Resumen Técnico: SGRI-HF para la Identificación del Riesgo de Salud Mental en Estudiantes Universitarios

1. Planteamiento del Problema

La identificación temprana de los riesgos de salud mental entre los estudiantes universitarios es crítica para una intervención oportuna. Sin embargo, los enfoques actuales enfrentan tres limitaciones primarias al utilizar datos basados en cuestionarios:

1. Negligencia de la Estructura Semántica: La mayoría de los modelos de aprendizaje automático tratan los ítems de los cuestionarios como predictores independientes, ignorando la organización natural de las variables psicosociales en dominios semánticos significativos (por ejemplo, estilo de vida, apoyo social, comportamiento académico).
2. Falta de Personalización: Los métodos existentes típicamente estiman la importancia de las características a nivel global, fallando al no considerar las diferencias individuales donde la contribución de dominios específicos varía significativamente entre los estudiantes.
3. Estrategias de Fusión Subóptimas: Si bien las redes neuronales y los modelos basados en árboles capturan características complementarias en datos estructurados, las estrategias de fusión actuales rara vez incorporan estructuras semánticas o variaciones específicas de cada individuo durante la fase de aprendizaje de representaciones.

2. Metodología: El Marco de Trabajo SGRI-HF

Los autores proponen SGRI-HF (Interacción Residual Puerta de Conciencia de Grupo Semántico y Fusión Heterogénea), un marco de trabajo de doble rama diseñado para abordar estas limitaciones. El marco procesa datos de 2,894 estudiantes universitarios utilizando 51 predictores organizados en siete dominios semánticos predefinidos.

A. Rama Neuronal de Conciencia de Grupo Semántico (SGRI-Net)

Esta rama se enfoca en el aprendizaje de representaciones estructuradas y personalizadas:

• Codificación de Grupos Semánticos: Los predictores se particionan en siete dominios no superpuestos. Cada dominio es procesado por un codificador dedicado (Lineal → LayerNorm → GELU → Dropout) para aprender representaciones latentes específicas del dominio.
• Puerta Específica de la Muestra: Una red de puerta (gating network) genera pesos individualizados ($\alpha$) para cada dominio semántico por estudiante. Esto permite al modelo estimar de forma adaptativa qué dominios son más relevantes para el perfil de riesgo de un estudiante específico.
• Interacción de Intercambio de Residuos entre Dominios: Para capturar dependencias complejas, el modelo modela explícitamente las interacciones por pares entre todos los pares de dominios (21 pares para 7 dominios) mediante multiplicación elemento a elemento. Una vía residual global preserva la información del espacio de características original que podría perderse durante la agregación de dominios.
• Regularización y Supervisión: El objetivo de entrenamiento incluye:
  • Supervisión Semántica Auxiliar: Clasificadores auxiliares en cada representación de dominio para asegurar que la información relacionada con el riesgo se preserve a través de todos los dominios.
  • Consistencia de Enmascaramiento de Grupo: Una pérdida de consistencia que incentiva que las predicciones de las entradas de dominio enmascaradas coincidan con las predicciones de las entradas completas, mejorando la robustez.
  • Regularización de Entropía de la Puerta: Evita que el mecanismo de puerta colapse prematuramente hacia un solo dominio.

B. Fusión Heterogénea Neuronal–Árbol

• Rama CatBoost: Una rama paralela procesa las variables originales del cuestionario utilizando CatBoost, aprovechando su fortaleza en el modelado de umbrales no lineales y relaciones condicionales en datos tabulares.
• Fusión Guiada por Validación: La predicción final es una combinación convexa no negativa de las probabilidades neuronales (SGRI-Net) y de árbol (CatBoost). Los pesos de fusión se optimizan exclusivamente en el conjunto de validación interna para evitar la fuga de datos (data leakage), utilizando una métrica compuesta que equilibra AUC, Precisión Media, Exactitud Balanceada y MCC.

