ESTADO DEL ARTE

INTRODUCCIÓN
El impacto psicológico durante y post pandemia ha causado efectos
negativos en la población general y personal de salud, aquellos enfermeros que
atienden a los pacientes sospechosos por COVID – 19 en los servicios de
emergencia presentan mayor ansiedad que depresión, el 39.1% de los
enfermeros presentaron algún grado de ansiedad, 24.6% algún grado de
depresión y 8,8% algún grado de estrés (Obando, Arévalo, Aliaga, Obando Z.
2020). Con estas consecuencias, el Ministerio de Salud difundió el uso de la
tecnología como la telesalud, teleconsultas y métodos de pronosticación como
el marching leaning, que en años anteriores de la pandemia ya se usaba para
pronosticar enfermedades como el cáncer, diabetes, enfermedades
cardiovasculares, etc. Por ello, esta investigación tiene como objetivo brindar
su enfoque en el estado de salud mental de los universitarios que tratan su
depresión y ansiedad con el uso de Inteligencia Artificial (IA) a consecuencias
del impacto del COVID – 19. Asimismo, se busca el efecto que ha tenido el uso
de machine learning para pronosticar la ansiedad y depresión en los
estudiantes universitarios.

DESARROLLO

En la actualidad, la tecnología en el rubro de la salud ha hecho avances

muy importantes, especialmente a través de dispositivos móviles que tienen la
capacidad de monitorizar los signos vitales de las personas en forma continua.
En este estudio destacamos los relojes inteligentes (Smartwatch) con
capacidad para realización de electrocardiogramas (ECG) como una alternativa
de prevención temprana, en personas que presenten insuficiencia cardiaca.

Para el desarrollo de nuestra investigación

Asimismo,
 Para poder explicar mejor este tema de investigación, delimitaremos
metodologías utilizaras por otros autores que contribuyen a la problemática. En
primer lugar, la mayoria de los estudios utilizaron la metodología deductiva,
propusieron una plataforma china de una comunidad psicológica (OMHS)
donde se recolecto 20 millones de personas. Esta plataforma consistía en
varias preguntas referentes a la salud mental, también se aplicó algoritmos de
aprendizaje automático para sacar algunas características de los datos a
evaluar (Hui, Lin, Weijun, otros. 2022). Asimismo, pacientes de TOC fueron
evaluados utilizando la Escala Obsesivo-Compulsiva de Yale-Brown (Y-BOCS)
y una entrevista clínica estructurada durante la pandemia de COVID-19. Se
construyeron modelos de aprendizaje automático para clasificación (LDA y
SVM) y regresión (regresión lineal y SVR) para predecir cada síntoma en
función de la información sociodemográfica, clínica y contextual del paciente.
(Tubio, Cernadas, Goncales, otros, 2022). Pudiendo ver la influencia de la
pandemia COVID – 19 en el comportamiento psicológico. Por otro lado, dos
autores se basaron en encuestas, desarrollaron un cuestionario a 1766
estudiantes, donde utilizaron algoritmos y estadísticas descriptivas (Vila
Corcoles, A. Satue Gracia, E. Vila Rovira, C. Forcadell Peris, M. Ochoa
Gondar, O. 2021) con el fin de ver la eficiencia de la predicción del COVID – 19
en sus primeras fases y también una encuesta de 282 adultos menores a 50
años, personas hospitalizadas o ambulatoria ocurrida durante marzo a junio del
2020 (Atlam, E. S., Ewis, A., El-Raouf, M. M. A., Ghoneim, O., & Gad, I. 2022).
Estas encuestas se realizaron con el fin de analizar el modelo de machine
learning para el estudio de la salud psicológica de los estudiantes durante la
pandemia.

En segundo lugar, las aplicaciones basadas en técnicas de aprendizaje

automático tienden a ser una herramienta auxiliar muy eficaz en las
instituciones de la salud, en vista de que nos permite dar una respuesta
inmediata ante una mayor demanda del servicio. Además, estas herramientas
suelen abarcar factores que muchas veces los humanos usamos como
interpretación. La interpretabilidad suele ser un factor clave en los que se
puede utilizar el método de predicción de series temporales para facilitar el
apoyo a la toma de decisiones . (Liu et al., 2022). Debido a que la
interpretabilidad es un factor importante para la realización de sus modelos,
SHAP sería el mejor método que incluya todos estos factores porque tiene
previsibilidad global y muestra cuanto contribuye cada variable, ya sea positiva
o negativamente, al resultado objetivo. (Pieh et al., 2021)

