Modelo para la valoración de Burnout en el personal médico del Hospital Luis G Dávila – Tulcán empleando Inteligencia artificial

Luis G. Romero Mejia, Erick P. Herrera Granda

Resumen


Este estudio desarrolló un modelo de inteligencia artificial para evaluar el síndrome de Burnout en el personal médico del Hospital Luis G. Dávila (Ecuador), recopilando datos de 165 profesionales con 20 variables categóricas y 22 ordinales. Tras preprocesar los datos con distancias de Mahalanobis y PCA, se conservaron 91 predictores codificados numéricamente. Mediante un riguroso protocolo que evaluó más de 500 arquitecturas, se eligió una red neuronal óptima de dos capas ocultas (155 y 91 neuronas), logrando una precisión superior al 90%, muy por encima de la regresión logística multinomial (11,17%). El modelo se implementó en R y Python usando TensorFlow y Keras. El análisis de correlación ajustado indicó que horas de carga laboral, volumen de pacientes y percepción emocional fueron los predictores más influyentes. Este enfoque demostró la eficacia de la IA para la detección y personalización diagnóstica del Burnout en contextos hospitalarios locales, ofreciendo una herramienta escalable y automatizada para la prevención temprana de este síndrome ocupacional.


Palabras clave


inteligencia artificial; redes neuronales; síndrome de Burnout; técnicas avanzadas de aprendizaje automático.

Texto completo:

Sin título HTML

Referencias


G. A. Calderón-De la Cruz and C. Merino-Soto, “Analysis of the Internal Structure of the Maslach Burnout Inventory (Human Service Survey) in Peruvian Physicians,” Rev. Ciencias la Salud, vol. 18, no. 2, pp. 1–17, 2020.

F. Ladstätter, E. Garrosa, C. Badea, and B. Moreno, “Application of artificial neural networks to a study of nursing burnout,” Ergonomics, vol. 53, no. 9, pp. 1085–1096, 2010.

V. Costa et al., “A deep learning algorithm to prevent burnout risk in Family Caregivers of patients undergoing dialysis treatment,” in 2018 9th IEEE International Conference on Cognitive Infocommunications (CogInfoCom), IEEE, Aug. 2018, pp. 000299–000304. doi: 10.1109/CogInfoCom.2018.8639894.

A. R. Wilton et al., “The Burnout PRedictiOn Using Wearable aNd ArtIficial IntelligEnce (BROWNIE) study: a decentralized digital health protocol to predict burnout in registered nurses,” BMC Nurs., vol. 23, no. 1, p. 114, Feb. 2024, doi: 10.1186/s12912-024-01711-8.

M. D. Gupta et al., “Design and rationale of an intelligent algorithm to detect BuRnoUt in HeaLthcare workers in COVID era using ECG and artificiaL intelligence: The BRUCEE-LI study,” Indian Heart J., vol. 73, no. 1, pp. 109–113, Jan. 2021, doi: 10.1016/j.ihj.2020.11.145.

P. Gebhard, T. Schneeberger, M. Dietz, E. André, and N. Bajwa, “Designing a Mobile Social and Vocational Reintegration Assistant for Burn-out Outpatient Treatment,” in Proceedings of the 19th ACM International Conference on Intelligent Virtual Agents (IVA ’19), 2019, pp. 13–15.

A. Cho, C. Cha, and G. Baek, “Development of an Artificial Intelligence–Based Tailored Mobile Intervention for Nurse Burnout: Single-Arm Trial (Preprint),” JMIR Preprints, no. 54029. Nov. 02, 2023. doi: 10.2196/preprints.54029.

W. Almayyan, “Developing a Machine Learning Model for Detecting Job Burnout During the COVID-19 Pandemic Among Front-line Workers in Kuwait,” Int. J. Comput. Sci. Inf. Secur., vol. 19, no. 10, pp. 19–33, 2021, doi: 10.5281/zenodo.5668888.

A. Zamudio-Sosa, S. Rojo-López, F. Fuentes-Gallegos, and J. I. Fletes-Gutiérrez, “Burnout en profesionales de la salud en contexto de pandemia: una propuesta metodológica para la detección de patrones basada en inteligencia artificial,” Rev. Digit. Int. Psicol. y Cienc. Soc., vol. 7, no. 2, pp. 241–257, Jul. 2021, doi: 10.22402/j.rdipycs.unam.7.2.2021.354.241-257.

P. L. Tito Huamaní, M. Torres Pecho, and E. E. Pérez Palacios, “Predictores del síndrome de burnout en docentes universitarios: Un análisis factorial exploratorio,” Enfermería Glob., 2022.

B. Moreno Jiménez, M. Gálvez Herrera, E. Garrosa Hernández, and J. C. Mingote Adán, “Nuevos planteamientos en la evaluación del burnout. La evaluación específica del desgaste profesional médico,” Atención Primaria, vol. 38, no. 10, pp. 544–549, 2006.

H. Liu et al., “Artificial Intelligence and Radiologist Burnout,” JAMA Netw. Open, vol. 7, no. 11, p. e2448714, Nov. 2024, doi: 10.1001/jamanetworkopen.2024.48714.

