1
1
TECNOCIENCIA CHIHUAHUA, Vol. XVIII (3): e1641 (septiembre-diciembre. 2024)
https://vocero.uach.mx/index.php/tecnociencia
ISSN-e: 2683-3360
Artículo Científico
Detección de estrés por medio de redes neuronales
artificiales en personal sanitario
Stress Diagnosis by Means of Artificial Neural Networks in
Healthcare Personnel
*Correspondencia: ccanedo@uach.mx (Carlos Eduardo Cañedo Figueroa)
DOI: https://doi.org/10.54167/tch.v18i3.1641
Recibido: 05 de septiembre de 2024; Aceptado: 29 de noviembre de 2024
Publicado por la Universidad Autónoma de Chihuahua, a través de la Dirección de Investigación y Posgrado.
Resumen
En el presente documento se describe un estudio sobre la detección de estrés en profesionales
sanitarios mediante el uso de redes neuronales artificiales. Se generó un modelo de red neuronal
para clasificar datos relacionados con la detección oportuna de problemas de estrés en personal
sanitario. Para ello, se obtuvieron datos clasificados utilizando la referencia del instrumento
ProQOL, seguido de la aplicación de un modelo matemático para incremento de datos de forma
artificial. Posteriormente, se aplicó el entrenamiento de redes neuronales artificiales modificando
hiperparámetros y funciones de activación de forma experimental mediante el lenguaje de
programación de Python. Los resultados obtenidos muestran una estimación de la capacidad de
clasificación (F1-score) del 85.3, 67.5 y 89.3 % para la detección de Burnout, fatiga por compasión y
estrés traumático secundarios, respectivamente. Se advierte la posibilidad de mejorar el desempeño
de estos resultados incrementando los datos de entrenamiento. Debe resaltarse que esta es una
investigación que involucra datos únicamente del contexto del hospital del ISSSTE de la ciudad de
Chihuahua.
Palabras clave: estrés psicológico, aprendizaje supervisado de máquinas, detección.
Carlos Eduardo Cañedo Figueroa1*, Xóchitl Duque Alarcón2, María Teresa Silvia Tinoco
Zamudio3
1,2 Universidad Autónoma de Chihuahua, Facultad de Medicina y Ciencias Biomédicas. Circuito
Universitario 31109, Campus II C.P. 31125, Chihuahua, Chihuahua, México.
2 Instituto de Seguridad y Servicios Sociales de los Trabajadores del Estado (ISSSTE), Ahuehuete 505,
Ángel Trías, C.P. 31203, Chihuahua, Chihuahua, México,
1,3 Universidad Contemporánea de las Américas, Paseo de la República 3143, Las Américas, C.P. 58270,
Morelia, Michoacán, México
2
Cañedo-Figueroa et.al
TECNOCIENCIA CHIHUAHUA, Vol. XVIII (3): e1641 (septiembre-diciembre. 2024)
Abstract
This paper presents the findings of a study investigating the potential of artificial neural networks
in detecting stress in healthcare professionals. A neural network model was constructed for the
purpose of classifying data pertaining to the timely detection of stress issues among healthcare
personnel. The classification of data was conducted with reference to the ProQOL document.
Subsequently, a mathematical model was employed to artificially increase the data set.
Subsequently, the training of artificial neural networks was conducted through the experimental
modification of hyperparameters and activation functions using the Python programming language.
The results demonstrate an estimated classification ability (F1-score) of 85.3, 67.5, and 89.3 % for the
detection of Burnout, compassion fatigue, and secondary traumatic stress, respectively. These results
indicate potential for improvement in performance, with the option to expand the training data
available. It should be noted that this investigation is limited to data from the ISSSTE hospital in
Chihuahua City.
Keywords: psychological stress, supervised machine learning, detection.
1. Introducción
El estrés laboral ha tenido un impacto significativo en la salud mental de los trabajadores
(Gamero, 2022). El sector salud ejemplifica este fenómeno, ya que la constante exposición de
emergencias sanitarias, la alta demanda de servicios, escasez de insumos, ambientes laborales
comprometidos y la combinación con situaciones personales elevan la presencia de estrés en los
trabajadores del sector sanitario (Barral-Coral y Albán-Pérez, 2021).
Aunque cada trabajador puede experimentar diferentes afecciones a causa del estrés, en general, se
manifiestan reacciones psicológicas y conductuales como ansiedad, depresión, agotamiento
emocional, irritabilidad y mal humor, así como dificultad para concentrarse, aumento en el consumo
de sustancias nocivas como el alcohol u otras sustancias, lo cual puede llegar a tener consecuencias
graves como el suicidio (Agüero-Moreira et al., 2022; Magaña-Salazar et al., 2023).
