����������������������������������������������������������������������������������

 

 

Modelo para la valoraci�n de Burnout en el personal m�dico del Hospital Luis G D�vila � Tulc�n empleando Inteligencia artificial

 

Model for assessing burnout in medical staff at the Luis G. D�vila Hospital in Tulc�n using artificial intelligence

 

Modelo para avaliar o burnout na equipa m�dica do Hospital Luis G. D�vila em Tulc�n com recurso a intelig�ncia artificial

 

 

 

 

 

 

 

 

 

 

 

Correspondencia: luisg.romero@unach.edu.ec

�

Ciencias de la Salud

Art�culo de Investigaci�n

 

 

* Recibido: 13 de julio de 2025 *Aceptado: 20 de agosto de 2025 * Publicado: �26 de septiembre de 2025

 

        I.            Maestrante de la Universidad Nacional de Chimborazo, Ecuador.

      II.            Departamento de Inform�tica y Ciencias de la Computaci�n, Escuela Polit�cnica Nacional, Quito 170525, Laboratorio de Simulaci�n Num�rica y Ac�stica, LASINAC, Escuela Polit�cnica Nacional, Quito 170525, Av. Antonio Jos� de Sucre, Riobamba, Ecuador.

Resumen

Este estudio desarroll� un modelo de inteligencia artificial para evaluar el s�ndrome de Burnout en el personal m�dico del Hospital Luis G. D�vila (Ecuador), recopilando datos de 165 profesionales con 20 variables categ�ricas y 22 ordinales. Tras preprocesar los datos con distancias de Mahalanobis y PCA, se conservaron 91 predictores codificados num�ricamente. Mediante un riguroso protocolo que evalu� m�s de 500 arquitecturas, se eligi� una red neuronal �ptima de dos capas ocultas (155 y 91 neuronas), logrando una precisi�n superior al 90%, muy por encima de la regresi�n log�stica multinomial (11,17%). El modelo se implement� en R y Python usando TensorFlow y Keras. El an�lisis de correlaci�n ajustado indic� que horas de carga laboral, volumen de pacientes y percepci�n emocional fueron los predictores m�s influyentes. Este enfoque demostr� la eficacia de la IA para la detecci�n y personalizaci�n diagn�stica del Burnout en contextos hospitalarios locales, ofreciendo una herramienta escalable y automatizada para la prevenci�n temprana de este s�ndrome ocupacional.

Palabras clave: inteligencia artificial; redes neuronales; s�ndrome de Burnout; t�cnicas avanzadas de aprendizaje autom�tico.

 

Abstract

This study developed an artificial intelligence model to assess burnout syndrome in the medical staff of Luis G. D�vila Hospital (Ecuador), collecting data from 165 professionals with 20 categorical and 22 ordinal variables. After preprocessing the data with Mahalanobis distances and PCA, 91 numerically coded predictors were retained. Through a rigorous protocol that evaluated more than 500 architectures, an optimal two-hidden-layer neural network (155 and 91 neurons) was chosen, achieving an accuracy greater than 90%, well above multinomial logistic regression (11.17%). The model was implemented in R and Python using TensorFlow and Keras. Adjusted correlation analysis indicated that workload hours, patient volume, and emotional perception were the most influential predictors. This approach demonstrated the effectiveness of AI for the detection and personalized diagnosis of burnout in local hospital settings, offering a scalable and automated tool for the early prevention of this occupational syndrome.

Keywords: artificial intelligence; neural networks; burnout syndrome; advanced machine learning techniques.

 

Resumo

Este estudo desenvolveu um modelo de intelig�ncia artificial para avaliar a s�ndrome de burnout na equipa m�dica do Hospital Luis G. D�vila (Equador), recolhendo dados de 165 profissionais com 20 vari�veis ​​categ�ricas e 22 ordinais. Ap�s o pr�-processamento dos dados com as dist�ncias de Mahalanobis e ACP, foram retidos 91 preditores codificados numericamente. Atrav�s de um protocolo rigoroso que avaliou mais de 500 arquiteturas, foi escolhida uma rede neural �tima de duas camadas ocultas (155 e 91 neur�nios), conseguindo uma precis�o superior a 90%, muito acima da regress�o log�stica multinomial (11,17%). O modelo foi implementado em R e Python usando o TensorFlow e o Keras. A an�lise de correla��o ajustada indicou que as horas de trabalho, o volume de doentes e a perce��o emocional foram os preditores mais influentes. Esta abordagem demonstrou a efic�cia da IA ​​para a dete��o e diagn�stico personalizado de burnout em ambientes hospitalares locais, oferecendo uma ferramenta escal�vel e automatizada para a preven��o precoce desta s�ndrome ocupacional.

