Investigación enfocada en la creación de un modelo predictivo basado en aprendizaje supervisado para clasificar la depresión posparto (DPP). El trastorno afecta a más del 20% de las mujeres postnatales en Zacatecas y requiere de nuevas alternativas tecnológicas para su diagnóstico oportuno.
La DPP es un trastorno silencioso que dificulta a la madre realizar actividades de cuidado, haciendo a los hijos susceptibles a problemas de salud como desnutrición, bajo peso y afectación del vínculo emocional.
Dataset de 100 mujeres zacatecanas en etapa puerperal, evaluadas previamente con el Test de Edimburgo.
El 39% de las mujeres del estudio inicial se clasificaron con DPP, frente al 61% clasificadas como sanas[cite: 1].
El estudio establece una muestra válida y estadísticamente representativa de 370 mujeres para la validación final del clasificador[cite: 1].
Para identificar el mejor clasificador binario, se entrenaron algoritmos de aprendizaje supervisado utilizando el 80% de los datos para entrenamiento y el 20% para pruebas[cite: 1]. Se evaluaron modelos como Máquinas de Soporte Vectorial (SVM), Bosques Aleatorios (RF), K Vecinos Más Cercanos (KNN) y Regresión Logística (LR)[cite: 1].
| Algoritmo | Exactitud | Precisión | Sensibilidad | F1-Score | AUC |
|---|---|---|---|---|---|
| AdaBoost Classifier (ABC) | 0.75 | 0.90 | 0.86 | 0.78 | 0.74 |
| K Nearest Neighbors (KNN) | 0.65 | 0.75 | 0.00 | 0.72 | 0.66 |
| Regresión Logística (LR) | 0.60 | 0.69 | 0.82 | 0.69 | 0.63 |
El algoritmo AdaBoostClassifier demostró el mejor rendimiento con una precisión del 90% y un equilibrio sólido entre precisión y sensibilidad (F1-Score: 0.78)[cite: 1].
Una solución integral multiplataforma diseñada para garantizar alta disponibilidad, seguridad y procesamiento de datos clínicos[cite: 1].
La predicción se alimenta de variables sociodemográficas y de los resultados de la Escala de Depresión Postnatal de Edimburgo (EPDS), el instrumento clínico de autoinforme más aceptado globalmente[cite: 1].