El estrés puede provocar reacciones físicas como dolor de cabeza, desde un nivel leve a uno intenso,
dolor de espalda, extremidades y zona estomacal, mareos, estreñimiento o diarrea, cansancio
excesivo y trastornos del sueño. Estas afectaciones disminuyen la capacidad de atención al paciente,
la sensibilidad y el rendimiento durante el horario laboral, lo que puede resultar en diagnósticos y
tratamientos erróneos, afectando negativamente la calidad de la asistencia médica (Cajamarca-
Chicaiza et al., 2023; Magaña-Salazar et al., 2023).
Los problemas de estrés en el personal de salud se pueden agrupar en: Burnout, fatiga por compasión
(CF) y estrés traumático secundarios (STS). Un trabajador puede presentar uno o más de estas
condiciones, de acuerdo con su personalidad y rasgos psicológicos (Hinderer et al., 2014).
El Burnout afecta entre el 35 y 50 % del personal de salud, manifestándose en agotamiento emocional,
despersonalización y baja realización personal. Los factores de riesgo incluyen largas jornadas
laborales, falta de apoyo en insumos, así como relaciones laborales negativas. La CF impacta al 25-30
%, esta se relaciona con el estrés por brindar ayuda a los pacientes y, finalmente, el STS, que presenta
síntomas similares al trastorno de estrés postraumático, el cual afecta al 7-10 % del personal sanitario,
3
Cañedo-Figueroa et.al
TECNOCIENCIA CHIHUAHUA, Vol. XVIII (3): e1641 (septiembre-diciembre. 2024)
debido a la exposición indirecta al trauma de los pacientes. Si bien, la incidencia del STS es mucho
menor al BO y CF, esta condición puede incapacitar laboralmente de forma temporal o permanente
a quien lo presente ( Meadors et al., 2010; Hinderer et al., 2014; Barone y Zakriževska-Belogrudova,
2022; Cajamarca-Chicaiza et al., 2023).
Existen diversos métodos para la detección de problemas de estrés, tal como el análisis de
variabilidad de la frecuencia cardiaca, medición de cortisol en saliva, termografía infrarroja, modelos
de encuestas, inventario de síntomas y la intervención psicológica. Sin embargo, se vuelve
complicado realizar un diagnóstico eficiente para todo el personal de una determinada zona laboral
(Súarez-Carreño y Rosales, 2019). Con la llegada y uso cotidiano de algunos sistemas inteligentes
como los dispositivos portátiles (relojes y pulseras de monitoreo fisiológico), en conjunto con los
modelos de inteligencia artificial (IA) como las redes neuronales artificiales (ANN), algoritmos de
regresión lineal (RL), algoritmos de agrupamiento de datos con el algoritmo KNN, entre otros, se han
desarrollado modelos y dispositivos eficientes para la detección del estrés de forma genérica (Carreño
y Rosales, 2019).
Se han desarrollado algunos dispositivos específicos para la detección de estrés basados en el estado
mental. Campanella et al. (2023) describen el desarrollo de una banda a modo brazalete que tiene una
eficiencia del 71 % de F1 score en la detección de estrés, lo cual se obtuvo mediante la implementación
de algoritmos random forest, svm y regresión. Así como este caso, también se puede mencionar la
detección de estrés mediante el análisis de señales EEG (Zhu et al., 2023) y de visión (Siam et al., 2023),
en donde se muestra que se podría tener un rendimiento superior al 80 % en la detección de estrés,
sin embargo, la implementación de estos sistemas involucra realizar la toma de muestras con
dispositivos que puedan estar en contacto con la piel, o bien sistemas de cómputo con alto
procesamiento de datos, como es el caso de algoritmos que trabajan con la toma de imágenes.
La necesidad de realizar clasificaciones dentro del espectro del estrés surge debido a que las
afecciones pueden involucrar acciones contraproducentes si no se abordan de manera específica.
En el presente trabajo se describe un modelo de tres redes neuronales que clasifica datos obtenidos
de una encuesta de 30 preguntas para determinar la presencia o ausencia de estrés a partir de la
detección de Burnout, fatiga por compasión y/o estrés traumático secundario.
2. Materiales y métodos
Se generó una base de datos utilizando el instrumento “The Concise Manual for the
Professional Quality of Life Scale” (Stamm, 2010), el cual consta de 30 preguntas (ver Tabla 1). El
cuestionario se aplicó a 215 profesionales sanitarios del Instituto de Seguridad y Servicios Sociales de
los Trabajadores del Estado (ISSSTE) Chihuahua, bajo consentimiento informado, cumpliendo con
las normas de ética establecidas por la institución. Cada una de las preguntas se respondieron en
escala de 1 a 5 según la percepción del participante, siendo 1 = nunca, 2 = en ocasiones, 3 = algunas
veces, 4 = casi siempre y 5 = siempre. Se le pidió a cada participante que contestara las preguntas
según las experiencias vividas en los últimos 30 días.