Palavras-chave: intelig�ncia artificial; redes neuronais; s�ndrome de burnout; t�cnicas avan�adas de aprendizagem autom�tica.

 

Introducci�n

El personal m�dico hospitalario enfrenta alta demanda f�sica y emocional, relegando su bienestar y exponi�ndose a estr�s cr�nico que puede derivar en el s�ndrome de Burnout, caracterizado por agotamiento emocional, despersonalizaci�n y baja realizaci�n personal, afectando la calidad del servicio y la seguridad del paciente. Reconocido como enfermedad laboral por la OMS desde 2022, el Burnout surge del estr�s cr�nico mal gestionado en el entorno laboral, siendo su detecci�n temprana esencial, especialmente en hospitales p�blicos donde los recursos son limitados y el diagn�stico suele depender de evaluaciones subjetivas, lo que retrasa la intervenci�n.

Este trabajo propone un modelo automatizado basado en inteligencia artificial para valorar el Burnout en personal m�dico hospitalario, usando instrumentos validados y modelos como clasificadores binarios y redes neuronales profundas, lo cual facilita la identificaci�n de factores de riesgo sin intervenci�n directa. Se emplea un dise�o mixto para lograr inferencias s�lidas sobre los factores psicosociales en el entorno hospitalario. La IA representa un avance en la gesti�n de riesgos, aunque requiere integrarse en modelos de salud ocupacional complementarios. El valor del estudio reside en su potencial para promover consciencia y acci�n en un problema que afecta la vida profesional y la calidad del sistema sanitario.

Los antecedentes investigativos recientes han fortalecido este enfoque. Diversos estudios han abordado la predicci�n del Burnout mediante herramientas avanzadas de an�lisis multivariante y aprendizaje autom�tico. Para, Caldern-De la Cruz y Merino-Soto (2020) analizaron la estructura interna del Maslach Burnout Inventory empleando t�cnicas estad�sticas avanzadas para validaci�n. En el �mbito del aprendizaje autom�tico, los primeros desarrollos incluyen aplicaciones de redes neuronales artificiales, mostrando rendimientos superiores a los m�todos estad�sticos convencionales, como reportan diferentes autores [1-3]. Otras investigaciones han incorporado datos fisiol�gicos y psicom�tricos a trav�s de dispositivos wearables y an�lisis en tiempo real, incrementando la precisi�n diagn�stica [4-7].

Estudios recientes tambi�n han enfatizado la selecci�n de caracter�sticas y la robustez de los modelos, empleando t�cnicas como el An�lisis de Componentes Principales (PCA) y el algoritmo de clusterizaci�n Kamila, logrando precisiones cercanas al 97% [8-17]. El contexto de crisis, particularmente la pandemia de COVID-19, ha demostrado la importancia de modelos adaptables que consideran variables sociodemogr�ficas, biomarcadores e informaci�n contextual [18-19]. As�, la evoluci�n de estas t�cnicas refleja una tendencia hacia sistemas predictivos integrados y multidimensionales, capaces de combinar datos tradicionales de cuestionarios, se�ales biol�gicas y criterios sociodemogr�ficos.

En este marco, el presente estudio propone e implementa un modelo automatizado basado en inteligencia artificial para la valoraci�n del s�ndrome de Burnout en el personal m�dico del Hospital Luis G. D�vila, haciendo uso de m�todos estad�sticos multivariados y aprendizaje profundo, con el objetivo de atender de manera eficiente uno de los problemas m�s cr�ticos en salud ocupacional actual.

 

Materiales y m�todos

La investigaci�n se propuso como objetivo determinar los factores de riesgo del s�ndrome de Burnout en el personal m�dico y de enfermer�a del Hospital Luis G. D�vila, mediante el desarrollo de un modelo automatizado de valoraci�n basado en t�cnicas de inteligencia artificial y an�lisis multivariante. El estudio adopta un enfoque mixto (cuantitativo-cualitativo), predominando el componente cuantitativo. Se trata de una investigaci�n no experimental y transversal, de tipo aplicativo y explicativo. El nivel es correlacional-predictivo, orientado a identificar patrones y factores de riesgo que inciden en la presentaci�n del Burnout y su magnitud en la poblaci�n objetivo. La poblaci�n estuvo compuesta por la totalidad del personal m�dico y de enfermer�a activo en el Hospital Luis G. D�vila durante el per�odo de estudio, sumando 165 participantes, quienes constituyeron la muestra total por muestra censal.

