Analítica predictiva como apoyo en la salud pública: Modelos de pronóstico en salud mental con series de tiempo Predictive analytics for policymakers: Time-series forecasting for mental health

Resumen

La salud mental ha sido declarada por la Organización Mundial de la Salud (OMS) como un asunto de interés prioritario en la salud pública internacional. En el caso particular de Colombia, se ha destacado la importancia de la atención a la salud mental incluyendo el fenómeno del suicidio. En este sentido, los entes reguladores han buscado alternativas que solucionen o contribuyan a la mitigación de esta problemática. En dicho contexto, se hace pertinente realizar contribuciones académicas en torno al desarrollo de herramientas que faciliten la toma de decisiones de los entes gubernamentales, por ejemplo, a través de la formulación de modelos de pronóstico que permita identificar tendencias y patrones de comportamiento de los intentos de suicidio.

 Este artículo contribuye con esta brecha en la literatura para el caso particular de los casos de intentos de suicidio en la ciudad de Medellín, Colombia, a través del uso de analítica prescriptiva. Este trabajo presenta el ajuste, validación y comparación de tres diferentes modelos de series temporales, bajo criterios de mínimo error de pronóstico. Los modelos comparados incluyen aproximaciones paramétricas, Holt-Winters y Box-Jenkins; y se identifica que, para los datos analizados, el modelo paramétrico de componentes aditivos cúbico estacional con errores ARMA(0,5) es el que presenta menor error de pronóstico. Los resultados indican que este modelo logra capturar las tendencias del fenómeno, y que tiene un bajo nivel de error para la proyección en cuanto a tendencias cercanas, pero que no logra dar respuesta a los cambios repentinos en la estructura como los que ocurrieron en la pandemia de COVID-19.