Por otra parte, podemos ver que las consecuencias de la pandemia fueron
físicas, emocionales y económicas, de los 282 casos de COVID – 19 adultos
mayores (65 años) 49,6% son varones, 154 (54.6%) fueron hospitalizados (30
ingresados en UCI) y 45 (16%) fallecieron. (Vila Corcoles, A. Satue Gracia, E.
Vila Rovira, C. Forcadell Peris, M. Ochoa Gondar, O. 2021) estos fueron
motivos para dar un efecto negativo en la población peruana. Entre los
resultados que se detallaron durante y finales de la pandemia (marzo –
diciembre del 2021) en el hospital especializado de la salud mental en el Perú
con 295 atenciones, de las cuales 172 fueron en psiquiatría de adultos, 72 en
psiquiatría de niños y adolescentes, y 51 en psiquiatría de adicciones. Estas
atenciones se realizaron con establecimientos de 12 regiones del Perú, como
San Martín (26,7%), Pasco (17,8%), Apurímac (17,1%), Madre Dios (12,1%),
Ayacucho (8,8%), Huancavelica (7,5%), Cajamarca (3%), Cusco (0,3%), Junín
(0,7%) , Lima (1,1%), Amazonas (1,7%) y Ancash (1%). (Alva-Arroyo LL, Núñez
del Prado J, Ancaya-Matínez MdCE, FlorezIbarra J, 2021). Se puede observar,
la mayoría de las personas tratadas son adultos y adultos jóvenes, siendo esta
la población universitaria. Con el aislamiento gracias a la pandemia, los
hospitales trabajaron en nuevas tecnologías como tele consultas y tele
capacitación, Se realizaron un total 42 actividades de tele capacitación donde
29 fueron ponencias individuales y 15 jornadas académicas. La elaboración de
TeleIEC cuya plataforma permitió educar a la población sobre el cuidado de
salud mental; se realizaron videos y se facilitaron espacios de interacción
virtual en vivo con la población mediante transmisión por Facebook. Se
realizaron más de 30 TeleIEC disponibles a través de las redes sociales del
hospital. (Alva-Arroyo LL, Núñez del Prado J, Ancaya-Matínez MdCE,
FlorezIbarra J, 2021). Sin embargo, también se uso la Inteligencia Artificial (IA)
por ejemplo “Prophet” desarrollado por Facebook, es un método avanzado de
análisis de series de tiempo clásico basado en el modelo aditivo generalizado,
este sirve para poder pronosticar a una calidad razonable. También existe un
modelo predictivo basado en bosque aleatorio (RF) con un conjunto de
características temporales OPHS, para casos de salud mental, LIWC, casos
COVID – 19 cual tuvieron un mejor rendimiento, finalmente “Bazhuayu”, es un
software de web scraping, que rastrea 54797 preguntas de búsqueda de ayuda
psicológica desde el 31 de 2018 hasta el 8 de enero del 2021 (Hui, Lin, Weijun,
otros. 2022). También existe otros modelos de predicción en este caso un de
puntuación Y – BOCS con una fiabilidad del 100% para las obsesiones y/o
compulsiones relacionadas con la COVID – 19. Síntomas de ansiedad y
depresión se predijeron con menos fiabilidad, los pensamientos suicidas se
predijeron con sensibilidad del 79% y una especificidad del 88%. Siendo los
mejores resultados con SVM y SVR (Tubio, Cernadas, Goncales, otros, 2022) .

CIERRE
Finalmente, el hecho histórico de la pandemia es evidente que causo
efectos negativos en varios sectores, el impacto que tuvo en los pacientes con
enfermedades mentales fue un incremento a causa del asilamiento y falta de
concesión con sus terapeutas, se intentó realizar páginas webs, clínicas
digitales, tele consultas, tele capacitación, defunción del cuidado mental a
través de las redes sociales. Estas herramientas han actuado de forma
positivas, aun por la distancia, para los psiquiatras y psicólogos sigue siendo
difícil diagnosticar, obtuvieron ayuda de la Inteligencia artificial, el machine
learning para pronosticar enfermedades, entre ellas Trastorno obsesión
compulsiva (TOC), ansiedad, depresión y estrés. Estas tuvieron mucha más
efectividad en sus resultados. Sin embargo, falta perfeccionar la pronosticación
en enfermedades como depresión y ansiedad.
Referencias bibliográficas

Liu, H., Zhang, L., Wang, W., Huang, Y., Li, S., Ren, Z., & Zhou, Z. (2022).
Prediction of Online Psychological Help-Seeking Behavior During the
COVID-19 Pandemic: An Interpretable Machine Learning Method.
Frontiers in Public Health, 10(March), 1–14.
https://doi.org/10.3389/fpubh.2022.814366

Pieh, C., Budimir, S., Delgadillo, J., Barkham, M., Fontaine, J. R. J., & Probst,
T. (2021). Mental Health during COVID-19 Lockdown in the United
Kingdom. Psychosomatic Medicine, 83(4), 328–337.
https://doi.org/10.1097/PSY.0000000000000871