Título: Caso de aplicación de ciencia de datos.

Estudiante: Katherine Arapa Apaza

Actividad:

Plantear un caso de aplicación de ciencia de datos, definiendo:

1. Redactar el objetivo de negocio: ¿Cuál es la decisión que se desea mejorar?

Caso de aplicación

Análisis de los datos obtenidos de aplicaciones móviles de seguimiento de la salud mental en el

ámbito laboral. Estas aplicaciones se utilizan para recopilar información sobre el estado de
ánimo, el sueño, la actividad física, así como solucionan problemas en la vida diaria.

Los datos recopilados pueden ser analizados con técnicas de ciencia de datos para identificar
patrones y correlaciones entre diferentes variables. Por ejemplo, podría usarse un análisis de
correlación para valorar la relación entre la capacidad de resolución de problemas y el estado
de ánimo.

Además, esos datos podrían ser usados para desarrollar modelos predictivos que ayuden a
identificar tempranamente situaciones de riesgo para la salud mental. Por ejemplo si un usuario
muestra una disminución de actividad física y una disminución de sueño , esto podría ser un
indicador de que está experimentando síntomas de depresión.

El objetivo del negocio es mejorar la detección temprana de trastornos de salud mental como la
depresión en el ámbito laboral y reducir el tiempo entre el diagnóstico y el inicio del
tratamiento para reducir el ausentismo y aumentar la productividad de los trabajadores.

Así mismo existen objetivos secundarios como reducir los costos de atención medica, aumentar
la eficiencia de los programas de salud mental, mejorar la satisfacción del trabajador y
aumentar la tasa de recuperación y remisión de los trastornos de salud mental.

La decisión que se desea mejorar es la de identificar con mayor precisión y rapidez a las
personas con trastornos de salud mental para poder proporcionar un tratamiento mas
temprano y efectivo.

En muchos casos los trastornos de salud mental pueden ser difíciles de identificar, ya que los
síntomas pueden ser inespecíficos, además del estigma que experimenta el trabajador, además
de la falta de recursos. Al mejorar la capacidad de identificar a las personas con trastornos de
salud mental, se puede mejorar la eficiencia de la atención especializada y ayudar a las
personas a recibir el tratamiento más temprano. Esto a su vez puede llevar a reducir así el
ausentismo y aumentar la productividad.

2. KPI del negocio que se desea impactar

Se desearía impactar en:

Porcentaje de usuarios que buscan ayuda: Un porcentaje alto podría indicar que la aplicación
esta cumpliendo esta cumpliendo con su objetivo de mejorar la salud mental de los usuarios

Reducción del porcentaje de ausentismo relacionado a trastornos de salud mental: Si la

aplicación ayuda a los usuarios a prevenir o tratar trastornos de salud mental , se podría reducir
considerablemente porcentaje de ausentismo relacionado a trastornos de salud mental

La tasa de retención de usuarios: medir la efectividad de la aplicación en mantener a los

usuarios comprometidos. Una tasa alta de retención indicaría que los usuarios están
encontrando valor en la aplicación

Tiempo de uso: Un tiempo de uso alto podría indicar que la aplicación es efectiva en la entrega
de valor y en el compromiso de los usuarios.

3. Tipo de modelo a construir

Los modelos a construir serian:

Modelos de regresión : estos modelos pueden ser usados para predecir la probabilidad de que
un usuario experimente ciertos síntomas de salud mental en función de diferentes variables,
como la cantidad de sueño , el nivel de actividad física, la capacidad de resolución de
problemas y el tiempo que pasan en redes sociales. Por ejemplo, un modelo de regresión
podría predecir la probabilidad de que un usuario experimente síntomas de ansiedad en
función de su actividad física y su capacidad para resolución de problemas.

Modelos de clasificación: estos modelos pueden ser usados para clasificar a los usuarios de la
aplicación en diferentes grupos según su riesgo de desarrollar problemas de salud mental. Por
ejemplo, se podría usar el modelo de clasificación para identificar a los trabajadores que tienen
un alto riesgo de desarrollar depresión y proporcionarles recursos específico para prevenir el
desarrollo de la enfermedad.

