Tres mil quinientas. Cinco mil novecientos nueve. Mil ochocientas treinta y tres. Esas son las cifras de suicidios en España, México y Colombia. Toda una epidemia invisible de la que sabemos muy poco pese a su gran impacto social.
Y aunque en los últimos años, los expertos han redoblado los esfuerzos y los estados comienzan a darse cuenta de la magnitud del problema, las barreras sociales siguen haciendo que los principales avances no vengan de los programas sociales, sino de la tecnología. Así es como el machine learning puede ayudarnos con una de las grandes epidemias del siglo XXI.
Las preguntas del suicidio
La muerte de Séneca, Luca Giordano
En su discurso de recepción del premio Príncipe de Asturias, Leonard Cohen habló del hombre que le enseñó los primeros acordes de la guitarra. Fue un español que se encontró tocando en un pequeño parque de Montreal. Cautivado por esa música, Cohen le pidió que le diera clases. Dieron clase tres días y cuando Leonard había comenzado a aprender los acordes, desapareció.
Aquel día, extrañado, Cohen llamó al motel donde se hospedaba, pero el recepcionista le explicó que el guitarrista se había quitado la vida. Cohen no sabía nada, no lo conocía demasiado, no conseguía entender por qué se había suicidado. Sólo le quedó la tristeza y la deuda contraída.
Al suicidio siempre le sigue la incomprensión, porque es un fenómeno que aún no acabamos de comprender
Hablo de Cohen porque nos abandonó el otro día, pero habría mil ejemplos. Al suicidio le sigue siempre la incomprensión y la pena. Y, desde la antigüedad, la fascinación por las cosas que no entendemos.
Porque, por muchas vueltas que le demos, no somos capaces de entender del todo bien ni qué desemboca en el suicidio, ni cómo podemos impedirlo. Está claro que hay algo que no estamos viendo, y un equipo del Hospital Infantil de Cincinnati se ha preguntado si podemos usar la tecnología para encontrar esas cosas que no acabamos de ver.
Captar las señales: el machine learning entra en acción
La investigación consistió en el estudio de 379 entrevistas en las que se hacían preguntas abiertas como "¿Tienes esperanza?" "¿Estás enfadado?" o "¿Esto te hiere emocionalmente?". Para el análisis no sólo se usaban las transcripciones de las respuestas, sino que se tuvieron en cuenta cosas como el tono, la armonía, la entonación y otros numerosos detalles "acústicos".
Una vez había recopilado toda esa información, había que escoger qué hacer con ellos. Aunque no lo parezca por la forma de hablar de él, el aprendizaje automático es todo un mundo y existen muchos enfoques distintos. Los investigadores se decidieron por unos algoritmos denominados 'máquinas de vectores de soporte'. Este tipo de enfoque se usa, sobre todo, con problemas de clasificación y regresión.
Es decir, se trataba esencialmente de usar las técnicas de machine learning (o aprendizaje automático) para clasificar a los tres grupos que existían: personas que habían cometido (o con riesgo de) suicidio, personas con trastornos mentales sin riesgo de suicidio y un grupo control (formado por personas sin riesgo de suicidio ni enfermedades mentales).
Un 93% de precisión
Con este enfoque, el equipo ha conseguido identificar con un 93% de precisión si una persona tiene riesgo de suicidio o no. Además, han logrado un 85% de éxito identificando a los tres grupos. Estos resultados ponen en evidencia la utilidad de estas tecnologías como herramientas de apoyo en la toma de decisiones de médicos y especialistas.
Como dice John Pestian, profesor de informática biomédica y psiquiatría en Cincinnati, "no deja de ser curioso que pese a la gran cantidad de tecnología que se usa en medicina, haya tan pocas aplicaciones orientadas a las enfermedades mentales". Iniciativas como estas pueden allanar el camino a una cada vez más cercana revolución bioinformática en salud mental.
En Xataka | Estos son los tipos de algoritmos clave en la búsqueda de la inteligencia artificial
En Magnet| ¿Por qué se habla tan poco sobre el suicidio en los medios y por qué deberíamos hablar más sobre él?
Ver 12 comentarios