Aprendizaje automático en la predicción de autolesiones entre mujeres prisioneras

La autolesión se refiere a acciones donde las personas se hacen daño a propósito. Esto puede ocurrir por varias razones y puede o no involucrar pensamientos suicidas. Las personas que se autolesionan tienen un riesgo más alto de suicidio y otros resultados perjudiciales. Además, la autolesión puede afectar negativamente las relaciones y la calidad de vida en general. Los problemas de Salud Mental están estrechamente ligados a la conducta de Autolesionarse, y ciertos factores en la vida de una persona, como problemas económicos, ser mujer, haber sufrido abuso en la infancia y pasar por momentos difíciles al principio de la vida, pueden aumentar el riesgo.

En Inglaterra, alrededor del 6.4% de la gente dice que se autolesiona. Este número es aún más alto entre mujeres en prisión, donde alrededor del 20% al 24% han reportado estos comportamientos. Predecir cuándo alguien podría autolesionarse es complicado, y muchos métodos actuales no han mostrado resultados significativos. Los problemas con las evaluaciones de salud mental pueden llevar a muchas falsas alarmas, lo que puede desperdiciar recursos y aumentar la preocupación tanto para los pacientes como para los proveedores de salud. Sin embargo, las altas tasas de autolesión entre las prisioneras ofrecen la oportunidad de construir mejores sistemas para evaluar riesgos y encontrar formas efectivas de ayudar.

Las señales más fuertes de que alguien en prisión podría autolesionarse incluyen tener pensamientos suicidas, experiencias previas de autolesión y tener un diagnóstico de salud mental. Otros factores, como estar aislado en confinamiento solitario o experimentar violencia mientras está en prisión, también pueden aumentar la probabilidad de autolesionarse. Sin embargo, solo estar en prisión por un crimen específico no está fuertemente relacionado con la conducta de autolesionarse.

Los esfuerzos por crear herramientas de evaluación para prisioneros de alto riesgo no siempre han reportado los datos de precisión necesarios. Algunos estudios han revisado la efectividad de una herramienta utilizando un método llamado Área Bajo la Curva (AUC). AUC mide la capacidad de la prueba para distinguir entre quienes se autolesionarán y quienes no. Un valor de AUC de 1.00 muestra precisión perfecta, mientras que un puntaje alrededor de 0.5 indica que no es mejor que adivinar al azar.

En estudios más pequeños, se han probado varias herramientas para predecir la autolesión. Algunas de estas herramientas mostraron potencial, pero la mayoría indicó que la predicción de la autolesión sigue siendo un desafío complejo. Un estudio más grande que involucró a prisioneras evaluó algunas escalas diferentes para ver qué tan bien podían predecir la autolesión. Los resultados mostraron datos mezclados sobre la precisión de cada herramienta.

Los esfuerzos más recientes se han centrado en usar aprendizaje automático para mejorar cómo predecimos la autolesión. Esta área de la inteligencia artificial puede manejar relaciones de datos complejas mejor que los métodos estadísticos tradicionales. El aprendizaje automático puede analizar grandes cantidades de información para crear predicciones más precisas. Estudios anteriores que usaron aprendizaje automático han mostrado una precisión moderada en la predicción de conductas de autolesión.

Un estudio empleó técnicas de aprendizaje automático para analizar datos de prisioneros en EE. UU. involucrados en programas de abuso de sustancias. Encontraron un gran poder predictivo al incluir pensamientos de suicidio, pero al eliminar este factor se redujo la precisión. Sin embargo, el diseño de este estudio tuvo limitaciones ya que recopiló datos en un solo momento.

El objetivo del estudio actual era crear un Algoritmo de aprendizaje automático que pudiera predecir con precisión la autolesión en prisioneras a mediano plazo. Otro objetivo era identificar qué factores indicaban más fuertemente un riesgo de autolesión. Los hallazgos ayudarían a dar forma a un enfoque de evaluación de riesgos adecuado para su uso en prisiones de mujeres.

Los datos para este estudio provuvieron de 286 mujeres en una prisión en el norte de Inglaterra, recopilados durante un proyecto de investigación más grande centrado en la autolesión. Las participantes fueron elegidas según su riesgo de autolesionarse, habiendo intentado suicidarse previamente o habiendo participado en conductas de autolesión. La atención de seguimiento para estas mujeres observó incidentes de autolesión reportados durante un año.

