inteligencia artificial (AI) para la detección temprana de la depresión. 31. Pinar, L., Lajunen, T. Does Internet use reflect your personality? Relationship between Eysenck’s personality dimensions and Internet use. Computers in Human Behavior. 2010, 26, 162-167, doi: 10.1016/j.chb.2009.10.010 32. Ley 1581 de 2012 - Gestor Normativo. (2022, 2 marzo). Función Pública. Recuperado de: https://www.funcionpublica.gov.co/eva/gestornormativo/norma.php ?i=49981 https://www.funcionpublica.gov.co/eva/gestornormativo/norma.php?i=49981 https://www.funcionpublica.gov.co/eva/gestornormativo/norma.php?i=49981