Un estudio publicado en Discover Artificial Intelligence ha probado si el aprendizaje automático puede separar a los trabajadores de la salud con alta resiliencia psicosocial de aquellos con baja resiliencia, y los resultados apuntan a una señal modesta pero utilizable. El equipo de investigación, con sede en la Universidad Técnica Particular de Loja, se basó en datos de encuestas recopilados en Estados Unidos durante la pandemia de COVID-19 y comparó tres métodos de clasificación diferentes entre sí.
El enfoque es un alejamiento deliberado de gran parte de la literatura existente. La mayoría de las investigaciones sobre la salud mental de los trabajadores de la salud se centran en resultados negativos como el agotamiento, la extenuación emocional y la rotación. Este estudio, en cambio, intentó predecir una capacidad positiva: la habilidad de afrontar activamente el estrés y recuperarse de él. Ese cambio de énfasis importa para cómo podrían diseñarse eventualmente los programas de apoyo, porque pregunta qué mantiene a las personas funcionando en lugar de solo qué las derrumba.
Tres algoritmos, un ganador claro
El equipo entrenó tres modelos de clasificación con el mismo conjunto de respuestas de la encuesta: regresión logística, un clasificador de random forest y una máquina de vectores de soporte (SVM). A cada modelo se le pidió asignar a los encuestados a uno de dos grupos, alta resiliencia o baja resiliencia, y luego se compararon los algoritmos según la frecuencia con que acertaban esa asignación.
- Regresión logística: 75,6% de precisión, con un área bajo la curva ROC de 0,816
- Random forest: 72,6% de precisión
- Máquina de vectores de soporte: 70,8% de precisión
La regresión logística produjo los resultados más sólidos. El área bajo la curva ROC es una medida de qué tan bien un modelo separa dos clases en todos los umbrales de decisión posibles, y un valor de 0,816 indica una discriminación razonablemente buena, aunque queda muy lejos de la perfección. Cabe destacar que el más simple de los tres métodos superó a las dos alternativas más elaboradas, un patrón que aparece con regularidad en datos de encuestas tabulares donde las relaciones entre variables son en gran medida lineales y la muestra es de tamaño moderado.
De dónde provinieron los datos de entrenamiento
Los modelos necesitan ejemplos para aprender. Los investigadores utilizaron el conjunto de datos How Right Now Mental Health & Coping, recopilado por NORC de la Universidad de Chicago entre 2021 y 2022. Contiene respuestas de 2.055 personas en Estados Unidos, recogidas durante un tramo de la pandemia en el que los hospitales y las clínicas operaban bajo presión sostenida, escasez de personal y una demanda de pacientes inusualmente alta.
Construcción de un índice de resiliencia
Antes de que se pudiera entrenar cualquier modelo, los investigadores necesitaban algo medible que predecir. Construyeron un índice de resiliencia a partir de cuatro variables psicométricas: la resiliencia misma, la capacidad de recuperarse, el control y la confianza. Esos componentes se combinaron y luego se dividieron en dos niveles utilizando la mediana como punto de corte, lo que produjo un objetivo binario de alta versus baja resiliencia para cada encuestado. Dividir en la mediana garantiza un conjunto equilibrado de clases, lo que mantiene comparables las cifras de precisión entre modelos, aunque también significa que los dos grupos se definen en relación entre sí y no frente a un umbral clínico absoluto.
Qué predice la baja resiliencia
Cuando se inspeccionaron los modelos para ver qué entradas tenían más peso, dominaron tres factores. El estrés fue el contribuyente más fuerte, con un peso de 0,182, seguido de la depresión con 0,160 y la ansiedad con 0,145. La desesperanza y los cambios en los patrones de sueño vinieron después, completando un grupo de variables que en conjunto señalaban una mayor probabilidad de caer en el grupo de baja resiliencia.
