Resumen de Comparación y explicabilidad de modelos de aprendizaje automático en el análisis predictivo del suicidio

Daniel Alejandro Barajas Aranda, Aurora Torres Soto, María Dolores Torres Soto, Miguel Ángel Sicilia Urbán

• español

  En este estudio comparativo de modelos de aprendizaje automático para predecir el comportamiento suicida, se evaluaron tres enfoques: red neuronal, regresión logística y árboles de decisión. Los resultados revelaron que la red neuronal mostró el mejor rendimiento predictivo, con una precisión del 82.35%, seguida por la regresión logística (76.47%) y los árboles de decisión (64.71%). Además, el análisis de explicabilidad reveló que cada modelo asignó diferente importancia a las características en la predicción del comportamiento suicida, destacando la necesidad de comprender cómo los modelos interpretan las características y cómo influyen en las predicciones. El estudio proporciona información valiosa para profesionales de la salud y expertos en prevención del suicidio, permitiéndoles diseñar intervenciones más efectivas y comprender mejor los factores de riesgo asociados al comportamiento suicida. Sin embargo, se señala la necesidad de considerar otros factores, como la interpretabilidad del modelo y su aplicabilidad en diferentes contextos o poblaciones. Además, se recomienda realizar más investigaciones y validaciones en diferentes conjuntos de datos para fortalecer la comprensión y aplicabilidad de los modelos en diferentes contextos. En resumen, este estudio contribuye significativamente al campo de la predicción del comportamiento suicida utilizando modelos de aprendizaje automático, ofreciendo una visión detallada de las fortalezas y debilidades de cada enfoque y destacando la importancia de la interpretación de los modelos para comprender mejor los factores subyacentes al comportamiento suicida.

• English

  In this comparative study of machine learning models for predicting suicidal behavior, three approaches were evaluated: neural network, logistic regression, and decision trees. The results revealed that the neural network showed the best predictive performance, with an accuracy of 82.35%, followed by logistic regression (76.47%) and decision trees (64.71%). Additionally, the explainability analysis revealed that each model assigned different importance to the features in predicting suicidal behavior, highlighting the need to understand how models interpret features and how they influence predictions. The study provides valuable information for healthcare professionals and suicide prevention experts, enabling them to design more effective interventions and better understand the risk factors associated with suicidal behavior. However, it is noted the need to consider other factors, such as model interpretability and its applicability in different contexts or populations. Furthermore, further research and validation in different datasets are recommended to strengthen the understanding and applicability of the models in different contexts. In summary, this study significantly contributes to the field of predicting suicidal behavior using machine learning models, offering a detailed insight into the strengths and weaknesses of each approach and highlighting the importance of model interpretation for better understanding the underlying factors of suicidal behavior.