Ensemble Feature Selection and Harris Hawks Optimization for Explainable Mental Health Risk Prediction in Female Sex Workers

Resumen Técnico: Selección de Características por Conjunto y Optimización de Harris Hawks para la Predicción Explicable del Riesgo de Salud Mental en Trabajadoras Sexuales

Planteamiento del Problema
Las trabajadoras sexuales (TS) enfrentan una carga desproporcionada de trastornos de salud mental, particularmente depresión y trastorno de estrés postraumático (TEPT), impulsados por la violencia estructural, el estigma, la inestabilidad económica y los riesgos ocupacionales. Si bien el aprendizaje automático (ML) ofrece potencial para modelar estos resultados complejos, los enfoques existentes suelen tener dificultades con conjuntos de datos de alta dimensionalidad, no lineales y desbalanceados. Los métodos estadísticos tradicionales y los clasificadores simplistas frecuentemente fallan al capturar las intrincadas interacciones entre la exposición a la violencia, las variables socioeconómicas y los indicadores de salud. Además, la falta de una selección de características integrada, una optimización sofisticada y una IA explicable (XAI) limita la precisión, la estabilidad y la interpretabilidad clínica de los modelos predictivos actuales, obstaculizando la intervención temprana y la atención psicosocial dirigida.

Metodología
El estudio propone un marco predictivo híbrido diseñado para mejorar tanto el rendimiento como la interpretabilidad de la predicción de la depresión en TS. La metodología sigue un flujo de trabajo estructurado:

1. Recolección y Preprocesamiento de Datos: El modelo utiliza un conjunto de datos transversal basado en la comunidad que comprende 3,005 trabajadoras sexuales adultas de nueve provincias de Sudáfrica. Los datos brutos incluían 20 columnas; tras el manejo de valores faltantes (imputación de la media para datos numéricos, eliminación para categóricos) y la codificación, el conjunto de datos final consistió en 2,91 de observaciones y 19 características. La variable objetivo fue binaria (depresión: sí/no).
2. Selección de Características por Conjunto Híbrido: Para identificar los predictores más significativos, los autores emplearon una estrategia de conjunto combinando el Análisis de Varianza (ANOVA) y la Información Mutua (MI). Este enfoque clasificó las características por importancia, filtrando las variables menos significativas para crear un conjunto optimizado de 11 características. Los impulsores clave identificados incluyeron los resultados de TEPT, la ubicación, el potencial de ingresos por cliente y diversas formas de abuso (cliente, pareja íntima, policía).
3. Desarrollo y Optimización del Modelo: Se evaluaron varios clasificadores, incluyendo Bosque Aleatorio (RFC), k-Vecinos más Cercanos (kNN), Clasificador de Vectores de Soporte (SVC), Máquina de Gradiente de Potenciación Ligera (LGBM), Redes Neuronales Artificiales (ANN) y Regresión Logística (LR). Entre ellos, se seleccionó la Regresión Logística como el modelo base. Sus hiperparámetros fueron optimizados mediante la Optimización de Harris Hawks (HHO), un algoritmo de inteligencia de enjambre. La configuración de HHO incluyó un tamaño de población de 30, 50 iteraciones máximas y un parámetro de energía de escape ($E_0$) de 2, diseñado para buscar eficientemente en el espacio de parámetros y manejar el desbalance de clases.
4. IA Explicable (XAI): Para asegurar la aplicabilidad clínica, el estudio integró LIME (Explicaciones Locales Interpretables Independientes del Modelo). LIME se utilizó para generar explicaciones a nivel de instancia, aclarando cómo características específicas (por ejemplo, historial de trauma, factores ocupacionales) contribuyeron a las predicciones individuales, cerrando así la brecha entre los modelos de "caja negra" y la confianza clínica.

Contribuciones Clave

• Arquitectura Híbrida Novedosa: El artículo introduce un marco unificado que combina la selección de características por conjunto (ANOVA + MI) con la Regresión Logística ajustada por HHO, aplicado específicamente a la predicción de la salud mental en poblaciones marginadas.
• Aplicación de Inteligencia de Enjambre: Este trabajo representa la primera aplicación de la Optimización de Harris Hawks para ajustar un modelo de Regresión Logística para la predicción de la salud mental en TS, demostizando un rendimiento superior sobre los modelos base.
• Interpretabilidad Mejorada: Al integrar LIME, el estudio proporciona información transparente a nivel de instancia, identificando variables traumáticas y ocupacionales específicas que impulsan el riesgo de depresión, facilitando así intervenciones basadas en evidencia.
• Identificación Robusta de Características: El método de selección por conjunto logró aislar características de alto impacto, reduciendo la dimensionalidad mientras retenía indicadores de riesgo críticos como la violencia relacionada con clientes y el historial de TEPT.

Resultados
El modelo de Regresión Logística optimizado por HHO, utilizando las características seleccionadas por el conjunto, alcanzó un rendimiento de vanguardia en el conjunto de prueba:

• Exactitud (Accuracy): 95.78%
• F1-Score: 95.77%
• AUC: 0.96
• Precisión: 95.60%
• Sensibilidad (Recall): 95.95%

Estas métricas superaron a todos los modelos base (incluyendo LR estándar, ANN y LGBM) y otras estrategias de optimización (como la Búsqueda de Cuadrícula o Grid Search). Específicamente, el enfoque basado en HHO mejoró la sensibilidad en un 1.20% y el F1-score en un 1.22% respecto a la LR buscada mediante Grid Search, lo que se traduce en aproximadamente 36 detecciones correctas adicionales de depresión en la cohorte.

El análisis de LIME confirmó la estabilidad de la lógica del modelo, mostrando que los resultados de TEPT y el abuso por parte de clientes fueron los predictores dominantes en el 94.3% y 87.1% de los casos, respectivamente. Las clasificaciones de importancia de características de LIME se correlacionaron fuertemente con las clasificaciones globales de ANOVA+MI (Spearman $\rho = 0.91$), validando la consistencia del modelo.

Significancia y Reivindicaciones
Los autores afirman que este trabajo cierra la brecha entre los enfoques estadísticos convencionales y el aprendizaje automático avanzado para crear una herramienta capaz de la detección temprana y el apoyo dirigido para grupos vulnerables. La alta exactitud e interpretabilidad del modelo lo hacen adecuado para su integración en sistemas de salud existentes (por ejemplo, sistemas basados en REDCap) para asistir a los Trabajadores de Salud Comunitaria (TSC) en la realización de cribados de riesgo y derivaciones.

El estudio enfatiza que, si bien el modelo demuestra una alta validez interna mediante validación cruzada, su generalizabilidad externa a otras regiones geográficas aún debe ser probada. Los autores posicionan el marco como una solución ligera, capaz de operar en tiempo real y sin soporte de la nube, lo que lo hace viable en entornos de bajos recursos. El trabajo futuro propuesto incluye la validación de métodos mixtos, la evaluación de equidad y la expansión a cohortes en África Oriental y el sur de Asia para abordar sesgos geográficos.