El orden es intuitivo, pero sigue siendo informativo. Sugiere que la carga acumulada de malestar, más que cualquier síntoma aislado, determina si un trabajador de la salud conserva los recursos psicológicos necesarios para seguir afrontando. Los enfoques de cribado construidos sobre este tipo de ponderación podrían, en principio, señalar a las personas cuya combinación de estrés, bajo estado de ánimo y ansiedad las sitúa en mayor riesgo, antes de que ese riesgo se traduzca en agotamiento o abandono de la profesión.
Las estrategias de afrontamiento parecen acumularse
Las conductas de afrontamiento entraron en el modelo con pesos individuales más bajos, pero se asociaron consistentemente con una mayor resiliencia. Buscar apoyo social, dedicarse a pasatiempos, la oración y la meditación apuntaban todos en la misma dirección, lo que sugiere que estos hábitos acompañan a una mayor resiliencia aunque contribuyan menos a la predicción que las variables relacionadas con el malestar.
Más llamativo fue cómo se combinaban esas conductas. Los investigadores encontraron que el efecto parecía ser acumulativo: los encuestados que informaron usar varias estrategias de afrontamiento a la vez tenían, en promedio, puntuaciones de resiliencia más altas que quienes dependían de una sola. Ese patrón insinúa que la amplitud puede importar tanto como la intensidad cuando se trata de hábitos protectores. También es el tipo de hallazgo que una encuesta de una sola instantánea no puede explicar del todo, ya que un diseño transversal no puede establecer si las estrategias produjeron las puntuaciones más altas o si las personas ya resilientes simplemente eran más propensas a adoptarlas.
Límites de la evidencia
Los autores son francos sobre los límites de sus resultados. Los datos capturan un único punto en el tiempo en lugar de seguir a las personas durante meses o años, por lo que el estudio no puede mostrar cómo sube o baja la resiliencia, ni en qué dirección va la relación con las conductas de afrontamiento. Todas las mediciones se basan en los propios informes de los participantes, que pueden estar moldeados por el estado de ánimo, la memoria y las expectativas sociales. Y la muestra se extrae enteramente de Estados Unidos.
Esas limitaciones restringen hasta dónde pueden extenderse las conclusiones a otros sistemas de salud, incluidos los de América Latina, donde las condiciones laborales, los modelos de dotación de personal, las estructuras salariales y las actitudes culturales hacia la salud mental pueden diferir. Un modelo entrenado con encuestados de un país no es automáticamente transferible a otro, incluso cuando los conceptos psicológicos subyacentes son similares.
Los próximos pasos propuestos
El equipo de investigación traza un camino claro a seguir. Primero, validar el modelo con trabajadores de la salud en América Latina para probar si los mismos predictores se mantienen en un mercado laboral y un contexto de sistema de salud diferentes. Segundo, enriquecer los datos de entrada con medidas adicionales, como datos de sueño o indicadores fisiológicos, que podrían complementar las respuestas autoinformadas y reducir la dependencia del estudio de la evaluación subjetiva.
Si esa validación tiene éxito, el enfoque podría respaldar algo más práctico que un hallazgo de investigación: una forma de identificar qué miembros del personal podrían beneficiarse más del apoyo, y qué combinaciones de estrategias de afrontamiento parecen protegerlos. Los autores se abstienen de afirmar que el modelo esté listo para su despliegue, y las cifras de precisión justifican esa cautela.
Por qué importa el resultado
Las plantillas de trabajadores de la salud han absorbido una presión enorme en los últimos años, y la decisión de modelar la resiliencia en lugar de solo el déficit es significativa. Una tasa de precisión del 75,6% no es una herramienta diagnóstica, y los investigadores no la presentan como tal. Pero sí sugiere que las respuestas de encuestas recopiladas de forma rutinaria contienen un patrón aprendible, que una regresión logística sencilla puede leer al menos tan bien como alternativas de aprendizaje automático más pesadas. Para los sistemas de salud que sopesan cómo dirigir recursos escasos de salud mental, esa es una señal que vale la pena validar más a fondo.
Este artículo se basa en la cobertura de Medical Xpress. Lea el artículo original.
Originally published on medicalxpress.com
