Aplicación de IA en la Prevención de Problemas de Salud Mental UMA.pdf

Este documento aborda la aplicación de la inteligencia artificial (IA) en la prevención de problemas de salud mental, destacando su potencial para anticipar trastornos como depresión, ansiedad y estrés postraumático, especialmente tras el aumento de casos post-pandemia.

Propone el uso de modelos predictivos de aprendizaje automático (como Random Forests, SVM y Redes Neuronales) entrenados con datos clínicos, sociodemográficos y conductuales, con el objetivo de generar alertas tempranas y facilitar intervenciones preventivas.

Se enfatiza la detección temprana, la reducción del impacto social y la integración responsable de la IA como herramienta complementaria en el ámbito de la salud mental.

1. Aplicación de IA en la
Prevención de Problemas de
Salud Mental
DOCENTE: FELIX JULIAN VALERIO HARO
CURSO: METODOLOGÍA DE LA INVESTIGACIÓN CIENTÍFICA
AÑO: 2025
INTEGRANTES:
CACHAY CAICEDO ANA CECILIA
ESTARES CUYUBAMBA FLOR
MANTURANO CONGACHI ANGIE
TAIPE GUTIERREZ MIRIAM
VILA RAMOS EDGAR

2. Observación: El Aumento de los
Trastornos
Incremento Post-
Pandemia
Los trastornos de salud mental
han aumentado
considerablemente en la última
década, especialmente tras la
pandemia de COVID-19.
Casos en Aumento
Se observa un incremento en
depresión, ansiedad y estrés
postraumático.
Brecha de Acceso
Existe una notable brecha en el
acceso a servicios de salud
mental, haciendo la atención
tradicional insuficiente.

3. La Necesidad de Anticipación
Esta realidad exige la incorporación de tecnologías como la Inteligencia Artificial (IA), capaces de anticipar y prevenir la
aparición de síntomas mediante análisis predictivo.
Atención Reactiva
Sistemas tradicionales que responden a la manifestación
clínica.
IA Predictiva
Tecnología que anticipa y previene la aparición de
síntomas.

4. Planteamiento
El problema central radica en la dificultad de los sistemas tradicionales para
anticiparla aparición de trastornos mentales.
1
Viabilidad de Modelos de IA
Evaluar modelos entrenados con
datos clínicos, sociodemográficos y
conductuales.
2
Generación de Alertas
Crear alertas tempranas sobre el
riesgo de desarrollar depresión,
ansiedad u otros desórdenes.
3
Indicadores Conductuales
Los datos digitales contienen
indicadores significativos que
permiten una intervención
preventiva.

5. Hipótesis: Detección Temprana con Aprendizaje
Automático
Identificar Patrones
El aprendizaje automático identifica
patrones de riesgo asociados a
trastornos mentales.
Facilitar Detección
Esto facilita la detección temprana de
posibles casos.
Respuesta Personalizada
Integrar modelos predictivos ofrece
una respuesta más rápida y adaptada
al individuo.
Reducir Impacto Social
La intervención temprana reduce el
impacto social de los trastornos
mentales.

6. Experimentación: Modelos y
Métricas
Se desarrollaron modelos de aprendizaje
supervisado(Tipo de entrenamiento donde los
datos tienen etiquetas conocidas por ejemplo,
“sano” / “depresión” ) utilizando datos simulados
que incluían variables clínicas, hábitos de sueño,
interacción social y actividad digital.
•Algoritmos utilizados: Random Forests,
Máquinas de Soporte Vectorial(SVM) y Redes
Neuronales.
•Métricas de evaluación: Precisión, Sensibilidad
y Especificidad.
85%
Precisión Promedio
Alcanzada en pruebas
controladas.
El análisis conjunto de
múltiples variables
mejoró la capacidad
predictiva respecto a
métodos
tradicionales.

7. Conclusión: El Futuro de la
Prevención
Los resultados demuestran el potencial de la IA como herramienta
complementaria en la prevención de problemas de salud mental.
Detección Temprana
Contribuye
significativamente a la
identificación precoz de
riesgos.
Políticas Efectivas
Permite el diseño de
políticas públicas más
efectivas y focalizadas.
Integración Responsable
Es esencial la colaboración interdisciplinaria (ingenieros,
psicólogos, médicos) para una aplicación ética y sostenible.

8. Referencias bibliograficas:
https://sedici.unlp.edu.ar/handle/10915/163848
https://sedici.unlp.edu.ar/bitstream/handle/10915/163848/Ponencia.pdf-PDFA.pdf-
PDFA.pdf?sequence=1&isAllowed=y
https://sedici.unlp.edu.ar/bitstream/handle/10915/163848/P%C3%B3ster.pdf-
PDFA.pdf?sequence=2&isAllowed=y
GRACIAS