4
Cañedo-Figueroa et.al
TECNOCIENCIA CHIHUAHUA, Vol. XVIII (3): e1641 (septiembre-diciembre. 2024)
De los 215 participantes, 62 fueron de sexo masculino y 153 de sexo femenino, comprendiendo un
rango de edades de los 18 a los 68 años. Los datos obtenidos de la encuesta se clasificaron mediante
el instrumento de evaluación que se señala en Stamm (2010) (Ver Tabla 2).
Tabla 1. Preguntas de test obtenidas del documento ProQOL
Table 1. Test questions obtained from the ProQOL document.
#
Pregunta
1
¿Soy feliz?
2
¿Estoy preocupado por una o más personas a las que he ayudado o ayudo?
3
¿Estoy satisfecho de poder ayudar a la gente?
4
¿Me siento vinculado a otras personas, con ocasión de mi trabajo?
5
¿Me sobresaltan los sonidos inesperados?
6
¿Me siento fortalecido después de trabajar con las personas a las que he ayudado?
7
¿Encuentro difícil separar mi vida personal de mi vida profesional?
8
¿Pierdo el sueño por las experiencias traumáticas de las personas a las que he ayudado?
9
¿Creo que he sido afectado negativamente por las experiencias traumáticas de aquellos a
quienes he ayudado?
10
¿Me siento 'atrapado' por mi trabajo?
11
¿Debido a mi profesión tengo la sensación de estar al límite en varias cosas?
12
¿Me gusta trabajar ayudando a la gente?
13
¿Me siento deprimido como resultado de mi trabajo?
14
¿Me siento como si fuera yo el que experimenta el trauma de alguien al que he ayudado?
15
¿Tengo creencias (religiosas, espirituales u otras) que me apoyan en mi trabajo profesional?
16
¿Estoy satisfecho por cómo soy capaz de mantenerme al día en las técnicas y procedimientos
de asistencia médica?
17
¿Soy la persona que siempre he querido ser?
18
¿Mi trabajo me hace sentirme satisfecho?
19
¿Por causa de mi trabajo me siento agotado?
20
¿Tengo pensamientos de satisfacción acerca de las personas a las que he ayudado y sobre
cómo he podido ayudarles?
21
¿Me siento abrumado por la cantidad y tipo de trabajo que tengo que afrontar?
22
¿Creo que puedo hacer cambiar las cosas a través de mi trabajo?
23
¿Evito ciertas actividades o situaciones porque me recuerdan a las experiencias espantosas
de la gente a la que he ayudado?
24
¿Planeo continuar con mi trabajo por muchos años?
25
¿Como resultado de mi trabajo profesional, tengo pensamientos molestos, repentinos,
indeseados?
26
¿Me siento 'estancado' (sin saber qué hacer) por cómo funciona el sistema sanitario?
27
¿Considero que soy un buen profesional?
28
¿No puedo recordar determinados acontecimientos relacionados con víctimas muy
traumáticas?
29
¿Soy una persona demasiado sensible?
30
¿Estoy feliz por haber elegido hacer este trabajo?
5
Cañedo-Figueroa et.al
TECNOCIENCIA CHIHUAHUA, Vol. XVIII (3): e1641 (septiembre-diciembre. 2024)
Tabla 2. Escala de valoración según las respuestas del cuestionario de la tabla 1
Table 2. Rating scale is based on the responses provided in Table 1.
La suma de las preguntas relacionadas con la
satisfacción por compasión
Nivel de satisfacción por compasión
22 o menos
Bajo
Entre 23 y 41
Moderado
42 o superior
Alto
Las preguntas relacionadas a la satisfacción por compasión son 3, 6, 12, 16, 18, 20, 22, 24, 27 y 30.
La suma de las preguntas relacionadas con el
Burnout
Nivel de Burnout
22 o menos
Bajo
Entre 23 y 41
Moderado
42 o superior
Alto
Las preguntas relacionadas el Burnout son 1*, 4*, 8, 10 15*, 17*, 19, 21, 26, 29*.
Las preguntas indicadas con asterisco (*) deben contemplar la puntuación a la inversa.
En donde 0=0, 1=5, 2=4, 3=3, 4=2 y 5=1 (Lado izquierdo de la igualdad, respuesta del paciente,
lado derecho, puntuación que le corresponde)
La suma de las preguntas relacionadas con el
estrés traumático secundario
Nivel de estrés traumático secundario
22 o menos
Bajo
Entre 23 y 41
Moderado
42 o superior
Alto
Las preguntas relacionadas con el estrés traumático secundario son 2, 5, 7, 9, 11, 13, 14, 23, 25 y
28.
Por cada una de las clases (satisfacción por compasión, Burnout y estrés traumático secundario) se
obtuvieron los datos que se indican en la Tabla 3.
Tabla 3. Niveles obtenidos pertenecientes a cada categoría.
Table 3. Levels obtained for each category.
