Implementación de técnicas de Machine learning para el diagnóstico automático de trastornos mentales

Generar un diagnóstico clínico de un trastorno mental es un proceso complejo debido a la variedad de factores biológicos que inciden en este tipo de afección, por lo que es necesario que un experto realice una evaluación exhaustiva a fin de identificar y determinar el tipo del trastorno que afecta al paciente. Este trabajo propone la implementación y comparación de cinco algoritmos de Machine Learning (ML) para generar diagnósticos automáticos de trastornos mentales, a través del conjunto de síntomas presentes en un paciente. Los algoritmos seleccionados para la comparación son: Máquina de Soporte Vectorial (SVM), Regresión Logística, Random Forest, Redes Bayesianas, K-vecinos más cercanos (k-NN). Además, se desarrolló un portal web, que permitió la adquisición de datos indispensables para el entrenamiento de los modelos. La evaluación se ejecutó a través de las métricas de rendimiento, precisión, recall, score y accuracy. Los resultados generales muestran que el algoritmo de Regresión Logística obtuvo un mejor desempeño mostrando un 55% y 71% de precisión. El modelo SVM por el contrario mostró un bajo desempeño alcanzando apenas el 25% de precisión.Generating a clinical diagnosis of a mental disorder is a complex process due to the variety of biological factors that affect this type of condition, so it is necessary that a professional performs a deep evaluation in order to identify and determine the type of disorder that affects the patient. This paper proposes the implementation and comparison of five machine learning algorithms (ML) to generate automatic diagnoses of mental disorders, through the set of symptoms present in a patient. The algorithms selected for comparison are: Vector Support Machine (SVM), Logistic Regression, Random Forest, Bayesian Networks, Nearest K-neighbors (k-NN). Also, a web portal was developed, which allowed the acquisition of essential data for the training of the models. The evaluation was executed through performance, accuracy, recall, score and accuracy metrics. The general results show that the Logistic Regression algorithm obtained a better performance showing 55% and 71% accuracy. The SVM model on the other hand showed a low performance reaching only 25% accuracy