Los instrumentos de recolecci�n de datos para la informaci�n cuantitativa, se emple� el Inventario Maslach de Burnout (MBI), con 22 �tems que eval�an las dimensiones de cansancio emocional, despersonalizaci�n y realizaci�n personal. Complementariamente, se aplicaron encuestas sociodemogr�ficas, incorporando 20 variables categ�ricas (edad, g�nero, estado civil, hijos, tiempo en la profesi�n, horas de trabajo). Para la obtenci�n de los datos cualitativos y para recoger percepciones sobre el entorno laboral, estabilidad emocional y procesos de afrontamiento, se usaron entrevistas semiestructuradas y consultas abiertas con expertos del �rea de salud.

El an�lisis de los datos cuantitativos incluy� imputaci�n de datos faltantes por K-Nearest Neighbors, detecci�n de valores at�picos mediante distancia de Mahalanobis, reducci�n de dimensionalidad con An�lisis de Componentes Principales (PCA), y codificaci�n dummy de variables categ�ricas. Para la predicci�n del Burnout, se construyeron modelos de redes neuronales profundas (Deep Learning) utilizando TensorFlow y Keras en R y Python. La arquitectura �ptima se seleccion� con base en precisi�n, error cuadr�tico medio y capacidad predictiva. Para el an�lisis de los datos cualitativos, se analiz� mediante categorizaci�n tem�tica y triangulaci�n con los datos cuantitativos, permitiendo interpretar factores percibidos como influyentes o protectores frente al Burnout, contextualizando los resultados y validando el modelo automatizado.

 

Resultados

 

Tabla 1. Formato y ejemplo de etiquetas empleadas como variables de respuesta para el proceso de entrenamiento

 

La Tabla 1 ejemplifica el sistema de etiquetado utilizado en el entrenamiento del modelo de red neuronal para el s�ndrome de Burnout, donde cada participante recibe una etiqueta (1 = presencia, 0 = ausencia) en los niveles alto, medio o bajo de las dimensiones: cansancio emocional, despersonalizaci�n y realizaci�n personal. La codificaci�n dummy permite clasificar simult�neamente m�ltiples perfiles de riesgo, por ejemplo, alguien con puntaje 1 en las tres dimensiones se considera en alto riesgo de Burnout. Este esquema favorece la precisi�n del diagn�stico y la personalizaci�n de intervenciones, permitiendo identificar qu� dimensi�n cr�tica predomina para la toma de decisiones focalizadas en el personal de salud.

La diversidad multivariada, categ�rica y ordinal del instrumento impidi� usar t�cnicas estad�sticas cl�sicas, lo que llev� a emplear redes neuronales artificiales y Deep Learning por su alta capacidad para procesar variables no lineales. El procesamiento se realiz� en R y Python (Anaconda), integrando TensorFlow 2.1 y Keras con reticulate. Se imputaron 17 datos faltantes (0.011%) usando KNN (VIM) y se analizaron observaciones at�picas con distancias de Mahalanobis (punto de corte 297.7523, chi-cuadrado, 99.9%), sin detectar casos extremos, manteniendo la base con 165 observaciones. Posteriormente, se trasformaron variables categ�ricas y binarias a dummies (recipes, tidyverse), generando una matriz de 100 variables: 91 predictores y variables de respuesta seg�n las etiquetas de la Tabla 2. La integridad del conjunto se verific� con ggplot2 y GGally, y los resultados se muestran en la Tabla 2.

 

Tabla 2. Estad�sticos descriptivos de cada variable que conforma la base de datos

 

La Tabla 2 muestra que la matriz anal�tica final qued� sin valores at�picos ni faltantes, y todas las 100 variables conservaron varianza distinta de cero. Seg�n la Tabla 1, el patr�n de dispersi�n heterog�neo justific� agregar una capa de normalizaci�n en la entrada, implementada en Keras con layer_normalization y adapt, para asegurar escalas homog�neas y evitar distorsiones en los gradientes. La variable de respuesta se codific� como dummy, lo que permiti� tener nueve neuronas en la capa de salida�una por cada categor�a del Burnout�utilizando la funci�n to_categorical de Keras, optimizando la clasificaci�n y personalizaci�n diagn�stica.