2.1 Aumento de datos y conjuntos de entrenamiento
Se aplicó la segmentación de los datos tomando 30 vectores característicos de forma aleatoria,
los cuales se utilizaron para el entrenamiento de las redes neuronales. Se generaron dos conjuntos de
Clase
Alto
Moderado
Bajo
Burnout
0
110
105
STS
1
84
130
CS
119
93
3
6
Cañedo-Figueroa et.al
TECNOCIENCIA CHIHUAHUA, Vol. XVIII (3): e1641 (septiembre-diciembre. 2024)
datos, 30 para entrenamiento (Ε) y 185 que se utilizarán para validar los algoritmos (Ṿ). Si bien es
posible entrenar algoritmos de machine learning con estos datos, se optó por incrementar los datos
aplicando de forma aleatoria y experimental valores de 0.0015 hasta 0.999 a cada una de las
características para el conjunto de entrenamiento, esto con la finalidad de incrementar la variabilidad
que se tienen en los datos y no generar sobre ajuste por los vectores que se recabaron. Esto es
necesario implementar debido a que la base de datos corresponde únicamente a la zona del ISSSTE
Chihuahua, por lo que se busca implementar ruido en la señal para generalizar el procesamiento de
datos en la red. Al seleccionar una cantidad pequeña de información, se planteó el tener solo dos
clases, presencia o no presencia de cada uno de los tipos de estrés. Se obtuvo la cantidad de 234 datos
para cada una de las clases, 117 con presencia del tipo de estrés y 117 sin presencia del mismo. A este
conjunto de datos se le puede referenciar como (ΑΕ).
2.2 Diseño y desarrollo de redes neuronales
Las redes neuronales son modelos matemáticos que intentan simular el funcionamiento de
la mente humana para la toma de decisiones. Pueden llegar a tener cierto criterio de razonamiento
con base en diversos datos obtenidos del entorno. Estos modelos se basan en la teoría de la
computación neuronal, que postula que la información se procesa en el cerebro a través de un sistema
de neuronas interconectadas que pueden definir una o múltiples respuestas según los datos que se
tengan como entradas al sistema algorítmico (García-Chávez y Cañedo-Figueroa, 2021; Valdez-
Hernández et al., 2022; Sarwar y Saadeh, 2023).
Para el desarrollo de este trabajo, se realizó una codificación binaria del estilo “One hot” para cada
una de las salidas de los elementos del conjunto
, tal como se muestra en la Tabla 4, esto debido
a que se generó una red neuronal de tipo “totalmente conectada hacia adelante” (feedforward, por su
terminología en inglés) para cada una de las clases definidas.
Tabla 4. Codificación modo “One hot” para la detección de problemas.
Table 4. “One hot” coding mode for problem detection.
Clase
Predicción
Codificación
Burnout (burnout)
Sin presencia de Burnout
[1, 0]
Con presencia de Burnout
[0, 1]
Estrés traumático secundario
(STS)
Sin presencia de STS
[1, 0]
Con presencia de STS
[0, 1]
Estrés por satisfacción de la
compasión (CS)
Sin presencia de CS
[1, 0]
Con presencia de CS
[0, 1]
7
Cañedo-Figueroa et.al
TECNOCIENCIA CHIHUAHUA, Vol. XVIII (3): e1641 (septiembre-diciembre. 2024)
La codificación “One hot” generó la formación de un conjunto de vectores con la forma que se
muestra en la Ecuación 1. En donde C corresponde a la clase a la que el vector pertenece, teniendo
valores C = {Burnout, STS, CS}, i es la posición del ID según corresponda a la clase, teniendo valores
de i = {1,2,3... I}, siendo I el número máximo de elemento por cada clase (117), α representa a la
respuesta obtenida en el cuestionario aplicado, por lo que α = {1,2,3,4,5} en la respuesta según
corresponda el subíndice y R = {respuesta según la codificación de la Tabla 7}.
, 1 2 3 30
[ , , ,... ,( )]
Ci
VR
(Ec. 1)
Una vez teniendo cada uno de los datos de las encuestas con sus respectivas salidas (VC,i) se
desarrolló un conjunto de 3 redes neuronales mediante el lenguaje de programación de Python 3.9.
Para ello, se utilizaron las librerías de TensorFlow y Keras (Hamil et al., 2022; Nath Mohalder et al.,
2024). Las estructuras de las redes constaron de 30 neuronas de entrada según la cantidad de
entradas, 5 neuronas en la capa intermedia con la función de activación sigmoidal y 2 neuronas de
salida. Todas fueron configuradas en su entrenamiento mediante la función de activación softmax
(Deng et al., 2023).
Esta estructura se constituyó para las tres redes neuronales (Fig. 9), en donde la capa de entrada
corresponde a los datos obtenidos y ordenados de la encuesta de 30 preguntas, las capas ocultas
siguen la estructura de la sumatoria de los pesos de cada neurona por la entrada. Posteriormente,
pasa por la función sigmoidal, para después pasar por la función softmax y obtener los resultados
mediante la codificación One hot (Ver Tabla 4).