Modelos de series de tiempo: estos modelos pueden ser usados para analizar los patrones de
comportamiento y las tendencias a lo largo del tiempo de los usuarios de la aplicación en
relación con su salud mental. Por ejemplo, un modelo de series de tiempo podría identificar
tendencias en el ausentismo de los trabajadores y relacionarlos con sus niveles de ansiedad o
depresión.
 4. Variable de respuesta

Las variables respuesta serian:

1. Presencia o ausencia de trastornos de salud mental: Se puede usar un modelo de

clasificación para predecir si un usuario esta en riesgo de desarrollar ansiedad.
2. Severidad de los síntomas de salud mental: Se puede usar un modelo de regresión para
predecir la severidad de los síntomas de ansiedad en función de su capacidad de
resolución de problemas y actividad física.
3. Reducción del ausentismo: se podría usar un modelo de regresión para predecir la
puntuación en una escala de ausentismo relacionada con la salud mental en función de
capacidad de solución de problemas, cantidad de sueño y actividad física.

5. Variables predictivas candidatas

Las variables candidatas podrían ser:

1. Datos de estilo de vida: dieta, actividad física, hábitos de sueño, consumo de alcohol y
drogas .
2. Datos de salud física: enfermedades osteomusculares, enfermedades endocrinológicas,
medicamentos.
3. Datos demográficos: edad, genero, nivel de educación , estado civil, ingreso.
4. Datos sociolaborales: Ingreso económico, rubro de trabajo, tiempo laborando en la
empresa, peligros laborales
5. Datos de comportamiento: patrones de uso de tecnología, redes sociales.
6. Datos de psicología: historial de traumas, personalidad, autoestima, creencias
irracionales.
6. Criterio de aceptación y métrica de desempeño del modelo

El criterio de aceptación y métrica de desempeño del modelo serian:

a. Sensibilidad y especificidad: El criterio de aceptación será un valor de

sensibilidad y especificidad >60%
b. Error cuadrático medio (MSE): Mide la diferencia entre los valores predichos y
los valores reales al cuadrado, por lo que cuanto mas bajo sea el valor del MSE,
mejor será el desempeño del modelo, para este caso de aplicación será de 0,6.
c. Área bajo la curva (AUC): Al momento de clasificar a los trabajadores en función
de riesgo de tener un trastorno de salud mental, podríamos usar el AUC para
discriminar entre personas que tienen un trastorno de salud mental y las que no
lo tienen. El criterio de aceptación será de un AUC >0,8
d. R2 (R- squared) si el objetivo de la aplicación es predecir el ausentismo
relacionado con la salud mental puede usar R2 que mide la proporción de la
 varianza en la variable respuesta que se explica por las variables predictoras. El
criterio de aceptación para este caso de aplicación será >0,7

Ampliar la lectura de las métricas de evaluación para decidir la más aplicable.

Dentro de lo encontrado sobre otras métricas de evaluación que se pueden usar para este caso
de aplicación se encuentran :
e. Precisión y recall; Se usan comúnmente en la evaluación de modelos de
clasificación binarios. La precisión mide la proporción de casos positivos que son
verdaderamente positivos. Por otro lado el recall mide la proporción de casos
verdaderamente positivos que se identifican correctamente como positivos ,
ósea la fracción de instancias positivas en los datos que son correctamente
identificados por el modelo. Son importantes para este caso de aplicación ya que
es esencial que el modelo tenga una alta precisión y un alto real para identificar
a las personas que necesitan atención en salud mental.
f. F1-score: el F1-score es una métrica que combina la precisión y el recall en una
sola medida. El F1-score es útil cuando se desea encontrar un equilibrio entre la
precisión y el recall. El F1-score se calcula como la media armónica de la
precisión y el recall, lo que significa que tiene en cuenta tanto la precisión como
el recall y puede ser una buena opción si se desea una métrica que tenga en
cuenta ambos valores de manera equilibrada.

Dentro de las expuestas las más aplicables serían el recall para la identificación de los
trabajadores con un trastorno de salud mental, y el AUC (anteriormente expuesta) para poder
evaluar la capacidad de discriminación del modelo.