| dc.contributor.advisor | Montoya-Escobar, Diana P. | |
| dc.contributor.author | Galindo-Hernández, Alejandra P. | |
| dc.date.accessioned | 2023-01-10T17:20:22Z | |
| dc.date.accessioned | 2023-03-21T15:11:31Z | |
| dc.date.available | 2023-01-10T17:20:22Z | |
| dc.date.available | 2023-03-21T15:11:31Z | |
| dc.date.issued | 2022-12 | |
| dc.identifier.citation | Galindo-Hernández, A. P. (2022). Detección temprana de necesidad de tratamiento de salud mental con el aprendizaje automático para trabajadores del sector de tecnologías de información. Trabajo de obtención de grado, Maestría en Ciencia de Datos. Tlaquepaque, Jalisco: ITESO. | es_MX |
| dc.identifier.uri | https://hdl.handle.net/20.500.12032/73118 | |
| dc.description | El problema de salud mental ha existido desde que existe el ser humano, pero con el paso del tiempo y con el avance de la tecnología se han identificado ciertos patrones que tienen las personas más propensas a sufrir de este padecimiento. Actualmente, debido a las presiones que se tienen en el lugar de trabajo, este ha sido un factor que ha incrementado este problema y ha tomado interés para los profesionales de salud mental y las personas de recursos humanos de las empresas en su detección temprana.
Dado toda la problemática del COVID-19, las recientes crisis económicas y problemas a nivel mundial, como la guerra de Ucrania, las personas han tendido a ser más propensas a tener problemas de salud mental por temas relacionados en su lugar de trabajo. En los años recientes, se han llevado a cabo diferentes investigaciones en el tema, buscando predecir a tiempo las personas que pudieran llegar a requerir un tratamiento de salud mental. Este trabajo, se ha enfocado realizar un modelo de clasificación con modelos de aprendizaje automático (machine learning), para predecir la probabilidad de que una persona de la industria de
tecnologías de la información requiera un tratamiento de salud mental. Este se resuelve con características de las personas tomadas por medio de una encuesta laboral, con preguntas sobre el lugar de trabajo o en su vida diaria. Otros autores han realizado investigaciones con este mismo conjunto de datos, buscando el mismo objetivo. En trabajos previos sólo se determinó si la persona necesitó o no un tratamiento por medio de modelos de clasificación con machine learning, mientras, en este trabajo de tesis, adicionalmente se da a conocer las características más relevantes por percentiles de probabilidad para dar mayor idea al personal de salud de cuando pueda requerir una persona tratamiento sin necesidad de la utilización del modelo. En este trabajo, se utilizaron cinco diferentes modelos de clasificación de Machine Learning: Random Forest, Gradient Boosting Machine, Generalized Linear Model, Support Vector Classifier y Naïve Bayes para predecir la probabilidad de que un trabajador del área de tecnologías de la información requiera un tratamiento de salud mental. Además, obtener las principales características por score de probabilidad de las personas más propensas a recibir un tratamiento. Para cada uno de los modelos, se realizó optimización de hiperparámetros para encontrar la mejor solución de cada modelo. Finalmente, se realizó una comparación entre los modelos evaluados y se encontró el mejor modelo dio resultados con ROC AUC de 73.9% y se compararon con los resultados de trabajos previos realizados por otros investigadores; adicionalmente, se evaluó en texto cómo estaba ordenando los percentiles de probabilidad para determinar si el modelo podría dar buenos resultados en producción. | es_MX |
| dc.language.iso | spa | es_MX |
| dc.publisher | ITESO | es_MX |
| dc.rights.uri | http://quijote.biblio.iteso.mx/licencias/CC-BY-NC-2.5-MX.pdf | es_MX |
| dc.subject | Necesidad de un tratamiento de salud mental | es_MX |
| dc.subject | Tratamiento de salud mental | es_MX |
| dc.subject | Salud Mental | es_MX |
| dc.subject | Ciencia de Datos | es_MX |
| dc.title | Detección temprana de necesidad de tratamiento de salud mental con el aprendizaje automático para trabajadores del sector de tecnologías de información | es_MX |
| dc.type | info:eu-repo/semantics/masterThesis | es_MX |
