Technology Rain Journal

Análisis de Big Data para la identificación de factores asociados a diagnósticos de salud mental en Puno.

Yanina Maritza Chambi Arucutipa

Universidad Nacional del Altiplano – Perú.

https://orcid.org/0000-0003-0406-2914

Edwin Cruz Cruz

Universidad Nacional del Altiplano – Perú.

https://orcid.org/0000-0003-1353-6421

Daisy Mestas Yucra

Universidad Nacional del Altiplano – Perú

https://orcid.org/0000-0002-0969-5529

Alicia Zuaña Quispe

Universidad Nacional del Altiplano – Perú

https://orcid.org/0009-0004-6142-4074

Jaime Huanca Aracayo

Universidad Nacional del Altiplano – Perú

https://orcid.org/0009-0002-2706-7443

DOI: https://doi.org/10.55204/trj.v5i2.e155

Palabras clave: Big Data, aprendizaje automático, salud mental, modelado predictivo, análisis de conglomerados, minería de datos, sistemas de salud

---

Resumen

El estudio identificó variables asociadas a diagnósticos de salud mental en Puno, Perú, una región con volúmenes significativos de datos clínicos y demográficos. Se empleó un diseño no experimental, observacional, retrospectivo, con un corpus de 583,390 registros de atención de salud mental (2021-2023), tras eliminar 2,874 duplicados exactos. La unidad de análisis fue el registro de atención con diagnóstico (no el paciente, dado que la fuente no incluye un identificador único de paciente). Se construyó un modelo Random Forest para predecir la categoría diagnóstica CIE-10 agrupada (10 clases), evaluado con partición estratificada 70/30 y validación cruzada de 5 particiones, obteniendo una exactitud de 52.2%, F1-macro de 0.44 y F1-ponderado de 0.54. La variable con mayor importancia predictiva relativa fue la edad del paciente (60%), seguida del mes (11%) y el año (6%) de atención. La segmentación con K-Means (K=5, seleccionado por coeficiente de silueta) alcanzó una silueta de 0.547. Las categorías de ansiedad/estrés (24.4%), psicóticos/esquizofrenia (20.2%) y trastornos del ánimo (19.9%) fueron las más frecuentes. Los trastornos psicóticos representaron el 21.4% de los diagnósticos en establecimientos de primer nivel de atención frente al 10.3% en hospitales; los trastornos del ánimo no mostraron diferencia relevante entre tipos de establecimiento. Las consultas de noviembre superaron el promedio mensual en 22.9%. Las conclusiones destacan que la edad y las variables temporales (mes y año) son las más asociadas a la categoría diagnóstica en este corpus, sin que ello implique relaciones causales, dado el diseño observacional del estudio

---

Citas

Ahidar Tarhouchi, B., & Ortiz de Urbina Criado, M. (2024). Temas de investigación sobre Big Data en el sector salud. ESIC Market Economic and Business Journal, 54(2), e316. https://doi.org/10.7200/esicm.54.316

Chávez Fernández, F. A. (2018). Factores de Riesgo del Síndrome Burnout en los Alumnos de las Clínicas Odontológicas de las Universidades de la Región Puno 2017. Universidad Nacional del Altiplano, Escuela de Posgrado.

Chekroud, A. M., Zotti, R. J., Shehzad, Z., Gueorguieva, R., Johnson, M. K., & Trivedi, M. H. (2021). Cross-trial prediction of treatment outcome in depression: a machine learning approach. The Lancet Psychiatry, 8(6), 449–456. https://doi.org/10.1016/S2215-0366(21)00066-1

Gandomi, A., & Haider, M. (2015). Beyond the hype: Big data concepts, methods, and analytics. International Journal of Information Management, 35(2), 137–144. https://doi.org/10.1016/j.ijinfomgt.2014.10.007

Gonzalez Cieza, A. E., & Chavez Monteza, G. (2023). Sistema para el mapeo, control y monitoreo de síntomas depresivos en escolares [Universidad Peruana de Ciencias Aplicadas]. https://repositorio.upc.edu.pe/handle/10757/659890

Goodfellow, I., Bengio, Y., & Courville, A. (2016). Deep Learning. MIT Press. https://mitpress.mit.edu/books/deep-learning

Hudson, C., Branjerdporn, G., Hughes, I., Todd, J., Bowman, C., Randall, M., & Stapelberg, N. J. C. (2023). Using machine learning to mine mental health diagnostic groups from emergency department presentations before and during the COVID-19 pandemic. Discover Mental Health, 3(1), 22. https://doi.org/10.1007/s44192-023-00047-0

Kimball, R., & Caserta, J. (2004). The Data Warehouse ETL Toolkit: Practical Techniques for Extracting, Cleaning, Conforming, and Delivering Data. Wiley.

