Ingeniería de Sistemas · 2026

Detección de depresión en estudiantes universitarios mediante algoritmos de aprendizaje supervisado en la Universidad de Córdoba

El presente proyecto tuvo como objetivo desarrollar un sistema inteligente que permita predecir la probabilidad de que un estudiante universitario padezca depresión, utilizando una versión adaptada del cuestionario DASS-21 y modelos de aprendizaje automático. Esta iniciativa surgió ante la creciente incidencia de trastornos de salud mental en jóvenes universitarios, particularmente en la Universidad de Córdoba, donde se evidencian limitaciones institucionales para una detección temprana y oportuna. La metodología empleada se basó en un enfoque cuantitativo, estructurado bajo el ciclo CRISP-DM, que permitió organizar el proceso en seis fases: comprensión del problema, comprensión de los datos, preparación de los datos, modelado, evaluación y despliegue. Se aplicaron y compararon siete clasificadores: Support Vector Machines (SVM), Perceptrón Multicapa (MLP), Regresión Logística (LR), Random Forest (RF), Árboles de Decisión (DT), Naive Bayes (NB) y Gaussian Processes (GP), usando validación cruzada estratificada y búsqueda de hiperparámetros (GridSearchCV). Los resultados permitieron identificar patrones relevantes en los datos y evidenciaron que, bajo las condiciones y tamaño de muestra del estudio, el modelo de Árbol de Decisión obtuvo el mejor desempeño. Este alcanzó una exactitud del 67.8%, un F1-score en la clase positiva de 0.600 y un recall de 0.618, lo que favorece la detección de estudiantes en riesgo. Dado el desbalance de clases y la importancia de identificar casos positivos, se priorizó el F1-score como métrica principal para la selección de modelos, complementando el análisis con otras métricas como accuracy, ROC-AUC, Kappa y matriz de confusión. Finalmente, se construyó un prototipo funcional que puede integrarse en los procesos de bienestar universitario para generar alertas tempranas y apoyar la toma de decisiones institucionales en el acompañamiento psicosocial. El sistema propuesto no reemplaza la labor clínica, sino que actúa como herramienta complementaria para fortalecer la prevención y reducir el riesgo de deserción asociado a la salud mental. Su diseño es replicable en otras instituciones de educación superior. La investigación aporta a la innovación educativa, la salud mental y la transformación digital de los procesos de apoyo estudiantil.