Modelo predictivo para identificar el síndrome de burnout en estudiantes de medicina Predictive Model to Identify Burnout Syndrome in Medical Students
Barra lateral del artículo
Cómo citar
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-SinDerivadas 4.0.
Societal impact
Contenido principal del artículo
Resumen
El síndrome de burnout es un problema en estudiantes de medicina debido a la alta carga académica y emocional. El uso de técnicas de aprendizaje automático puede facilitar la identificación temprana y apoyar procesos de intervención. El objetivo fue desarrollar un modelo para predecir el síndrome de burnout en estudiantes, por medio de técnicas de machine learning. Se incluyó información de 81 estudiantes de medicina de Bogotá (Colombia) y se generaron 140 valores simulados, que formaron parte del conjunto total analizado. Se realizó una preselección de características numéricas relevantes, que fueron procesadas con el método SelectKBest. Se utilizó Random Forest optimizado mediante búsqueda de hiperparámetros. La evaluación empleó métricas de precisión, recall y F1-score. El modelo desarrollado alcanzó una precisión del 77 % en la clasificación de los niveles del síndrome de burnout en los participantes. En conclusión, el modelo desarrollado demostró ser efectivo para predecir el síndrome de burnout.
Detalles del artículo
Referencias
Almutairi, H., Alsubaiei, A., Abduljawad, S., Alshatti, A., Fekih-Romdhane, F., Husni, M. y Jahrami, H. (2022). Prevalence of burnout in medical students: A systematic review and meta-analysis. International Journal of Social Psychiatry, 68(6), 1157-1170. https://doi.org/10.1177/00207640221106691
Baniadamdizaj, S. y Baniadamdizaj, S. (2023). Prediction of Iranian EFL teachers' burnout level using machine learning algorithms and Maslach Burnout Inventory. Iran Journal of Computer Science, 6(1), 1-12. https://doi.org/10.1007/s42044-022-00112-x
Bergstra, J. y Bengio, Y. (2012). Random search for hyper-parameter optimization. The Journal of Machine Learning Research, 13(1), 281-305. https://dl.acm.org/doi/
abs/10.5555/2188385.2188395
Breiman, L. (2001). Random forests. Machine Learning, 45, 5-32. https://link.springer.com/article/10.1023/a:1010933404324
Caballero, C. C., Abello, R. y Palacio, J. (2007). Relación del burnout y el rendimiento académico con la satisfacción frente a los estudios en estudiantes universitarios. Avances en Psicología Latinoamericana, 25(2), 98-111. https://dialnet.unirioja.es/servlet/articulo?codigo=2542727
Chawla, N. V., Bowyer, K. W., Hall, L. O. y Kegelmeyer, W. P. (2002). SMOTE: Synthetic Minority Over-Sampling Technique. Journal of Artificial Intelligence Research, 16, 321-357. https://doi.org/10.1613/jair.953
Dyrbye, L. N., Thomas, M. R. y Shanafelt, T. D. (2006). Systematic review of depression, anxiety, and other indicators of psychological distress among us and Canadian medical students. Academic Medicine, 81(4), 354-373. https://academic.oup.com/academicmedicine/article-abstract/81/4/354/8354952
Feher, G., Kapus, K., Tibold, A., Banko, Z., Berke, G., Gacs, B., Varadi, I., Nyulas, R. y Matuz, A. (2024). Mental Issues, internet addiction and quality of life predict burnout among hungarian teachers: A machine learning analysis. BMC Public Health, 24(1), 2322. https://doi.org/10.1186/s12889-024-19797-9
Fernández-Delgado, M., Cernadas, E., Barro, S. y Amorim, D. (2014). Do we need hundreds of classifiers to solve real world classification problems? Journal of Machine Learning Research, 15(1), 3133-3181. https://www.jmlr.org/papers/volume15/delgado14a/delgado14a.pdf?source=post_page---------------------------
Gibert, D., Mateu, C. y Planes, J. (2020). The rise of machine learning for detection and classification of malware: Research developments, trends and challenges. Journal of Network and Computer Applications, 153, 102526. https://www.sciencedirect.com/science/article/pii/S1084804519303868
Gil-Monte, P. R. (2007). El síndrome de quemarse por el trabajo (burnout) como fenómeno transcultural. Informació Psicològica, (91-92), 4-11. https://www.informaciopsicologica.info/revista/article/view/259
Grządzielewska, M. (2021). Using machine learning in burnout prediction: A survey. Child and Adolescent Social Work Journal, 38(2), 175-180. https://link.springer.com/article/10.1007/s10560-020-00733-w
Guyon, I. y Elisseeff, A. (2003). An introduction to variable and feature selection. Journal of Machine Learning Research, 3, 1157-1182.