Para el entrenamiento de las redes neuronales se utilizó el optimizador Adam, un factor de
aprendizaje de 0.001, una función de pérdida crossentropy, 900 épocas y bloques de 130 para
garantizar la toma de valores aleatorios en su entrenamiento mediante la técnica de retropropagación
(backpropagation, por su traducción del inglés). Estos hiperparámetros se seleccionaron debido a que
se iteraron las neuronas de la capa intermedia, incrementando y decrementado de 3 a 10 neuronas,
realizando entrenamientos por 900 épocas en cada incremento o decremento, con manejo de pesos
iniciales aleatorios en escala de 0 a 1. De igual manera, se realizaron pruebas con los factores de
aprendizaje, variando ese valor de 0.0001 a 0.01. Se generó un ciclo de entrenamiento actualizando
estos hiperparámetros de forma experimental en incrementos según los rangos experimentales
establecidos. La estructura descrita fue la que mejores resultados mostró durante el entrenamiento.
La estructura general del entrenamiento utilizado se puede observar en la Fig. 2. En donde se indica
que todas las entradas del conjunto entrenamiento de cada clase (CS, STS y Burnout) son
multiplicadas por pesos aleatorios iniciales, los cuales originarían una respuesta obtenida del sistema
neuronal. Posteriormente, estas respuestas se comparan con la respuesta que realmente se desea
obtener por cada uno de los vectores característicos.
En caso de tener un error diferente de cero, se aplican las ecuaciones (2) y (3). En donde se describe
que, para obtener los pesos nuevos de cada peso sináptico, se debe considerar el valor anterior y
restar el resultado de la multiplicación del factor de aprendizaje ƞ por el incremento dado por el error
de cada una de las salidas de las neuronas, denotado por T y oculta o salida, siendo cada uno de los
términos referenciales a las neuronas específicas de la capa oculta o capa de salida visto en la Fig. 1.
8
Cañedo-Figueroa et.al
TECNOCIENCIA CHIHUAHUA, Vol. XVIII (3): e1641 (septiembre-diciembre. 2024)
Figura 1. Estructura general de las redes neuronales generadas. Fuente: Esquema elaborado por el autor.
Figure 1. General structure of the generated neural networks. Source: Scheme drawn by the author.
_ _ _oculta salida ocutla salida oculta salida
nuevoW anteriorW W
(Ec. 2)
(Ec. 3)
9
Cañedo-Figueroa et.al
TECNOCIENCIA CHIHUAHUA, Vol. XVIII (3): e1641 (septiembre-diciembre. 2024)
Figura 2. Estructura de entrenamiento de las redes neuronales. Fuente: Esquema elaborado por el autor
Figure 2. Training structure of a neural network. Source: Scheme developed by the author
2.3 Evaluación de algoritmos
Se examinó el desempeño de las tres redes neuronales diseñadas para clasificar datos en las
tres categorías: síndrome de trauma secundario (STS), Burnout y satisfacción por compasión (CS).
Para llevar a cabo esta evaluación, se recurrió a la implementación de métricas estándares como el F1
score, la precisión y la exhaustividad (recall), para lo cual se utilizaron los datos que se muestran en la
Fig. 3.
Clase Burnout
Clase CS
Clase STS
Predicción
90
1
Predicción
51
28
Predicción
100
12
30
63
21
84
12
60
Real
Real
Real
Figura 3. Matrices de confusión obtenidas por los tres algoritmos generados. Fuente: Esquema elaborado por el
autor.
Figure 3. Confusion matrices obtained by the three generated algorithms. Source: Scheme developed by the
autor.
10
Cañedo-Figueroa et.al
TECNOCIENCIA CHIHUAHUA, Vol. XVIII (3): e1641 (septiembre-diciembre. 2024)
Las métricas derivadas de las matrices de confusión proporcionan una evaluación cuantitativa del
desempeño del modelo, por lo tanto, para esta investigación se utilizaron:
Precisión: Esta métrica (Ecuación 4) se calcula como la proporción de verdaderos positivos (VP)
respecto al total de elementos clasificados como positivos (la suma de verdaderos positivos y falsos
positivos (FP)). Proporciona una medida de la exactitud con la que el modelo realiza predicciones
positivas.
ó
(Ec. 4)
Exhaustividad (recall): También conocida como sensibilidad (Ecuación 5), mide la capacidad del
modelo para identificar correctamente todas las instancias reales de la clase positiva. En donde FN
se refiere a los falsos negativos obtenidos.
(Ec. 5)
F1 Score: Esta métrica combina la precisión y el recall en un solo indicador que mide la precisión y la
robustez del modelo (Ecuación 6). El F1 score es especialmente útil cuando las distribuciones de las
clases son desiguales.
ó
ó (Ec. 6)
En el desarrollo de este proyecto de investigación se logró generar un conjunto de tres redes
neuronales artificiales para la detección de tres problemas de estrés predominantes en la población
de trabajadores de la salud (Burnout, estrés traumático secundario y estrés de satisfacción por
compasión). Sin embargo, los resultados obtenidos fueron evaluados tomando como referencia a 215
trabajadores sanitarios, por lo que es necesario realizar la intervención en un centro médico para
corroborar lo planteado en este estudio.
