Detección de estrés por medio de redes neuronales artificiales en personal sanitario

Autores/as

DOI:

https://doi.org/10.54167/tch.v18i3.1641

Palabras clave:

estrés psicológico, aprendizaje supervisado de máquinas, detección

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.

DOI: https://doi.org/10.54167/tch.v18i3.1641

Descargas

Los datos de descargas todavía no están disponibles.

Citas

Gamero M. SALUD MENTAL Y BIENESTAR PSICOLÓGICO EN TRABAJADORES MINEROS. UNA REVISIÓN SISTEMÁTICA. Psicol UNEMI [Internet]. 2022; Available from: https://api.semanticscholar.org/CorpusID:259408520

Barral-Coral S, Albán-Pérez G. 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 Akad [Internet]. 2021; Available from: https://api.semanticscholar.org/CorpusID:241917123

Magaña-Salazar MY, de Robles SJM, Díaz SM. Estrés laboral y salud mental del personal de primera línea en la atención de la COVID-19. Alerta, Rev científica del Inst Nac Salud [Internet]. 2023; Available from: https://api.semanticscholar.org/CorpusID:256490428

Moreira MA, Fernández TP, Parra IPT. Principales patologías psíquicas que generó el estrés laboral durante la pandemia de COVID -19, en el personal de salud. Rev Medica Sinerg [Internet]. 2022; Available from: https://api.semanticscholar.org/CorpusID:247916144

Chicaiza KMC, Guaita LVA, Ocaña MES, Yansapanta EAA, Gaibor JLL. Estrés y manifestaciones psicosomáticas en el personal de salud. LATAM Rev Latinoam Ciencias Soc y Humanidades [Internet]. 2023; Available from: https://api.semanticscholar.org/CorpusID:257346255

Hinderer KA, VonRueden KT, Friedmann E, McQuillan KA, Gilmore R, Kramer B, et al. Burnout, compassion fatigue, compassion satisfaction, and secondary traumatic stress in trauma nurses. J Trauma Nurs. 2014;21(4):160–9.

Barone L, Zakrivzevska-Belogrudova M. PROFESSIONAL QULAITY OF LIFE AND BURN OUT AMONG PSYSIOTHERAPISTS IN LATAVIA. Proc CBU Soc Sci [Internet]. 2022; Available from: https://api.semanticscholar.org/CorpusID:254212249

Meadors P, Lamson A, Swanson M, White M, Sira N. Secondary traumatization in pediatric healthcare providers: compassion fatigue, burnout, and secondary traumatic stress. Omega. 60(2):103–28.

Carreño FMS, Rosales LD. Algoritmo para la evaluación del modelo dinámico del estrés. Espirales Rev Multidiscip Investig [Internet]. 2019; Available from: https://api.semanticscholar.org/CorpusID:203444945

Stamm BH. The concise ProQOL manual. Pocatello, ID ProQOL org [Internet]. 2010;78. Available from: http://proqol.org/uploads/ProQOL_Concise_2ndEd_12-2010.pdf%0Ahttp://proqol.org/uploads/ProQOL_Concise_2ndEd_12-2010.pdf%0Ahttps://proqol.org/uploads/ProQOLManual.pdf

García Chávez H, Cañedo Figueroa C. Diseño de algoritmo compuesto por Machine Learning y un modelo probabilístico para la detección de diabetes. Memorias del 44 Congr Nac Ing biomédica. 2021;

Valdez Hernández K, Cano Villalobos J, Castro Reyes A, Gutiérrez Jurado A, Moreno Terrones S, Cañedo Figueroa CE, et al. Design and Comparison of Artificial Intelligent Algorithms for Breast Cancer Classification. In: XLV Mexican Conference on Biomedical Engineering: Proceedings of CNIB 2022, 6–8 October, Puerto Vallarta, México. Springer; 2022. p. 46–54.

Sarwar MA, Saadeh W. Monitoring Blood Volume Decomposition State for Traumatic Stress-Induced Hemorrhage via Wearable Sensing and Ensemble Learning. In: 2023 IEEE International Symposium on Circuits and Systems (ISCAS). 2023. p. 1–5.

Nath Mohalder R, Alam Hossain M, Hossain N. Classifying the Supervised Machine Learning and Comparing the Performances of the Algorithms. Int J Adv Res. 2024;12(01):422–38.

Hamil H, Zidelmal Z, Azzaz MS, Sakhi S, Kaibou R, Djilali S, et al. Design of a secured telehealth system based on multiple biosignals diagnosis and classification for IoT application. Expert Syst [Internet]. 2022;39(4):e12765. Available from: https://onlinelibrary.wiley.com/doi/abs/10.1111/exsy.12765

Deng Y, Li Z, Song Z. Attention Scheme Inspired Softmax Regression. 2023; Available from: http://arxiv.org/abs/2304.10411

Li R, Liu Z. Stress detection using deep neural networks. BMC Med Inform Decis Mak [Internet]. 2020;20(11):1–11. Available from: https://doi.org/10.1186/s12911-020-01299-4

Nijhawan T, Attigeri G, Ananthakrishna T. Stress detection using natural language processing and machine learning over social interactions. J Big Data [Internet]. 2022;9(1). Available from: https://doi.org/10.1186/s40537-022-00575-6

Kumari K, Das S. Stress Detection System using Natural Language Processing and Machine Learning Techniques. CEUR Workshop Proc. 2023;3416:45–55.

Sandoval Rodríguez-Bermejo D. Diseño E Implementación De Un Sistema Para La Detección Del Estrés Mediante Redes Neuronales Convolucionales a Partir De Imágenes Térmicas. 2019;1–132. Available from: https://oa.upm.es/57804/

Carlos Navarro Cantos. Detección de los niveles de estrés yansiedad en pilotos aplicando técnicas deMachine Learning. 2018;1–94. Available from: https://idus.us.es/handle/11441/84880

Descargas

Publicado

2024-12-09

Cómo citar

Cañedo Figueroa, C. E., Duque Alarcón, X., & Tinoco Zamudio, M. T. S. (2024). Detección de estrés por medio de redes neuronales artificiales en personal sanitario. TECNOCIENCIA Chihuahua, 18(3), e1641. https://doi.org/10.54167/tch.v18i3.1641
Metrics
Vistas/Descargas
  • Resumen
    27
  • PDF
    19
  • HTML
    1

Número

Vol. 18 Núm. 3 (2024): Tecnociencia Chihuahua Vol. 18 Núm. 3 (2024)

Sección

Salud

Licencia

Derechos de autor 2024 TECNOCIENCIA Chihuahua

Creative Commons License

Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial 4.0.

Métrica

Artículos más leídos del mismo autor/a