Acceso usuarios
Alejandro Zamudio Sosa, Samuel Rojo López, Fernando Fuentes Gallegos, Jorge Iván Fletes Gutiérrez
Aunque las tasas de desgaste profesional o burnout pueden variar en función de contextos organizacionales y diversos tipos de trabajadores, varias investigaciones reportan tasas de prevalencia superiores en la población médica y profesionales de la salud en comparación con otras poblaciones (Adán, Jiménez y Herrra, 2004; Hernández, 2003; Toral-Villanueva, Aguilar-Madrid y Juárez-Pérez, 2009; Breilh, 1993). Por esta razón, se implementó una propuesta, basada en inteligencia artificial, para identificar patrones en variables de tipo sociodemográficas, de carga laboral y de nivel de burnout con el objetivo de ofrecer intervenciones o recomendaciones personalizadas. Para ello, se aplicaron un total de 724 formularios en línea a profesionales de la salud de México, los cuales contenían el inventario de Maslach adaptado a población mexicana (Aranda, Pando y Salazar, 2016) así como preguntas adicionales relacionadas a variables sociodemográficas y carga laboral. Posteriormente se implementó el algoritmo de clusterización Kamila para formar grupos de profesionales con el mayor parecido entre ellos (tomando en cuenta los resultados del inventario de Maslach y el resto de variables) finalmente se entrenó un modelo de clasificación utilizando un algoritmo de SVM (Support Vector Machine) con kernel gaussiano para clasificar nuevas observaciones en algún grupo resultado de la etapa clusterización, el cual tuvo una precisión de .92. La aplicación de algoritmos basados en inteligencia artificial puede servir para realizar intervenciones grupales lo más especializadas posibles o crear plataformas que puedan arrojar recomendaciones psicológicas personalizadas.
Although the rates of professional attrition or burnout may vary depending on organizational contexts and different types of workers, several investigations report higher prevalence rates in the medical and health professional population compared to other populations (Hernández, 2003; Adán, Jiménez and Herrra, 2004; Toral-Villanueva, Aguilar-Madrid and Juárez-Pérez, 2009; Breilh, 1993). For this reason, a proposal was implemented, based on artificial intelligence, to identify patterns in variables of sociodemographic type, workload and burnout level with the aim of offering personalized interventions or recommendations. For this, a total of 724 online forms were applied to health professionals in Mexico, which contained the Maslach inventory adapted to the Mexican population (Aranda, Pando and Salazar, 2016) as well as additional questions related to sociodemographic variables and burden labor. Subsequently, the Kamila clustering algorithm was implemented to form groups of professionals with the greatest similarity between them (taking into account the results of the Maslach inventory and the rest of the variables). Finally, a classification model was trained using an SVM algorithm (Support Vector Machine) with Gaussian kernel to classify new observations in some group resulting from the clustering stage, which had a precision of .92. The application of algorithms based on artificial intelligence can be used to carry out group interventions as specialized as possible or to create platforms that can provide personalized psychological recommendations.
