Un método basado en tecnologías de aprendizaje automático y desarrollado por investigadores españoles permite identificar de forma temprana los síntomas de depresión analizando las palabras escritas en un texto.
Lo desarrollaron investigadores de la Escuela Técnica Superior de Ingenieros de Telecomunicaciones de la Universidad Politécnica de Madrid y las conclusiones de su trabajo se han publicado en la revista Applied Sciences.
La depresión, una de las enfermedades mentales más comunes y debilitantes, afecta a millones de personas, que sufren una muy importante disminución de su calidad de vida y de su bienestar, y su creciente prevalencia ha puesto de relieve la importancia y la necesidad de afrontar enfoques innovadores para detectar y abordar este trastorno, subraya la universidad en una nota difundida hoy.
Los investigadores explicaron que con este método se podría avanzar significativamente en la detección temprana de signos de depresión, introduciendo un enfoque basado en aprendizaje automático que consigue resultados prometedores en la detección de la depresión en los textos.
El investigador Sergio Muñoz, del Grupo de Sistemas Inteligentes de la Universidad Politécnica, destacó la relevancia que tendría la utilización de este método en ambientes, plataformas o foros educativos en las que los alumnos escriben y se comunican por escrito, y las posibilidades que podría tener para la detección temprana de los síntomas de depresión.
En declaraciones a EFE, Sergio Muñoz ha explicado que el trabajo que han realizado ha sido experimental y han utilizado para ello datos extraídos de la plataforma Reddit, un agregador de contenidos que funciona en todo el mundo como un foro social en el que millones de usuarios pueden añadir textos y votar a favor o en contra de lo que se publica, propiciando de esa manera que unos contenidos destaquen frente a otros.
Muñoz insistió en que el método está en fase experimental y no se está aplicando ni utilizando con usuarios reales, y ha explicado que un estudio similar les permitió detectar síntomas de estrés y de ansiedad y comprobar cómo el uso de algunas palabras (como miedo, ataque, lucha, muerte, u otras malsonantes) estaban asociadas a esos niveles de estrés.
A largo plazo, y tras superar las diferentes fases experimentales, un método de estas características, señaló el investigador, podría integrarse en diferentes plataformas -redes sociales e incluso expedientes o informes médicos- para lograr una utilidad real y práctica que permitiera detectar de forma temprana esos síntomas de depresión.
Este enfoque no solo demuestra su eficacia en términos de rendimiento, sino que también se presenta, según los investigadores, como una solución práctica y accesible para la detección temprana de los signos depresivos.
Los investigadores han explorado la eficacia de los métodos tradicionales de aprendizaje automático en la detección de la gravedad de los signos de depresión, y frente a modelos más complejos que requieren recursos computacionales más complejos, su enfoque consigue un equilibrio perfecto entre rendimiento y eficiencia.
Para ello, se introdujo en la investigación un marco de trabajo muy completo de características basadas en recursos léxicos, que facilita la organización de las características textuales, integrando las señales lingüísticas, las expresiones emocionales y los patrones cognitivos para proporcionar una comprensión global de los indicadores lingüísticos asociados a la depresión.
Para ello, se extrajeron un gran número de características y se organizaron en cuatro conjuntos: afectivas, temáticas, sociales y sintácticas.
Los resultados sugieren que las características afectivas destacan en la clasificación de texto para la detección de la depresión, pero la inclusión de características sociales, sintácticas y temáticas mejora el rendimiento de manera significativa, han precisado los investigadores.
La efectividad del enfoque que proponen los investigadores se ha evaluado con un estudio experimental utilizando dos conjuntos de datos públicos en inglés de plataformas de redes sociales.
(EFE)
Lea el artículo completo aquí.
