Acceso usuarios
El objetivo de la investigación fue identificar variables predictoras mediante algoritmos de machine learning en los casos de intentos de suicidio en infancia y adolescencia reportados por la alcaldía de Tunja, Colombia. Se emplea un enfoque cuantitativo, orientado a describir, explicar y predecir fenómenos mediante la identificación de relaciones causales entre variables. Para el análisis de datos, se utiliza la metodología KDD (Knowledge Discovery in Databases), la cual permite interpretar grandes volúmenes de datos y descubrir patrones o relaciones significativas. En los resultados se observa un predominio de casos en mujeres, con una incidencia del 79.1 %. La adolescencia emerge como la etapa de mayor vulnerabilidad ante estos eventos. Los algoritmos señalan, como principales variables predictoras, los conflictos de pareja, la edad, el embarazo, antecedentes de intentos previos y la planificación de dichos intentos. La conducta suicida en adolescentes constituye una creciente preocupación en salud pública, dada su frecuencia y sus graves consecuencias. La depresión y los antecedentes psiquiátricos aparecen como factores de riesgo significativos. Asimismo, se encuentra que las ideas suicidas persistentes, junto con el maltrato físico, psicológico o sexual, son condiciones recurrentes en muchos de los casos registrados. Se concluye que entre los factores asociados a los intentos de suicidio se destacan el género femenino, la residencia en áreas urbanas, el pertenecer a estratos socioeconómicos bajos, la asistencia a educación secundaria básica, la presencia de intentos previos y la persistencia de la ideación suicida en la adolescencia. Por otro lado, el modelo de random forest presentó un mejor desempeño en la predicción de hospitalización en estos casos.
Objective: Identification of patterns through machine learning algorithms in cases of suicide attempts in childhood and adolescence reported by the mayor's office of the city of Tunja-Colombia. Methodology: Quantitative approach, which seeks to describe, explain and predict phenomena by identifying causal relationships between variables. The KDD (Knowledge Discovery in Databases) methodology is used for data analysis, which involves the interpretation of large volumes of data in order to discover significant relationships or patterns. Results: The findings reveal a predominance of cases of suicide attempts among females, reaching a percentage of 79.1%. It is important to highlight that adolescence emerges as the developmental phase with the highest incidence of these events. In addition, a significant association was observed between psychiatric antecedents and this type of behavior, with 44.5% of the cases. Discussion: Suicidal behavior in adolescents is a growing public health concern due to its frequency and serious consequences, with depression and psychiatric history as major risk factors. Suicidal attempts are more common among youths aged 14 to 16 years, influenced by family, academic and economic difficulties, as well as maltreatment. Conclusions: Machine learning algorithms identify age, maltreatment, previous attempts, psychiatric history, method of suicide, and high school education as predictors. Thus, the problem of suicide attempts requires a comprehensive intervention that addresses its multiple dimensions.