Regresi�n log�stica multinomial.� La regresi�n log�stica multinomial se aplic� como t�cnica cl�sica de contraste para evaluar el desempe�o frente a m�todos de machine learning. El modelo se construy� con las 91 variables regresoras y las nueve categor�as de respuesta, ajustando nueve modelos GLM mediante la funci�n glm de R. Solo 17 variables resultaron significativas, con valores de AIC = 423.76, Null deviance = 425.517 y Residual deviance = 87.23, logrando una precisi�n de 11.1713%. Estos resultados evidencian que la regresi�n log�stica presenta �limitaciones sustanciales para explicar adecuadamente la estructura compleja de relaciones entre las variables del instrumento propuesto�, lo que justifica el uso de t�cnicas multivariantes m�s avanzadas como las redes neuronales.

Arquitectura de la red neuronal. Un protocolo experimental exhaustivo suele ser un excelente recurso para la identificaci�n de una arquitectura apropiada para la red neuronal [21], [23], [24], [25],� motivo por el cual se dise�aron arquitecturas de redes neuronales poco profundas y profundas para optimizar la clasificaci�n. La topolog�a �ptima se determin� mediante una metodolog�a dual que combin� an�lisis de componentes principales (PCA) para establecer el n�mero �ptimo de capas ocultas [23], [25]; y exploraci�n sistem�tica de todas las configuraciones posibles de neuronas en las capas ocultas, . El PCA, ejecutado en R con la funci�n princomp, permiti� estimar los factores m�nimos para explicar la varianza y seg�n , relacionarlos con el posible n�mero de capas ocultas [26], [27], con resultados presentados en la Tabla 3 y la Figura 1.

 

Tabla 3. Resultados del an�lisis de componentes principales ejecutado sobre la base de datos.

 

Fig. 1. Proporci�n acumulada de varianza para cada n�mero de componentes obtenido mediante el PCA.

 

Como se puede observar en la Figura 1 y siguiendo las recomendaciones de [23], se puede considerar un n�mero de capas ocultas similar al n�mero de componentes principales hasta donde el modelo es capaz de explicar cerca del 7-% de la varianza del conjunto de datos. Por lo que en este estudio se estudiaron las arquitecturas poco profundas de una capa oculta y las arquitecturas profundas de 2 y 3 capas ocultas.

Modelo secuencial de una capa oculta. La arquitectura del modelo comenz� con una red neuronal superficial de una sola capa oculta, optimizada iterativamente para distintas configuraciones. Se emple� funci�n de activaci�n ReLU, regularizaci�n L2 e inicializaci�n Glorot con distribuci�n normal, adem�s de Dropout (80% activas, 20% inactivas) para mitigar el desvanecimiento de gradiente. El entrenamiento se realiz� con Adam (learning-rate 0.1, decaimiento 1/500, momentum 0.8, β_1=0.9, β_2=0.999, AMSGrad activado). El rango explorado fue de 49 a 198 neuronas en la capa oculta, equivalente a la mitad y el doble de las 91 entradas. Los resultados de rendimiento se detallan en la Tabla 4 y Figura 2.

 

Tabla 4. M�tricas de desempe�o para diferentes configuraciones de redes neuronales con una sola capa oculta

 

Fig. 2. Accuracy, Loss y MSE para cada uno de los 137 modelos de una sola capa oculta entrenado considerando diversas alternativas de n�mero de neuronas en la primera capa oculta.

 

El an�lisis de la Tabla 4 y Figura 2 mostr� que la arquitectura con 155 neuronas en la primera capa oculta logr� la mejor precisi�n (84%), por lo cual fue utilizada como modelo �ptimo y base para transferencia de aprendizaje en modelos con dos capas ocultas. La Figura 2 evidenci� que el incremento de neuronas usualmente eleva el �Loss� y reduce el �MSE�, pero no siempre mejora la precisi�n, subrayando que una mayor cantidad de neuronas no garantiza un mejor desempe�o. El entrenamiento iterativo y la arquitectura final se ilustran en las Figuras 3 y 4.

