Documentos de Académico
Documentos de Profesional
Documentos de Cultura
2.5. Caso de Aplicación de Ciencia de Datos.
2.5. Caso de Aplicación de Ciencia de Datos.
Caso de aplicación
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.
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
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.
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
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
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.