Es importante resaltar que los datos obtenidos y utilizados para el entrenamiento y validación de los
algoritmos generados fueron adquiridos en la unidad del ISSSTE de la ciudad de Chihuahua, México,
por medio de consentimiento informado de los participantes, bajo el protocolo del comité de ética
aprobado por la dirección de la Secretaría de Salud del Estado de Chihuahua. Por lo tanto, es posible
que existan sesgos si se llegasen a comparar con algunas otras regiones del país o de instancias
internacionales.
La aplicación generada se puede ejecutar en cualquier entorno de Windows que tenga instalado el
software Python 3.9 y las librearías de tkinter y TensorFlow. Lamentablemente, el recurso generado no
se ha logrado convertir en un programa ejecutable para usuario; sin embargo, en el siguiente enlace
se puede descargar la aplicación, la base de datos utilizada y los modelos de redes neuronales pre
entrenadas: https://github.com/eduarcan/Medical_estres.
11
Cañedo-Figueroa et.al
TECNOCIENCIA CHIHUAHUA, Vol. XVIII (3): e1641 (septiembre-diciembre. 2024)
3. Resultados y discusión
Utilizando las Ecuaciones 4, 5 y 6, se calcularon las métricas para cada una de las clases
evaluadas, obteniendo los resultados que se muestran en la Tabla 5, en donde se muestran variaciones
significativas en el rendimiento entre las clases. La clase Burnout presenta una precisión de 0.989, lo
que sugiere que la mayoría de las predicciones de Burnout son acertadas. Sin embargo, un menor
nivel de recall (0.750) revela que el modelo falló en identificar un número significativo de casos reales
de Burnout, impactando negativamente en su puntuación F1, dejando una métrica de 0.853.
En la categoría de CS se registran niveles moderados de precisión y recuperación, resultando con la
métrica F1 Score de menor densidad de los algoritmos generados, quedando con 0.675. Este resultado
refleja una eficiencia menor en el balance entre la exactitud de las predicciones y la habilidad del
modelo para identificar todos los casos auténticos.
Finalmente, para la categoría de STS se demostró el rendimiento más equilibrado, alcanzando el valor
de 0.893 en F1 Score. Esto demuestra la capacidad notable del modelo para predecir y reconocer
condiciones STS de manera eficiente, manteniendo un equilibrio óptimo entre minimizar falsos
positivos y detectar la mayoría de los casos verdaderos.
Tabla 5. Representación de los resultados obtenidos por las tres redes neuronales.
Table 5. Representation of the results obtained by the three neural networks.
Clase
VP
FP
FN
VN
Precisión
Recall
F1 Score
Burnout
90
1
30
63
0.989
0.750
0.853
CS
51
28
21
84
0.646
0.708
0.675
STS
100
12
12
60
0.893
0.893
0.893
En comparación, los estudios de otros autores (ver Tabla 6) han logrado métricas de rendimiento en
aplicaciones especializadas utilizando técnicas como Redes Neuronales Artificiales, Redes
Neuronales Convolucionales, y combinaciones de lenguaje natural con Machine Learning.
Es preciso destacar que, en la revisión de literatura, los autores investigados realizan la detección de
estrés de forma general o únicamente de un tipo en específico; además, los datos utilizados
involucran repositorios de Internet, incluyendo datos de sensores de contacto o imágenes.
12
Cañedo-Figueroa et.al
TECNOCIENCIA CHIHUAHUA, Vol. XVIII (3): e1641 (septiembre-diciembre. 2024)
Tabla 6. Resultados de otros investigadores con diversas bases de datos y métodos.
Table 6. Results from other researchers with different databases and methods.
Autor
Clases
Modelos
Precisión
Recall
F1 Score
Datos
(Sarwar y
Saadeh, 2023)
STS
Red neuronal
artificial (ANN)
0.932
0.97
Fotopletismografía
(Li y Liu, 2020)
Estrés
crónico
Red neuronal
convolucional
(CNN)
0.995
0.9766
Repositorio de
machine learning
utilizando rostros en
video
(Nijhawan et al.,
2022)
Estrés
social
Árboles de
decisión (decision
trees)
0.94
Evaluación de
emociones y
sentimientos
expresadas mediante
sitios web
(Kumari y Das,
2023)
Detección
de estrés
Modelo de
lenguaje natural
y técnicas de
machine learning
0.90
0.94
0.92
Análisis de datos de
plataformas sociales
(Sandoval
Rodríguez-
Bermejo, 2019)
Detección
de estrés
Redes
neuronales
convolucionales
0.96
Imágenes térmicas
(Navarro
Cantos, 2018)
Ansiedad
Máquina de
soporte vectorial
K.
