000			02893nab a2200265 ab4500
005			20260312131713.0
008			251016c2025 ck fr p o 00| 0spa d
040			_aMX-MxUPN _bspa _cMX-MxUPN _eaacr2
003
100	1		_aGuzman Brand, Víctor Alfonso _958843
100	1		_aGelvez García, Laura Esperanza _958844
245	1		_aIdentificación de variables predictoras a través de algoritmos de machine learning en los casos de intentos suicidas en la infancia y adolescencia _h[recurso electrónico en línea]
506	0		_aAcceso abierto
520	3		_aEl 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. _cPsychologia.
650		2	_aSuicidio _916551
650		2	_aNiños _918906
650		0	_aAdolescentes _91014
653			_aVariables predictoras
653			_aAprendizaje automático
773			_gVol. 19, no. 2, (2025), p. 73-89 _tPsychologia : avances de la disciplina _x1900-2386
856	4		_uhttps://revistas.usb.edu.co/index.php/Psychologia/article/view/6912
856	4		_uhttps://revistas.usb.edu.co/index.php/Psychologia/article/view/6912/5695
902			_aLeonor Sotres/190226
942			_cART-E _2lcc
999			_c214654 _d214654