02893nab a2200265 ab4500 20260312131713.0 251016c2025 ck fr p o 00| 0spa d MX-MxUPN spa MX-MxUPN aacr2 Guzman Brand, Víctor Alfonso 58843 Gelvez García, Laura Esperanza 58844 Identificación de variables predictoras a través de algoritmos de machine learning en los casos de intentos suicidas en la infancia y adolescencia [recurso electrónico en línea] Acceso abierto El objetivo de la investigación fue identificar variables predictoras mediante algoritmos de machine learning en los casos de intentos de suicidio en infancia y adolescencia reportados por la alcaldía de Tunja, Colombia. Se emplea un enfoque cuantitativo, orientado a describir, explicar y predecir fenómenos mediante la identificación de relaciones causales entre variables. Para el análisis de datos, se utiliza la metodología KDD (Knowledge Discovery in Databases), la cual permite interpretar grandes volúmenes de datos y descubrir patrones o relaciones significativas. En los resultados se observa un predominio de casos en mujeres, con una incidencia del 79.1 %. La adolescencia emerge como la etapa de mayor vulnerabilidad ante estos eventos. Los algoritmos señalan, como principales variables predictoras, los conflictos de pareja, la edad, el embarazo, antecedentes de intentos previos y la planificación de dichos intentos. La conducta suicida en adolescentes constituye una creciente preocupación en salud pública, dada su frecuencia y sus graves consecuencias. La depresión y los antecedentes psiquiátricos aparecen como factores de riesgo significativos. Asimismo, se encuentra que las ideas suicidas persistentes, junto con el maltrato físico, psicológico o sexual, son condiciones recurrentes en muchos de los casos registrados. Se concluye que entre los factores asociados a los intentos de suicidio se destacan el género femenino, la residencia en áreas urbanas, el pertenecer a estratos socioeconómicos bajos, la asistencia a educación secundaria básica, la presencia de intentos previos y la persistencia de la ideación suicida en la adolescencia. Por otro lado, el modelo de random forest presentó un mejor desempeño en la predicción de hospitalización en estos casos. Psychologia. Suicidio 16551 Niños 18906 Adolescentes 1014 Variables predictoras Aprendizaje automático Vol. 19, no. 2, (2025), p. 73-89 Psychologia : avances de la disciplina 1900-2386 https://revistas.usb.edu.co/index.php/Psychologia/article/view/6912 https://revistas.usb.edu.co/index.php/Psychologia/article/view/6912/5695 Leonor Sotres/190226 ART-E lcc 0 0 0 0 CAA BCUPN50 BCUPN50 ENL 2026-02-19 0 2026-02-19 12:27:35 https://revistas.usb.edu.co/index.php/Psychologia/article/view/6912 2026-02-19 ART-E 214654 214654