Explainable AI for Mental Health Prediction in Drug-Affected Populations with Dragonfly Algorithm and GAN Oversampling

Resumen Técnico: IA Explicable para la Predicción de la Salud Mental en Poblaciones Afectadas por el Consumo de Drogas

Planteamiento del Problema
Los trastornos de salud mental y los trastornos por consumo de sustancias (TCS) coocurren con frecuencia, creando una carga de salud global significativa. En regiones con recursos limitados, como Bangladesh, la detección temprana y la intervención dirigida son críticas pero desafiantes debido a la naturaleza subjetiva de las técnicas de diagnóstico tradicionales y la falta de herramientas escalables basadas en datos. Los enfoques actuales de aprendizaje automático (ML) para predecir la salud mental en poblaciones afectadas por el consumo de drogas enfrentan tres limitaciones principales: (1) un manejo inadecuado del desequilibrio de clases, donde los casos críticos de salud mental "Deficiente" están subrepresentados; (2) una transparencia de modelo limitada, lo que dificulta la interpretabilidad clínica; y (3) una optimización de hiperparámetros subóptima, lo que reduce el rendimiento en datos de salud categóricos de alta dimensionalidad.

Metodología
El estudio propone un marco integral que integra el preprocesamiento de datos, la selección de características, el equilibrio de clases, la optimización del modelo y la explicabilidad para predecir el estado de salud mental multiclasificación (Bueno, Promedio, Deficiente) entre individuos afectados por el consumo de drogas.

1. Fuente de Datos y Preprocesamiento: La investigación utiliza un conjunto de datos multidimensional de Bangladesh que comprende 36 características categóricas (demográficas, socioeconómicas, conductuales y relacionadas con la salud) a través de 1,215 instancias. La variable objetivo se codificó en tres clases. El preprocesamiento consistió en la codificación de etiquetas (label encoding) y la eliminación de columnas innecesarias.
2. Selección de Características Híbrida: Para gestionar la alta dimensionalidad e identificar las variables más predictivas, los autores emplean un enfoque híbrido de Análisis de Componentes Principales - Ganancia de Información (PCA-IG). Este método reduce la dimensionalidad al tiempo que clasifica las características según su ganancia de información.
3. Manejo del Desequilibrio de Clases: Para abordar la distribución sesgada de las clases de salud mental (766 Promedio, 248 Bueno, 201 Deficiente), el estudio implementa el sobremuestreo basado en Redes Generativas Antagónicas (GAN) en el conjunto de entrenamiento. Esto genera muestras sintéticas para las clases minoritarias para crear una distribución equilibrada, superando los métodos tradicionales como SMOTE y SVM-SMOTE.
4. Selección y Optimización de Modelos: Se evaluaron varios algoritmos de ML, incluyendo Regresión Logística, Random Forest, LightGBM y XGBoost. XGBoost surgió como el modelo base superior. Sus hiperparámetros fueron optimizados utilizando el Algoritmo de la Libélula (DA), una técnica de inteligencia de enjambre que equilibra la exploración y la explotación para encontrar la configuración óptima (tasa de aprendizaje, profundidad, número de estimadores, etc.).
5. IA Explicable (XAI): Para asegurar la confianza clínica y la interpretabilidad, se calcularon los valores SHAP (SHapley Additive exPlanations). Esto proporciona explicaciones a nivel de instancia, visualizando cómo características específicas contribuyen a las predicciones individuales mediante gráficos de cascada (waterfall) y de fuerza (force plots).

Contribuciones Clave
El artículo destaca cuatro contribuciones primordiales al campo:

• Integración Novedosa: Presenta la primera integración del Algoritmo de la Libélula con XGBoost específicamente para la predicción de la salud mental en poblaciones afectadas por el consumo de drogas.
• Selección de Características Híbrida: El método PCA-IG propuesto equilibra eficazmente la reducción de dimensionalidad con el poder predictivo, identificando la calidad del sueño, el acceso a la atención médica y los factores conductuales como primordiales.
• Sobremuestreo Avanzado: El estudio demuestra que el sobremuestreo basado en GAN para la clasificación multiclasificación produce resultados superiores en comparación con SMOTE y SVM-SMOTE en este contexto.
• Explicabilidad Accionable: Al utilizar SHAP, el marco va más allá de las predicciones de "caja negra" para proporcionar conocimientos clínicos accionables a través de herramientas visuales como los gráficos de cascada y de fuerza.

Resultos
Los resultados experimentales, validados mediante validación cruzada de 5 pliegues (5-fold cross-validation) en un entorno de Google Colab, demuestran la eficacia del marco propuesto:

• Desempeño: El modelo XGBoost optimizado por DA combinado con el sobremuestreo basado en GAN logró las métricas de desempeño más altas: 94.17% de precisión y un F1-score ponderado de 93.80%. Esto superó significativamente a los modelos de referencia (por ejemplo, el XGBoost estándar con 88.15% de precisión) y a otras técnicas de sobremuestreo.
• Importancia de las Características: El análisis reveló que los factores conductuales, de estilo de vida y de salud son los predictores más fuertes de la salud mental. Específicamente, la calidad del sueño, el estado de salud física y la regulación emocional fueron altamente influyentes. Por el contrario, los factores demográficos como el género y la edad tuvieron un impacto mínimo en las predicciones del modelo.
• Perspectivas Demográficas: El análisis identificó al grupo de edad de 20 a 29 años como un período crítico donde el pico de uso de drogas se traslapa con una alta angustia psicológica (ansiedad y depresión), lo que sugiere un objetivo principal para la intervención.
• Interpretabilidad: El análisis SHAP confirmó que los factores de estilo de vida (por ejemplo, calidad del sueño, tabaquismo, hábitos alimenticios) y el estado de salud impulsan la toma de decisiones del modelo, proporcionando un razonamiento transparente para las clasificaciones de alto riesgo.

Significancia y Reivindicaciones
Los autores afirman que este marco ofrece una herramienta válida y de alta precisión para el pronóstico de la salud mental en poblaciones influenciadas por el consumo de drogas. Al abordar el desequilibrio de datos, optimizar los hiperparámetros mediante inteligencia de enjambre e incorporar la explicabilidad, el estudio mejora tanto la fiabilidad predictiva como la utilidad clínica de los modelos de IA. Los resultados sugieren que tal sistema puede facilitar la intervención temprana y mejorar las estrategias de tratamiento para individuos afectados por el consumo de drogas. El artículo concluye modestamente, señalando que el trabajo futuro se centrará en validar el marco en conjuntos de datos más grandes y multi-país, e integrar flujos de datos multimodales (clínicos, neuroimagen y sensores vestibles) para mejorar aún más el poder predictivo y el monitoreo longitudinal.