C. Protocolo Experimental

• Conjunto de Datos: 2,894 estudiantes (1,394 en riesgo, 1,500 no en riesgo) con 51 predictores.
• Validación: Validación cruzada de cinco pliegues estratificada con control de fuga de datos.
• Evaluación: Métricas dependientes del umbral (Exactitud, F1, Sensibilidad, Especificidad) y méticas independientes del umbral (ROC-AUC, AP) tratando la clase en riesgo como positiva.

3. Resultados Clave

Bajo el rigurooso protocolo de validación cruzada, SGRI-HF demostró un rendimiento general superior en comparación con una amplia gama de líneas base, incluyendo Regresión Logística, Random Forest, XGBoost, CatBoost, MLP, TabTransformer y TabNet.

• Métricas de Desempeño: SGRI-HF logró una Exactitud de 0.6465, una puntuación Macro-F1 de 0.6436 y un ROC-AUC de 0.6911.
• Ventaja Comparativa: Aunque los modelos basados en árboles (como CatBoost) se mantuvieron competitivos, SGRI-HF mejoró la Exactitud Balanceada, el Macro-F1 y el ROC-AUC en aproximadamente 0.7–0.9 puntos porcentuales sobre la línea base de árbol más fuerte.
• Significancia Estadística: La fusión heterogénea mejoró significativamente el ROC-AUC sobre el SGRI-Net independiente (diferencia = 0.0161, $p$ ajustado = 0.005), confirmando que el aprendizaje de representación semántica neuronal y el modelado de decisión basado en árboles capturan patrones complementarios.
• Estudios de Ablación: La eliminación de la vía residual global causó la degradación de desempeño más significativa, resaltando su papel en la preservación de la información global. La eliminación de la puerta semántica y las interacciones por pares también resultó en descensos medibles, validando la necesidad de la ponderación personalizada y el modelado de interacción explícito.
• Interpretabilidad:
  • Puertas Semánticas: "Afrontamiento y apoyo social" recibió el mayor peso promedio de la puerta (0.1997), seguido por el estilo de vida y el comportamiento económico/digital.
  • Importancia de las Características: El análisis SHAP de la rama CatBoost identificó el apoyo de los pares, la participación en el campus y la duración del sueño como los principales contribuyentes.
  • Factores de Riesgo: El estudio confirmó que el riesgo está distribuido en múltiples dominios (apoyo social, estilo de vida, comportamiento digital, estrés) en lugar de ser impulsado por un solo predictor.

4. Significado y Reivindicaciones

El artículo posiciona a SGRI-HF como una herramienta auxiliar para la identificación temprana del riesgo, declarando explícitamente que no es un reemplazo para la evaluación psicológica profesional. Los autores reivindican la siguiente significancia:

1. Aprendizaje de Representación Estructurada: El estudio demuestra que organizar los ítems de los cuestionarios en dominios semánticos y modelarlos explícitamente mejora el aprendizaje de representaciones en comparación con tratar los ítems como características independientes.
2. Interacción Personalizada: El mecanismo de puerta captura con éxito las diferencias individuales en cómo los dominios psicosociales contribuyen al riesgo, yendo más allá de la importancia de las características a nivel poblacional.
3. Fusión Complementaria: Los resultados respaldan la hipótesis de que combinar la representación neuronal consciente de la semántica con el modelado de decisiones no lineales basado en árboles produce una identificación de riesgos más robusta que cualquiera de los dos enfoques por separado.
4. Interpretabilidad: El marco proporciona salidas interpretables (pesos de la puerta de dominio y valores SHAP de las características) que se alinean con factores de riesgo psicológicos conocidos, ayudando en la generación de hipótesis para futuros estudios longitudinales.

Los autores concluyen que, si bien el marco es prometedor, su generalizabilidad requiere validación externa en diversas universidades y poblaciones, y el trabajo futuro debe centrarse en el modelado longitudinal y la integración de datos de múltiples fuentes.