 

Fig. 3. Proceso de entrenamiento de la red neuronal propuesta de una capa oculta

 

Fig. 4. Arquitectura de la red neuronal propuesta de una capa oculta

 

Modelo secuencial de dos capas ocultas. Se evalu� un modelo secuencial de dos capas ocultas (Deep Learning) buscando superar el desempe�o del de una capa. Se exploraron m�ltiples configuraciones con algoritmo iterativo, utilizando ReLU, regularizaci�n L2, inicializaci�n Glorot (σ=1, μ=0) y Dropout (80% neuronas activas), y se entren� con Adam (learning-rate 0.1, decaimiento 1/500, momentum 0.8, β_1=0.9, β_2=0.999, AMSGrad). El n�mero �ptimo de neuronas para la segunda capa se busc� exhaustivamente entre 77 y 310 (la mitad a doble de las 155 entradas). El rendimiento de cada configuraci�n est� detallado en la Tabla 5 y Figura 5.

 

Tabla 5. M�tricas de desempe�o para diferentes configuraciones de redes neuronales con dos capas ocultas.

 

Fig. 5. Accuracy, Loss y MSE para cada uno de los 233 modelos de dos capas ocultas entrenados considerando diversas alternativas de n�mero de neuronas en la primera capa oculta.

 

El an�lisis sistem�tico, seg�n la Tabla 5 y Figura 5, identific� que la configuraci�n �ptima fue de 91 neuronas en la segunda capa oculta, logrando una precisi�n de aproximadamente 90% y sirviendo como base para transferencia de aprendizaje en modelos de mayor profundidad. La evaluaci�n revel� que aumentar el n�mero de neuronas eleva el Loss y el MSE, mientras el Accuracy tiende a incrementarse, aunque sin garant�as de mejora adicional significativa. El entrenamiento iterativo y la arquitectura final de dos capas ocultas (155 y 91 neuronas) se presentan en las Figuras 6.y 7.

 

Fig. 6. Proceso de entrenamiento de la red neuronal propuesta de dos capas ocultas

 

Fig. 7. Arquitectura de la red neuronal propuesta de dos capas ocultas

 

Modelo secuencial de tres capas ocultas. El modelo secuencial de tres capas ocultas fue evaluado para determinar si superaba las m�tricas de la arquitectura de dos capas. Se entrenaron diversas configuraciones manteniendo la funci�n ReLU, regularizaci�n L2, inicializaci�n Glorot y Dropout (80% activas). El optimizador fue Adam (learning-rate 0.1, decaimiento 1/500, momentum 0.8, β_1=0.9, β_2=0.999, AMSGrad). El rango de b�squeda de neuronas para la tercera capa fue de 45 a 182 neuronas, acorde a la mitad y el doble de las 91 entradas. Los resultados comparativos se muestran en la Tabla 6 y la Figura 6, destacando el impacto de la arquitectura en el rendimiento del modelo.

 

Tabla 6. M�tricas de desempe�o para diferentes configuraciones de redes neuronales con tres capas ocultas

Fig. 8. Accuracy, Loss y MSE para cada uno de los 138 modelos de tres capas ocultas entrenados considerando diversas alternativas de n�mero de neuronas en la primera capa oculta.

 

El an�lisis sistem�tico reflejado en la Tabla 6 y la Figura 8 mostr� que la configuraci�n con 52 neuronas en la tercera capa oculta logr� una precisi�n de casi 90%, aunque no super� el desempe�o del modelo de dos capas ocultas (155 y 91 neuronas), por lo que este �ltimo fue elegido como arquitectura final. Adem�s, la Figura 8 reporta que agregar m�s neuronas llev� a descensos en precisi�n y aumentos en Loss y MSE, indicando sobreajuste. La estructura y entrenamiento del modelo de tres capas se ilustran en las Figuras 9 y 10.

 

Fig. 9. Proceso de entrenamiento de la red neuronal propuesta de tres capas ocultas

 

Fig. 10. Arquitectura de la red neuronal propuesta de tres capas ocultas

 

An�lisis de correlaci�n. Para evaluar el aporte individual de cada predictor en el modelo de Deep Learning para Burnout, se realiz� un an�lisis de correlaci�n usando corrr en R, centrando y normalizando las variables. Los resultados, mostrados en las Figuras 11, 12 y 13, permitieron identificar el impacto espec�fico de cada predictor sobre cansancio emocional alto, despersonalizaci�n alta y realizaci�n personal baja, facilitando as� la interpretaci�n de los factores m�s influyentes en el s�ndrome de Burnout.

