(Catal√†) Inscriu-te a ¬ęLa Salut Mental i les s√®ries de TV: tractament i estigma¬Ľ

Disculpa, pero esta entrada está disponible sólo en Catalán.

Publicado en Antiestigma, Formació | Etiquetado , | Deja un comentario

(Català) Dia Mundial de la Salut Mental Materna

Disculpa, pero esta entrada está disponible sólo en Catalán.

Publicado en Activitats de divulgació, General | Etiquetado , , , | Deja un comentario

(Catal√†) Recull d’imatges dels tallers durant la Setmana Saludable i Sostenible

Disculpa, pero esta entrada está disponible sólo en Catalán.

Publicado en Activitats de divulgació, Formació, General | Etiquetado , , , | Deja un comentario

(Catal√†) VIII JORNADA DE SALUD MENTAL PERINATAL. Sociedad Marc√© Espa√Īola de Salud Mental Perinatal (MARES)

Disculpa, pero esta entrada está disponible sólo en Catalán.

Publicado en Formació, Recerca | Deja un comentario

(Català) Poder controlar l’estrès redueix el seu impacte negatiu

Disculpa, pero esta entrada está disponible sólo en Catalán.

Publicado en Recerca | Etiquetado , , | Deja un comentario

(Català) La salut mental dels i les estudiants universitaris: una prioritat actual que marcarà el seu futur

Disculpa, pero esta entrada está disponible sólo en Catalán.

Publicado en Recerca | Etiquetado , , , , , , , , , , , , , | 5 comentarios

(Català) Programa Generació Idees en Salut Mental: Concurs Final

Disculpa, pero esta entrada está disponible sólo en Catalán.

Publicado en General | Etiquetado , , , | Deja un comentario

(Català) Setmanes 4 i 5 Programa de Generació d’Idees en Salut Mental i Benestar Emocional

Disculpa, pero esta entrada está disponible sólo en Catalán.

Publicado en Formació | Etiquetado , , , , , , , , | Deja un comentario

(Català) Salut Mental i sèries de TV: Trastorns Obsessiu Compulsiu (TOC)

Disculpa, pero esta entrada está disponible sólo en Catalán.

Publicado en Antiestigma, Formació | Etiquetado , , , , , , , , , , , | Deja un comentario

Suicidio 2.0

Por Ana Freire, investigadora postdoctoral en el Web Science and Social Computing Research Group de la Universitat Pompeu Fabra, Barcelona (@ana__freire)


40 segundos. Es el espacio de tiempo que transcurre entre dos suicidios consecutivos en el mundo. Esto suma alrededor de 800 mil personas muertas al a√Īo por suicidio. Son cifras escalofriantes anunciadas por la Organizaci√≥n Mundial de la Salud, pero no entendemos la magnitud del problema hasta que comparamos esas cifras con otras a las que estamos m√°s acostumbrados. En 2014, en Espa√Īa, hubo 1873 v√≠ctimas de accidentes de tr√°fico, duplicadas por las 3910 muertes por suicidio. Asimismo, los suicidios en Espa√Īa son 13 veces m√°s frecuentes que los homicidios y 67 veces m√°s que las muertes por violencia de g√©nero.

Desde una perspectiva más fría, algunos estudios estimaron el coste que el suicidio implicaba para un país. Así, en 2014, el suicidio en jóvenes australianos supuso un coste total de 17 billones de dólares americanos. Desde una perspectiva más amplia, otro estudio situó en más de 58 billones de dólares americanos el coste del suicidio e intentos de suicidio en Estados Unidos.

Viviendo en pleno siglo XXI, nos planteamos la siguiente pregunta: ¬Ņhay algo que la tecnolog√≠a pueda hacer para reducir las cifras anteriores? Se ha estimado que detr√°s del 90% de estos actos se oculta una enfermedad mental, siendo depresi√≥n la m√°s habitual. En esta l√≠nea, algunos trabajos han confirmado la correlaci√≥n entre un usuario depresivo y el texto que escribe en sus tweets. De hecho, si dedicamos unos minutos a realizar algunas b√ļsquedas en las redes sociales m√°s populares (Facebook, Twitter, Instagram, Reddit‚Ķ), encontraremos multitud de contenidos que denotan un comportamiento depresivo e incluso suicida. Han sido numerosas las personas que han escrito sus √ļltimas palabras en las redes para hacer p√ļblica su decisi√≥n letal, que comparten im√°genes de autolesiones o que simplemente, y de modo no intencionado, expresan una clara situaci√≥n de desasosiego que puede interpretarse tanto por el texto como por el contenido multimedia que utilizan (fotos, v√≠deos, m√ļsica…).

La inspección manual de este contenido es inviable, pues estamos hablando claramente de big data (Twitter, con más de 300 millones de usuarios activos al mes, genera una ratio de publicación de 7000 tweets por segundo). Por ello, nace la necesidad de explotar la tecnología existente para intentar detectar comportamiento suicida de modo automático, y tener la posibilidad de intervenir a tiempo.