Madububambachu, U., Ukpebor, A., & Ihezue, U. (2024). Machine learning techniques to predict mental health diagnoses: A systematic literature review. Clinical Practice and Epidemiology in Mental Health, 20, e17450179315688. https://doi.org/10.2174/0117450179315688240607052117

Palacios-Ariza, M. A., Morales-Mendoza, E., Murcia, J., Arias-Duarte, R., Lara-Castellanos, G., Cely-Jiménez, A., Rincón-Acuña, J. C., Araúzo-Bravo, M. J., & McDouall, J. (2023). Prediction of patient admission and readmission in adults from a Colombian cohort with bipolar disorder using artificial intelligence. Frontiers in Psychiatry, 14, 1266548. https://doi.org/10.3389/fpsyt.2023.1266548

Palomino, K., & Berdugo, C. (2023). Big Data Analytics and Mental Health: Would Ethics Be the Only Safeguard Against the Risks of Identifying “Potential Patients”? IEEE Intelligent Systems, 38(5), 37–44. https://doi.org/10.1109/MIS.2023.3287409

Passos, I., Lemos Ballester, P., Vinícius Pinto, J., & Mwangi, B. (2019). Big Data and Machine Learning Meet the Health Sciences: Big Data Analytics in Mental Health. In Personalized Psychiatry (pp. 1–13). Springer. https://doi.org/10.1007/978-3-030-03553-2_1

Quispe Pari, M. D. (2021). Factores de riesgo en la salud mental de los estudiantes de la Facultad de Ingeniería Estadística e Informática de la UNA Puno ante la pandemia de COVID-19 [Universidad Nacional del Altiplano]. https://repositorio.unap.edu.pe/handle/20.500.14082/3848

Reategui Monge, S. K. (2022). Información digital frente al COVID y riesgos en salud mental en adultos mayores en un centro de salud – Chiclayo 2021 [Universidad Señor de Sipán]. https://repositorio.uss.edu.pe/handle/20.500.12826/4478

Reddy, C. K., & Aggarwal, C. C. (2015). Healthcare Data Analytics (C. K. Reddy & C. C. Aggarwal, Eds.). CRC Press. https://doi.org/10.1201/b18588

Ristevski, B., & Chen, M. (2018). Big data analytics in medicine and healthcare. Journal of Integrative Bioinformatics, 15(3), 20170030. https://doi.org/10.1515/jib-2017-0030

Rosenfeld, A., Benrimoh, D., Armstrong, C., Mirchi, N., Langlois-Therrien, T., Rollins, C., Tanguay-Sela, M., Mehltretter, J., Fratila, R., Israel, S., Snook, E., Perlman, K., Kleinerman, A., Saab, B., Thoburn, M., Gabbay, C., & Yaniv-Rosenfeld, A. (2019). Big Data Analytics and AI in Mental Healthcare. arXiv. https://doi.org/10.48550/arXiv.1903.12071

Shatte, A. B. R., Hutchinson, D. M., & Teague, S. J. (2019). Machine learning in mental health: A scoping review of methods and applications. Psychological Medicine, 49(9), 1426–1448. https://doi.org/10.1017/S0033291719000151

Shillan, D., Sterne, J. A. C., Champneys, A., & Gibbison, B. (2019). Use of machine learning to analyze routinely collected intensive care unit data: A systematic review. Critical Care, 23(1), 284. https://doi.org/10.1186/s13054-019-2564-9

Shmueli, G., Bruce, P. C., Yahav, I., Patel, N. R., & Lichtendahl, K. C., Jr. (2018). Data Mining for Business Analytics: Concepts, Techniques, and Applications in R. Wiley.

Stewart, R., & Davis, K. (2016). “Big Data” in Mental Health Research: Current Status and Emerging Possibilities. Social Psychiatry and Psychiatric Epidemiology, 51, 1055–1072. https://doi.org/10.1007/s00127-016-1266-8

Vega Dienstmaier, J. M. (2024). Construcción y validación de un instrumento para detección de trastornos de ansiedad y depresión [Universidad Peruana Cayetano Heredia]. https://repositorio.upch.edu.pe/handle/20.500.12866/10340