Fig. 11. An�lisis de correlaci�n de cada predictor respecto a la variable cansancio emocional alto obtenido mediante el modelo de Deep Learning de dos capas ocultas.

 

 

Fig. 12. An�lisis de correlaci�n de cada predictor respecto a la variable despersonalizaci�n alta obtenido mediante el modelo de Deep Learning de dos capas ocultas

Fig. 13. An�lisis de correlaci�n de cada predictor respecto a la variable realizaci�n personal baja obtenido mediante el modelo de Deep Learning de dos capas ocultas.

 

Discusi�n

El estudio presenta una innovaci�n metodol�gica significativa en la evaluaci�n automatizada del s�ndrome de Burnout en el contexto hospitalario de Tulc�n, Ecuador, mediante una red neuronal profunda optimizada con regularizaci�n avanzada y transferencia de aprendizaje. A diferencia de investigaciones previas como el de [20], que analizaron solo el cansancio emocional, el modelo propuesto eval�a integralmente las tres dimensiones del Inventario Maslach de Burnout (MBI): agotamiento emocional, despersonalizaci�n y realizaci�n personal, permitiendo as� una valoraci�n m�s representativa del estado psicoemocional del personal m�dico.

Una de las principales novedades es la ampliaci�n del cuestionario de Burnout al incluir 20 variables categ�ricas adicionales de tipo cualitativo y demogr�fico (por ejemplo, estado civil, n�mero de hijos, percepci�n emocional, frecuencia de contagios por COVID-19, tipo de servicio hospitalario), logrando un modelo altamente personalizado cuyos resultados diagn�sticos superan los enfoques generalistas. Esta estrategia responde a cr�ticas en la literatura [12], [19], sobre la limitada validez universal del MBI en diferentes contextos.

El modelo alcanz� una precisi�n superior al 90%, utilizando una arquitectura de dos capas ocultas con 155 y 91 neuronas respectivamente, seleccionada tras evaluar m�s de 500 configuraciones. La aplicaci�n de regularizaci�n L2, dropout y transfer learning mejor� la capacidad predictiva frente a m�todos convencionales. En contraste, el estudio de [20] emple� una red con cinco capas ocultas solo para agotamiento emocional, logrando un 86% de precisi�n y sin abarcar otras dimensiones ni realizar un an�lisis multivariable profundo. El modelo desarrollado aqu� integra nueve neuronas de salida que representan la combinaci�n de intensidades en las tres dimensiones del burnout, capturando la complejidad inherente al fen�meno y produciendo predicciones matizadas.

El uso de PCA y la distancia de Mahalanobis para la selecci�n de variables y exclusi�n de valores at�picos aporta una base estad�stica robusta, enriqueciendo la validez de los resultados mediante la integraci�n de estad�stica avanzada con inteligencia artificial. Por �ltimo, este trabajo enfatiza la importancia de adaptar los modelos de machine learning al contexto local, pues asumir la validez universal de una sola herramienta diagn�stica ha resultado insuficiente [5], [18]. El modelo propuesto demuestra que integrar datos espec�ficos del entorno social, laboral y sanitario permite desarrollar herramientas m�s precisas, equitativas y �tiles para prevenir y gestionar el s�ndrome de Burnout en escenarios hospitalarios.

 

Conclusi�n

El estudio confirm� la eficacia de un modelo de inteligencia artificial para la valoraci�n del s�ndrome de Burnout en el personal m�dico del Hospital Luis G. D�vila, utilizando redes neuronales profundas (DNN) y m�todos estad�sticos multivariantes como PCA y distancia de Mahalanobis. La arquitectura �ptima, con dos capas ocultas (155 y 91 neuronas), logr� una precisi�n del 90%, superando ampliamente a la regresi�n log�stica multinomial (11.17%). El uso de regularizaci�n L2, dropout y el optimizador Adam con AMSGrad evit� el sobreajuste y optimiz� el entrenamiento. La implementaci�n en R y Python con TensorFlow y Keras favoreci� la integraci�n tecnol�gica. El an�lisis de correlaci�n identific� variables clave, como horas de trabajo y percepci�n emocional, que influyen en las dimensiones del Burnout. Adem�s, el modelo incorpor� 20 variables categ�ricas espec�ficas del personal de salud de Tulc�n, ofreciendo un m�todo m�s preciso y potente que el test tradicional en este contexto espec�fico. Estos resultados resaltan la importancia de enfoques innovadores y sistem�ticos en el abordaje del Burnout con inteligencia artificial y validan la utilidad de combinar t�cnicas estad�sticas y de aprendizaje profundo en contextos cl�nicos y ocupacionales.