https://www.jmlr.org/papers/volume3/guyon03a/guyon03a.pdf
Haixiang, G., Yijing, L., Shang, J., Mingyun, G., Yuanyue, H. y Bing, G. (2017). Learning from class-imbalanced data: Review of methods and applications. Expert Systems with Applications, 73, 220-239. https://doi.org/10.1016/j.eswa.2016.12.035
Hederich-Martínez, C. y Caballero-Domínguez, C. C. (2016). Validación del cuestionario Maslach Burnout Inventory-Student Survey (MBI-SS) en contexto académico colombiano. Revista CES Psicología, 9(1), 1-15. https://revistas.ces.edu.co/index.php/psicologia/article/view/3511
Hernández-Sampieri, R., Fernández, C. y Baptista, P. (2014). Metodología de la investigación (6ª ed.). McGraw-Hill.
IsHak, W., Nikravesh, R., Lederer, S., Perry, R., Ogunyemi, D. y Bernstein, C. (2013). Burnout in Medical Students: A Systematic Review. The Clinical Teacher, 10(4), 242-245. https://doi.org/10.1111/tct.12014
Kuadey, N. A., Ankora, C., Tahiru, F., Bensah, L., Agbesi, C. C. M. y Bolatimi, S. O. (2024). Using Machine Learning Algorithms to Examine the Impact of Technostress Creators on Student Learning Burnout and Perceived Academic Performance. International Journal of Information Technology, 16(4), 2467-2482. https://link.springer.com/article/10.1007/s41870-023-01655-3
Maslach, C. y Jackson, S. E. (1981). The Measurement of Experienced Burnout. Journal of Organizational Behavior, 2(2), 99-113. https://doi.org/10.1002/job.4030020205
Müller, A. C. y Guido, S. (2016). Introduction to machine learning with Python: A guide for data scientists. O'Reilly Media, Inc. https://books.google.com.co/books?hl=es&lr=&id=1-4lDQAAQBAJ&oi=fnd&pg=PP1&dq=M%C3%BCller,+A.+C.,+y+Guido,+S.+(2016).+Introduction+to+machine+learning+with+Python:+a+guide+for+data+scientists.+O%27Reilly+Media,+Inc.+&ots=29lTILNM0X&sig=Ka0KsbSjSKRp6O11eNWqGqh_q-k&redir_esc=y#v=onepage&q&f=false
Papini, S., Iturralde, E., Lu, Y., Greene, J. D., Barreda, F., Sterling, S. A. y Liu, V. X. (2023). Development and Validation of a machine learning model using electronic health records to predict trauma-and stressor-related psychiatric disorders after hospitalization with sepsis. Translational Psychiatry, 13(1), 400. https://www.nature.com/articles/s41398-023-02699-6
Pedregosa, F., Varoquaux, G., Gramfort, A., Michel, V., Thirion, B., Grisel, O., Blondel, M., Prettenhofer, P., Weiss, R., Dubourg, V., Vanderplas, J., Passos, A., Cournapeau, D., Brucher, M., Perrot, M. y Duchesnay, É. (2011). Scikit-Learn: Machine learning in Python. Journal of Machine Learning Research, 12, 2825-2830. https://www.jmlr.org/papers/volume12/pedregosa11a/pedregosa11a.pdf?source=post_page
Pereira, M. G., Santos, M., Magalhães, R., Rodrigues, C., Araújo, O. y Durães, D. (2025). Burnout risk profiles in psychology students: An exploratory study with machine learning. Behavioral Sciences, 15(4), 505. https://doi.org/10.3390/bs15040505
Rosales-Ricardo, Y., Rizzo-Chunga, F., Mocha-Bonilla, J. y Ferreira, J. P. (2021). Prevalence of burnout syndrome in university students: A systematic review. Salud Mental, 44(2), 91-102. https://dialnet.unirioja.es/servlet/articulo?codigo=7903549
Saito, T., Suzuki, H. y Kishi, A. (2022). Predictive modeling of mental illness onset using wearable devices and medical examination data: Machine learning approach. Frontiers in Digital Health, 4, 861808. https://doi.org/10.3389/fdgth.2022.861808
Sufi, F. (2024). Generative Pre-Trained Transformer (GPT) in research: A systematic review on data augmentation. Information, 15(2), 99. https://doi.org/10.3390/info15020099
Tapio, R. P. (2025). Predicting burnout in college students: A machine learning approach using decision tree and psychometric data. Asian Journal of Probability and Statistics, 27(5), 50-60. https://doi.org/10.9734/ajpas/2025/v27i5754
Yi, L., Shuai, T., Zhou, J., Cheng, L., Jiménez-Herrera, M. F. y Tian, X. (2024). Development and validation of a machine learning-based predictive model for compassion fatigue in Chinese nursing interns: A cross-sectional study utilizing latent profile analysis. BMC Medical Education, 24(1), 1495. https://doi.org/10.1186/s12909-024-06505-9