El estudio incluyó varios factores para predecir la autolesión, como las edades de las participantes, sus orígenes raciales y sus historias de intentos de autolesión. Los investigadores usaron herramientas de evaluación de salud mental establecidas para recoger más información sobre el estado de salud mental de las mujeres. Los datos faltantes se tomaron en cuenta mediante un método estadístico para asegurar un análisis preciso.

Para los Modelos Predictivos, los investigadores utilizaron un método conocido como árboles de decisión potenciados por gradiente a través de un paquete de software específico. Esta técnica combina múltiples árboles de decisión para mejorar el rendimiento y puede manejar relaciones complejas entre variables. Los investigadores seleccionaron cuidadosamente diferentes configuraciones para el algoritmo para encontrar el mejor modelo para la predicción.

Para evitar que el modelo predijera principalmente el resultado mayoritario, se introdujeron pesos de clase para equilibrar los datos. Los datos se dividieron en dos secciones: un conjunto de entrenamiento para construir el modelo y un conjunto de validación para probar su rendimiento. Todo el proceso se repitió múltiples veces para asegurar la confiabilidad en los resultados.

Muchas de las mujeres fueron observadas en prisión por distintos periodos, algunas por menos de un año. Este periodo de observación podría afectar los resultados, por lo que se realizó un análisis separado que se centró únicamente en las mujeres que cumplían con el criterio de observación de un año. La información demográfica de las participantes ayudó a pintar un panorama más claro de los riesgos involucrados.

El rendimiento del modelo final mostró promesas, prediciendo la autolesión dentro de un año con notable precisión. El valor predictivo promedio indicó que alrededor del 79% de quienes se identificaron como en riesgo realmente participarían en conductas de autolesión. Dada la prevalencia de la autolesión en la población objetivo, se consideró que el algoritmo era efectivo, permitiendo un mínimo de falsos positivos.

Los hallazgos del estudio destacan cómo el aprendizaje automático puede mejorar las predicciones sobre los riesgos de autolesión en prisioneras. La relevancia de incidentes previos de autolesión y pensamientos suicidas surgió como factores clave en la predicción de comportamientos futuros. La investigación también descubrió algunas variables menos esperadas, como la finalización de documentos de evaluación de riesgos en prisión, que indicaron un nivel de preocupación por parte del personal.

A pesar de los resultados prometedores, el estudio enfrentó algunas limitaciones, especialmente en cuanto a qué tan precisamente se registraron los incidentes de autolesión. Solo se incluyeron mujeres que permanecieron en prisión en el seguimiento de un año, lo que podría limitar los hallazgos. Sin embargo, los resultados del análisis de sensibilidad fueron similares y respaldaron los resultados anteriores.

Mientras el modelo produce resultados, su funcionamiento es algo oscuro, lo que hace difícil entender cómo llega a sus predicciones. Al hacer públicas las metodologías y los datos, el estudio apoya una mayor transparencia en las prácticas de investigación. Los investigadores han seguido pautas para proporcionar una imagen más clara de cómo se deben ejecutar los estudios predictivos.

Los datos utilizados para este algoritmo de predicción provienen de diversas fuentes disponibles, incluidos registros de salud y datos demográficos. La mayor precisión del algoritmo lo convierte en una herramienta útil para identificar a mujeres en riesgo de autolesión. Con un alto número de falsos positivos, sugiere que el algoritmo podría ajustarse bien a las necesidades del sistema penitenciario, ayudando a brindar mejor atención a las prisioneras.

Identificar a individuos de alto riesgo abre la puerta a intervenciones más específicas. Esto podría involucrar tratar problemas de salud mental como la depresión o la ansiedad, que a menudo están relacionados con la autolesión. Este estudio destaca el potencial de terapias específicas, como la Terapia Dialéctica Conductual, en el apoyo a quienes están en alto riesgo.

La investigación futura debería validar estos hallazgos en un grupo diferente de prisioneras, considerando metodologías similares para presos hombres. En última instancia, el objetivo es establecer intervenciones que lleven a mejores resultados para los prisioneros, reduciendo los riesgos de autolesión y suicidio.

En resumen, la investigación demuestra que el aprendizaje automático puede mejorar significativamente las predicciones de los riesgos de autolesión en prisioneras. Los esfuerzos continuos deberían centrarse en implementar sistemas de evaluación de riesgos en prisiones y asegurar que estas evaluaciones se traduzcan en intervenciones efectivas para las personas.