Vecinos más
cercanos.
Árboles de
decisión
0.80
0.80
0.75
Resistencia cutánea
mediante sensor GSR
4. Conclusiones
En este artículo se presenta el desarrollo de un conjunto de tres redes neuronales mediante
el lenguaje de programación Python para la detección de estrés en personal sanitario mediante una
encuesta, tomando todos los factores del manual ProQOL. De acuerdo con los resultados obtenidos,
se puede observar que el hecho de tener límites rígidos en la detección de los tres tipos de estrés
analizados (estrés traumático secundarios, Burnout y satisfacción por la compasión) involucra que
pueda existir una detección ambigua, ya que al identificar cualquier tipo de estrés con una
puntuación pequeña en la escala mostrada en la Tabla 2, puede desembocar en el avance del estrés.
Por lo que el presente trabajo utiliza todos los elementos relacionados con los tres tipos de estrés.
Cabe resaltar la necesidad de adquirir una mayor cantidad de datos y contemplar diferentes regiones
para mejorar las métricas obtenidas.
13
Cañedo-Figueroa et.al
TECNOCIENCIA CHIHUAHUA, Vol. XVIII (3): e1641 (septiembre-diciembre. 2024)
Agradecimientos
Agradecemos a la Universidad Autónoma de Chihuahua, a la Universidad Contemporánea
de Las Américas y a los creadores del repositorio de la base de datos del ISSSTE Chihuahua.
Conflicto de interés
Los autores de este artículo declaran no tener ningún conflicto de interés.
5. Referencias
Agüero-Moreira, M., Pérez-Fernández, T., & Troz-Parra, I.P. (2022). Principales patologías psíquicas
que generó el estrés laboral durante la pandemia de COVID -19, en el personal de salud. Revista
Médica Sinergia, 7(4): e793. https://doi.org/10.31434/rms.v7i4.793
Barone, L., & Zakriževska-Belogrudova, M. (2022). PROFESSIONAL QULAITY OF LIFE AND
BURN OUT AMONG PSYSIOTHERAPISTS IN LATAVIA. Proceedings of CBU in Social Sciences,
3: 7-12. https://doi.org/10.12955/pss.v3.298
Barral-Coral, S., & Albán-Pérez, G. (2021). Impacto de los factores de riesgo psicosociales, estrés y
síndrome de burnout sobre la satisfacción laboral en personal administrativo de nivel técnico-
gerencial en salud. UDA AKADEM, 8: 268–293. https://doi.org/10.33324/udaakadem.vi8.444
Cajamarca-Chicaiza, K. M., Aimara Guaita, L. V., Sánchez Ocaña, M. E., Acosta Yansapanta, E. A., &
Llanos Gaibor, J. L. (2023). Estrés y manifestaciones psicosomáticas en el personal de salud: Stress
and psychosomatic manifestations in health care personnel. LATAM Revista Latinoamericana De
Ciencias Sociales Y Humanidades, 4(1), 2569–2582. https://doi.org/10.56712/latam.v4i1.438
Campanella, S., Altaleb, A., Belli, A., Pierleoni, P., & Palma, L. (2023). A Method for Stress Detection
Using Empatica E4 Bracelet and Machine-Learning Techniques. Sensors, 23(7): 3565.
https://doi.org/10.3390/s23073565
Deng, Y., Li, Z., & Song, Z. (2023). Attention Scheme Inspired Softmax Regression. Cornell University
http://arxiv.org/abs/2304.10411
Gamero, M. (2022). SALUD MENTAL Y BIENESTAR PSICOLÓGICO EN TRABAJADORES
MINEROS. UNA REVISIÓN SISTEMÁTICA. PSICOLOGÍA UNEMI, 6(11): 192-207.
https://doi.org/10.29076/issn.2602-8379vol6iss11.2022pp192-207p
García Chávez, H., & Cañedo Figueroa, C. (2021). Diseño de algoritmo compuesto por Machine
Learning y un modelo probabilístico para la detección de diabetes. Vol. 8 Núm. 1: Memorias del
XLIV Congreso Nacional de Ingeniería Biomédica.
https://memoriascnib.mx/index.php/memorias/article/view/828
Hamil, H., Zidelmal, Z., Azzaz, M. S., Sakhi, S., Kaibou, R., Djilali, S., & Ould Abdeslam, D. (2022).
