Sistema experto para la valoración y gestión de las conductas suicidas en adolescentes

Abstract

Este trabajo presenta el desarrollo de un sistema experto orientado a la evaluación, predicción y gestión del riesgo de conductas suicidas en población adolescente. El proyecto surge ante la consideración del suicidio como uno de los principales problemas de salud pública en la adolescencia, requiriendo modelos de evaluación que integren variables psicológicas, conductuales y contextuales para mejorar la detección temprana y la prevención.

La propuesta se fundamenta en el Modelo Integrado Volitivo-Motivacional (IMV) de O’Connor, que organiza los factores de riesgo en tres grandes dominios: variables premotivacionales (satisfacción vital, sintomatología psicológica, resiliencia, acoso escolar, autolesiones, ciberacoso y consumo de sustancias, entre otras), variables motivacionales (derrota, atrapamiento interno y externo, pertenencia frustrada y carga percibida) y variables volitivas (capacidad para el suicidio). Asimismo, se incorporan variables sociodemográficas y contextuales relevantes para la estimación del riesgo.

Metodológicamente, el estudio utiliza una muestra de 1.210 adolescentes (55,8 % mujeres), con una edad media de 16,05 años. A partir de estos datos se construye un modelo computacional basado en árboles de decisión y redes bayesianas, capaz de generar estimaciones probabilísticas del riesgo suicida y apoyar la toma de decisiones clínicas y preventivas.

El sistema funciona mediante una secuencia circular de tres fases: (1) estimación inicial del riesgo a través de cuestionarios estructurados administrados en una plataforma web; (2) seguimiento continuo mediante Evaluación Ecológica Momentánea (EMA), que recoge información periódica del adolescente; y (3) gestión de recursos y reestimación del riesgo, proporcionando orientación y recursos adaptados al nivel de riesgo detectado.

Los resultados preliminares muestran la viabilidad de formalizar un modelo computacional basado en reglas para identificar manifestaciones suicidas y localizar factores específicos de vulnerabilidad susceptibles de intervención. Los autores concluyen que esta aproximación puede contribuir a optimizar la prevención y el seguimiento clínico, aunque destacan la necesidad de realizar validaciones adicionales, incluyendo estudios longitudinales y de validación cruzada, así como la integración futura de técnicas de aprendizaje automático para mejorar la precisión predictiva.