J. J. B. Gutiérrez and A. Arias-Herrera, “Síndrome de burnout en personal de enfermería: asociación con estresores del entorno hospitalario, Andalucía, España,” Enfermería Univ., vol. 15, no. 1, pp. 30–44, Mar. 2018, doi: 10.22201/eneo.23958421e.2018.1.62903.

F. López-Soriano and L. Bernal, “Prevalencia y factores asociados con el síndrome de burnout en enfermería de atención hospitalaria,” Rev. Calid. Asist., vol. 17, no. 4, pp. 201–205, 2002.

W. L. Arias Gallegos and A. Muñoz del Carpio Toia, “Síndrome de burnout en personal de enfermería de Arequipa,” Rev. Cuba. Salud Pública, vol. 42, no. 4, pp. 559–575, 2016.

M. N. V Thomaé, E. A. Ayala, M. S. Sphan, and M. A. Stortti, “Etiología y prevención del síndrome de burnout en los trabajadores de la salud,” Rev. Posgrado la VIa Cátedra Med., no. 153, pp. 18–21, 2006.

L. Saborío Morales and L. F. Hidalgo Murillo, “Síndrome de Burnout,” Med. Leg. Costa Rica, vol. 32, no. 1, pp. 119–124, 2015.

K. Cifuentes-Casquete and K. F. Escobar-Segovia, “Factores de riesgos psicosociales y Síndrome de Burnout en un hospital de Guayaquil, ante la emergencia sanitaria por COVID-19,” Rev. CIENCIAS PEDAGÓGICAS E INNOVACIÓN, vol. 9, no. 1, pp. 43–50, Jun. 2021, doi: 10.26423/rcpi.v9i1.411.

J. Lovo, “Síndrome de burnout: Un problema moderno,” Entorno, vol. 70, no. 70, pp. 110–120, Dec. 2020, doi: 10.5377/entorno.v0i70.10371.

J. Velasco-Benavides and E. Herrera, “Factores de riesgo asociados al síndrome de burnout en docentes de la provincia del Carchi,” Innov. Dev. Eng. Appl. Sci., vol. 7, no. 1, p. 20, Jan. 2025, doi: 10.53358/ideas.v7i1.1015.

M. J. Aza-Espinosa, E. P. Herrera-Granda, and M. Ibarra-Rosero, “DeepBrucel: A Deep Learning Approach for Automated Risk Detection of Brucellosis in Cattle Farms in Ecuador,” Ingénierie des systèmes d Inf., vol. 28, no. 4, pp. 897–920, Aug. 2023, doi: 10.18280/isi.280411.

V. R. Benalcázar-Rojas, W. J. Yambay-Vallejo, and E. P. Herrera-Granda, “Multivariate Analysis for Prediction of Splitting Tensile Strength in Concrete Paving Blocks,” Appl. Sci., vol. 13, no. 19, p. 10956, Oct. 2023, doi: 10.3390/app131910956.

M. Ibnu Choldun R., J. Santoso, and K. Surendro, “Determining the Number of Hidden Layers in Neural Network by Using Principal Component Analysis,” in Intelligent Systems and Applications, Y. Bi, R. Bhatia, and S. Kapoor, Eds., Cham: Springer International Publishing, 2020, pp. 490–500.

A. U. Khan et al., “Seroprevalence and Molecular Identification of Brucella spp. in Bovines in Pakistan—Investigating Association With Risk Factors Using Machine Learning,” Front. Vet. Sci., vol. 7, p. 980, Dec. 2020, doi: 10.3389/fvets.2020.594498.

M. I. C. Rachmatullah, J. Santoso, and K. Surendro, “Determining the number of hidden layer and hidden neuron of neural network for wind speed prediction,” PeerJ Comput. Sci., vol. 7, no. e724, p. e724, Sep. 2021, doi: 10.7717/peerj-cs.724.

H. B. Demuth, M. H. Beale, O. De Jess, and M. T. Hagan, Neural Network Design, 2nd ed. Stillwater, OK, USA: Martin Hagan, 2014.

I. D. Herrera-Granda et al., “Artificial Neural Networks for Bottled Water Demand Forecasting: A Small Business Case Study,” in Lecture Notes in Computer Science (including subseries Lecture Notes in Artificial Intelligence and Lecture Notes in Bioinformatics), vol. 11507 LNCS, Springer Verlag, 2019, pp. 362–373. doi: https://doi.org/10.1007/978-3-030-20518-8_31.

S. J. Reddi, S. Kale, and S. Kumar, “On the Convergence of Adam and Beyond.” 2019. doi: https://doi.org/10.48550/arXiv.1904.09237.




DOI: https://doi.org/10.23857/pc.v10i9.10479

Enlaces de Referencia

  • Por el momento, no existen enlaces de referencia
';

Bookmark and Share




Polo del Conocimiento              

Revista Científico-Académica Multidisciplinaria

ISSN: 2550-682X

Casa Editora del Polo                                                 

Manta - Ecuador       

Dirección: Ciudadela El Palmar, II Etapa,  Manta - Manabí - Ecuador.

Código Postal: 130801

Teléfonos: 056051775/0991871420

Email: polodelconocimientorevista@gmail.com / director@polodelconocimiento.com

URL: https://www.polodelconocimiento.com/