Design of a secured telehealth system based on multiple biosignals diagnosis and classification
for IoT application. Expert Systems (Special Issue), 39(4): e12765.
https://doi.org/https://doi.org/10.1111/exsy.12765
14
Cañedo-Figueroa et.al
TECNOCIENCIA CHIHUAHUA, Vol. XVIII (3): e1641 (septiembre-diciembre. 2024)
Hinderer, K. A., VonRueden, K. T., Friedmann, E., McQuillan, K. A., Gilmore, R., Kramer, B., &
Murray, M. (2014). Burnout, compassion fatigue, compassion satisfaction, and secondary
traumatic stress in trauma nurses. Journal of Trauma Nursing, 21(4): 160–169.
https://doi.org/10.1097/JTN.0000000000000055
Kumari, K., & Das, S. (2023). Stress Detection System using Natural Language Processing and
Machine Learning Techniques. CEUR Workshop Proceedings, 3416, 45–55. https://ceur-
ws.org/Vol-3416/paper_6.pdf
Li, R., & Liu, Z. (2020). Stress detection using deep neural networks. BMC Medical Informatics and
Decision Making, 20(11): 285. https://doi.org/10.1186/s12911-020-01299-4
Magaña-Salazar, M. Y., Méndez de Robles, S. J., & Martínez-Díaz, S. (2023). Estrés laboral y salud
mental del personal de primera línea en la atención de la COVID-19. Alerta, Revista Científica Del
Instituto Nacional de Salud. https://api.semanticscholar.org/CorpusID:256490428
Meadors, P., Lamson, A., Swanson, M., White, M., & Sira, N. (2010). Secondary traumatization in
pediatric healthcare providers: compassion fatigue, burnout, and secondary traumatic stress.
OMEGA - Journal of Death and Dying, 60(2): 103–128. https://doi.org/10.2190/om.60.2.a
Nath Mohalder, R., Alam Hossain, M., & Hossain, N. (2024). Classifying the Supervised Machine
Learning and Comparing the Performances of the Algorithms. International Journal of Advanced
Research, 12(01), 422–438. https://doi.org/10.21474/ijar01/18138
Navarro Cantos, C. (2018). Detección de los niveles de estrés yansiedad en pilotos aplicando técnicas
de Machine Learning. (Trabajo Fin de Grado Inédito). Universidad de Sevilla, Sevilla.
https://idus.us.es/handle/11441/84880
Nijhawan, T., Attigeri, G., & Ananthakrishna, T. (2022). Stress detection using natural language
processing and machine learning over social interactions. Journal of Big Data, 9: 33.
https://doi.org/10.1186/s40537-022-00575-6
Sandoval Rodríguez-Bermejo, D. (2019). Diseño E Implementación De Un Sistema Para La Detección
Del Estrés Mediante Redes Neuronales Convolucionales a Partir De Imágenes Térmicas. Tesis de
maestría Ingeniería de Telecomunicación. UPM. https://oa.upm.es/57804/
Sarwar, M. A., & Saadeh, W. (2023). Monitoring Blood Volume Decomposition State for Traumatic
Stress-Induced Hemorrhage via Wearable Sensing and Ensemble Learning. 2023 IEEE
International Symposium on Circuits and Systems (ISCAS), 1–5.
https://doi.org/10.1109/ISCAS46773.2023.10181387
Siam, A. I., Gamel, S. A., & Talaat, F. M. (2023). Automatic stress detection in car drivers based on
non-invasive physiological signals using machine learning techniques. Neural Computing and
Applications, 35(17): 12891–12904. https://doi.org/10.1007/s00521-023-08428-w
Stamm, B. H. (2010). The concise ProQOL manual. Pocatello, ID: ProQOL. Org, 78.
https://www.illinoisworknet.com/WIOA/Resources/Documents/The-Concise-ProQOL-
Manual.pdf
Suárez-Carreño, F. M., & Dionisio-Rosales, L. (2019). Algoritmo para la evaluación del modelo
dinámico del estrés. Espirales Revista Multidisciplinaria De investigación, 3(31), 37–49.
https://doi.org/10.31876/er.v3i31.691
15
Cañedo-Figueroa et.al
TECNOCIENCIA CHIHUAHUA, Vol. XVIII (3): e1641 (septiembre-diciembre. 2024)
Valdez Hernández, K., Cano Villalobos, J., Castro Reyes, A., Gutiérrez Jurado, A., Moreno Terrones,
S., Cañedo Figueroa, C. E., Guzmán Pando, A., & Sámano Lira, G. (2022). Design and Comparison
of Artificial Intelligent Algorithms for Breast Cancer Classification. In: Trujillo-Romero, C.J., et al.
XLV Mexican Conference on Biomedical Engineering. CNIB 2022. IFMBE Proceedings, vol 86: 46-
54. Springer, Cham. https://doi.org/10.1007/978-3-031-18256-3_5
Zhu, L., Spachos, P., Ng, P. C., Yu, Y., Wang, Y., Plataniotis, K., & Hatzinakos, D. (2023). Stress
Detection Through Wrist-Based Electrodermal Activity Monitoring and Machine Learning. IEEE
Journal of Biomedical and Health Informatics, 27(5), 2155–2165.
https://doi.org/10.1109/JBHI.2023.3239305
2024 TECNOCIENCIA CHIHUAHUA.
Esta obra está bajo la Licencia Creative Commons Atribución No Comercial 4.0 Internacional.
https://creativecommons.org/licenses/by-nc/4.0/
