Desarrollo de un algoritmo supervisado para la clasificación de distritos según la prevalencia de problemas mentales en su población

El propósito de este artículo científico fue la creación de un algoritmo supervisado para categorizar distritos en función de la frecuencia de problemas de salud mental en su población. La investigación comprendió seis fases esenciales: comprensión del problema, preprocesamiento de datos, selección de características, entrenamiento del modelo, evaluación del modelo y análisis de resultados. La etapa inicial implicó adquirir un profundo conocimiento del problema y sus objetivos. Se recopilaron datos de exámenes de salud mental de la Plataforma Nacional de Datos Abiertos del Gobierno Peruano. La metodología propuesta tiene potencial aplicabilidad en diversos contextos y países, permitiendo una comprensión más precisa de la prevalencia de problemas de salud mental a nivel local y facilitando la toma de decisiones en intervenciones y asignación de recursos. La validación reveló que los modelos Support Vector Machine y Deep Learning superaron a los modelos de regresión logística y árbol de decisión en términos de precisión y rendimiento general. Estos hallazgos subrayan el potencial de las técnicas de aprendizaje automático para abordar desafíos de salud mental a nivel local. En síntesis, los resultados enfatizan la importancia de usar análisis de datos y aprendizaje automático para abordar problemas de salud mental y proporcionan insights para futuras investigaciones. The purpose of this scientific article was the creation of a supervised algorithm to categorize districts based on the frequency of mental health problems in their population. The research comprised six essential phases: understanding the problem, data preprocessing, feature selection, model training, model evaluation, and results analysis. The initial stage involved acquiring a deep understanding of the problem and its objectives. Data from mental health examinations were collected from the National Open Data Platform of the Peruvian Government. The proposed methodology has potential applicability in various contexts and countries, allowing a more precise understanding of the prevalence of mental health problems at the local level and facilitating decision-making in interventions and resource allocation. Validation revealed that the Support Vector Machine and Deep Learning models outperformed the logistic regression and decision tree models in terms of accuracy and overall performance. These findings underscore the potential of machine learning techniques to address mental health challenges at