Un primer paso puede ser identificar las zonas geogr√°ficas con mayor inter√©s online en suicidio y Google ofrece algunas herramientas para ello. Por ejemplo, Google Trends permite conocer el inter√©s suscitado a lo largo del tiempo de algunos t√©rminos introducidos como consultas en el motor de b√ļsqueda. La propia herramienta nos permite seleccionar el per√≠odo de tiempo deseado e incluso comparar varios t√©rminos de b√ļsqueda. La Figura 1 muestra un ejemplo, en el que vemos las comunidades aut√≥nomas donde se han realizado m√°s b√ļsquedas sobre el t√©rmino ‚Äúsuicidarme‚ÄĚ. Podemos ver como Google Trends nos indica, adem√°s, consultas relacionadas con la introducida, y temas similares, que nos pueden dar una idea de otros t√©rminos que la gente busca dentro del mismo contexto. Para el caso de la Figura 1, vemos el inter√©s por medicamentos con los que quiz√° se pueda cometer suicidio.

Figura 1: Ejemplo de uso de Google Trends

Un ejemplo de uso de Google Trends para este prop√≥sito, es un estudio reciente que revel√≥ el inter√©s que hab√≠a despertado el suicidio tras el estreno de la famosa serie de adolescentes 13 Reasons Why. El n√ļmero de consultas relacionadas con suicidio e introducidas en el buscador de Google, sufri√≥ un pico tras el primer episodio de esta serie que gira entorno al suicidio de una adolescente.

Gran parte de las investigaciones relacionadas con la prevención del suicidio online se dedican a analizar las publicaciones de usuarios en redes sociales. Plataformas como Twitter o Facebook ofrecen herramientas que facilitan el acceso a sus contenidos, aunque hay que tener especial cuidado y respetar los términos de privacidad de datos. Son las llamadas APIs (Application Programming Interface), de fácil uso para usuarios con conocimientos de programación. La API de Twitter, permite descargar tweets en tiempo real, estableciendo un filtrado por determinadas palabras clave, geolocalización, idioma y otros aspectos que permiten la recolección de publicaciones que puedan ser de interés para un estudio particular.

Una vez se hayan recopilado los datos que se consideren necesarios, se procederá a su análisis para, por ejemplo, intentar predecir tendencias suicidas en usuarios de Twitter con publicaciones en el área metropolitana de Barcelona durante un mes. En todo este proceso entran en juego tanto el conocimiento experto de psicólogos como tecnologías avanzadas de computación.

Hacer que una m√°quina entienda el lenguaje natural (el que hablamos y escribimos los humanos) es una tarea compleja. Para un humano puede resultar trivial reconocer el sentimiento negativo o positivo de un tweet (aunque no siempre es as√≠, especialmente si consideramos el l√≠mite de 280 caracteres en Twitter). A una m√°quina le cuesta incluso m√°s, debido a la ambig√ľedad que puede presentar el texto, especialmente si contiene iron√≠a. Para ello, se utilizan t√©cnicas avanzadas de an√°lisis de sentimiento, detecci√≥n de iron√≠a, estudio de emoticonos, etc. Al mismo tiempo, estas t√©cnicas se pueden combinar con an√°lisis de imagen, pues en redes sociales como Instagram, las im√°genes son las que contienen la mayor parte de la informaci√≥n.

Bien sea del texto, de la imagen o de cualquier otro contenido de la publicaci√≥n que queramos considerar, se extraer√° un conjunto de caracter√≠sticas posiblemente representativas para detectar comportamiento suicida, como pueden ser el sentimiento del tweet, la frecuencia de uso de ciertas palabras que se asocian a estos perfiles psicol√≥gicos, la hora de publicaci√≥n o el uso de emoticonos. Este conjunto, que puede contener incluso miles de caracter√≠sticas, ser√° la entrada a un algoritmo de clasificaci√≥n autom√°tica (machine learning), que permitir√° asignar a los usuarios un determinado nivel de riesgo de suicidio, con un determinado margen de error. La elecci√≥n de este algoritmo tampoco es trivial, pues depende de las caracter√≠sticas anteriormente extra√≠das y de la correlaci√≥n que tienen con la variable de riesgo que se quiere estimar. Posteriormente se pueden seleccionar algoritmos que identifican relaciones m√°s sencillas, ‚Äúlineales‚ÄĚ (ej.: Logistic Regression, Naive Bayes) u otros que identifican relaciones m√°s complejas, no lineales, como Support Vector Machine, Decision Trees o Neural Networks. Como introducci√≥n a estas t√©cnicas y para ver algunos casos de uso b√°sicos, recomiendo el curso de la Universidad de Stanford, impartido por Andrew Ng, a trav√©s de la plataforma online Coursera.

Estamos hablando de inteligencia artificial utilizada para predecir comportamientos que incluso a veces pueden resultar dif√≠ciles de detectar por personal especializado en salud mental. De ah√≠ que la precisi√≥n de estos algoritmos probablemente se sit√ļe en valores inferiores al 90%. Sin embargo, estas investigaciones pueden dar lugar al desarrollo de sistemas de gran utilidad para ayudar a identificar posibles sujetos en riesgo y planificar alg√ļn tipo de intervenci√≥n no intrusiva.

Publicado en General | Etiquetado , , , , , , , , , | Deja un comentario