 

Referencias

      1.            G. A. Calder�n-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.

      2.            F. Ladst�tter, 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.

      3.            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.

      4.            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.

      5.            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.

      6.            P. Gebhard, T. Schneeberger, M. Dietz, E. Andr�, 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.

      7.            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.

      8.            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.

      9.            A. Zamudio-Sosa, S. Rojo-L�pez, F. Fuentes-Gallegos, and J. I. Fletes-Guti�rrez, �Burnout en profesionales de la salud en contexto de pandemia: una propuesta metodol�gica para la detecci�n 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.

   10.            P. L. Tito Huaman�, M. Torres Pecho, and E. E. P�rez Palacios, �Predictores del s�ndrome de burnout en docentes universitarios: Un an�lisis factorial exploratorio,� Enfermer�a Glob., 2022.

   11.            B. Moreno Jim�nez, M. G�lvez Herrera, E. Garrosa Hern�ndez, and J. C. Mingote Ad�n, �Nuevos planteamientos en la evaluaci�n del burnout. La evaluaci�n espec�fica del desgaste profesional m�dico,� Atenci�n Primaria, vol. 38, no. 10, pp. 544�549, 2006.

   12.            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.

   13.            J. J. B. Guti�rrez and A. Arias-Herrera, �S�ndrome de burnout en personal de enfermer�a: asociaci�n con estresores del entorno hospitalario, Andaluc�a, Espa�a,� Enfermer�a Univ., vol. 15, no. 1, pp. 30�44, Mar. 2018, doi: 10.22201/eneo.23958421e.2018.1.62903.

   14.            F. L�pez-Soriano and L. Bernal, �Prevalencia y factores asociados con el s�ndrome de burnout en enfermer�a de atenci�n hospitalaria,� Rev. Calid. Asist., vol. 17, no. 4, pp. 201�205, 2002.

   15.            W. L. Arias Gallegos and A. Mu�oz del Carpio Toia, �S�ndrome de burnout en personal de enfermer�a de Arequipa,� Rev. Cuba. Salud P�blica, vol. 42, no. 4, pp. 559�575, 2016.

   16.            M. N. V Thoma�, E. A. Ayala, M. S. Sphan, and M. A. Stortti, �Etiolog�a y prevenci�n del s�ndrome de burnout en los trabajadores de la salud,� Rev. Posgrado la VIa C�tedra Med., no. 153, pp. 18�21, 2006.

   17.            L. Sabor�o Morales and L. F. Hidalgo Murillo, �S�ndrome de Burnout,� Med. Leg. Costa Rica, vol. 32, no. 1, pp. 119�124, 2015.

   18.            K. Cifuentes-Casquete and K. F. Escobar-Segovia, �Factores de riesgos psicosociales y S�ndrome de Burnout en un hospital de Guayaquil, ante la emergencia sanitaria por COVID-19,� Rev. CIENCIAS PEDAG�GICAS E INNOVACI�N, vol. 9, no. 1, pp. 43�50, Jun. 2021, doi: 10.26423/rcpi.v9i1.411.

   19.            J. Lovo, �S�ndrome de burnout: Un problema moderno,� Entorno, vol. 70, no. 70, pp. 110�120, Dec. 2020, doi: 10.5377/entorno.v0i70.10371.

   20.            J. Velasco-Benavides and E. Herrera, �Factores de riesgo asociados al s�ndrome 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.

   21.            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,� Ing�nierie des syst�mes d Inf., vol. 28, no. 4, pp. 897�920, Aug. 2023, doi: 10.18280/isi.280411.

   22.            V. R. Benalc�zar-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.

   23.            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.

   24.            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.

   25.            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.

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

   27.            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.

   28.            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.

 

 

 

 

 

 

 

� 2025 por los autores. Este art�culo es de acceso abierto y distribuido seg�n los t�rminos y condiciones de la licencia Creative Commons Atribuci�n-NoComercial-CompartirIgual 4.0 Internacional (CC BY-NC-SA 4.0)

(https://creativecommons.org/licenses/by-nc-sa/4.0/).