Análisis de clúster y redes neuronales artificiales en la caracterización y clasificación de perfiles de salud mental positiva en situación de confinamiento por COVID-19 /

Abstract

Objetivo: Este trabajo tiene como objetivo proporcionar un procedimiento válido para caracterizar y clasificar perfiles de salud mental positiva de sujetos en confinamiento prolongado por COVID-19. Método: Metodológicamente se adoptaron los factores actitud prosocial, autocontrol, satisfacción personal, autonomía, resolución de problemas y autoactualización y relaciones interpersonales en 285 individuos en edades entre 18 y 75 años; se revisó la literatura relacionada con la salud mental positiva, la aplicación de las Redes Neuronales Artificiales y el Análisis de Clúster, lo cual permitió estructurar un procedimiento de análisis sistemático para caracterizar y clasificar perfiles de salud mental positiva. Resultados: Se logró un procedimiento que integra un análisis de clúster que identificó patrones de comportamiento y caracterizó grupos de salud mental positiva y una red neuronal artificial que clasifica los perfiles de salud mental positiva en dos grupos distinguiendo estadios de bienestar de los individuos y se estableció la importancia normalizada de los factores analizados. Conclusión: A partir de los resultados, se puede concluir que el procedimiento propuesto que integra el análisis de clúster y las redes neuronales artificiales puede utilizarse como herramienta de caracterización y clasificación en estudios donde existan múltiples variables, lo cual complementa estudios tradicionales, aportando robustez en el análisis.

Objective: This work aims to provide a valid procedure to characterize and classify positive mental health profiles of subjects in prolonged confinement by COVID-19. Method: Methodologically, the factors prosocial attitude, self-control, personal satisfaction, autonomy, problem-solving and self-actualization, and interpersonal relationships were adopted in 285 individuals aged 18 to 75 years; the literature related to positive mental health, the application of Artificial Neural Networks and Cluster Analysis were reviewed, which allowed structuring a systematic analysis procedure to characterize and classify positive mental health profiles. Results: A procedure was achieved that integrates a cluster analysis that identified behavioral patterns and characterized groups of positive mental health and an artificial neural network that classifies positive mental health profiles into two groups distinguishing stages of the well-being of individuals and the normalized importance of the factors analyzed was established. Conclusion: From the results, it can be concluded that the proposed procedure that integrates cluster analysis and artificial neural networks can be used as a characterization and classification tool in studies where there are multiple variables, which complements traditional studies, providing robustness in the analysis.