EUVIMEDEUVIMED entdecken
Open Access · CC BY-NC 4.0

Graph Machine Learning (GraphML) para la detección temprana de riesgos para la salud mental: una revisión sistemática de literatura

Jorge Edwin Delgado Altamirano, Ciro Rodriguez Rodriguez

Esprint Investigación · 26.10.2026 · 5 (2) · 529-547

DOI: 10.61347/ei.v5i2.400 ↗

Kurz gefasst

Fachartikel in der Zeitschrift Esprint Investigación, online erschienen am 26.10.2026. Verfasst von Jorge Edwin Delgado Altamirano und 1 weiteren Autor:innen. Die Arbeit nennt 52 Literaturangaben. Der Volltext ist frei zugänglich (Open Access, CC BY-NC 4.0).

AbstractBibliografische AngabenZitierenVerwandte Studien

Abstract (Originalsprache)

La detección temprana de riesgos en salud mental constituye un desafío debido a la complejidad de las relaciones entre factores clínicos, conductuales y contextuales. El objetivo de esta investigación fue sintetizar y analizar la evidencia científica sobre la aplicación de Graph Machine Learning (GraphML) en la detección temprana de riesgos en salud mental, considerando las arquitecturas utilizadas, los trastornos abordados, las métricas de desempeño, las estrategias de validación y las principales limitaciones. Se realizó una revisión sistemática siguiendo las directrices PRISMA 2020, mediante búsquedas en Scopus y Web of Science de estudios originales publicados entre 2021 y 2026. Tras aplicar los criterios de elegibilidad y evaluar el riesgo de sesgo mediante la herramienta PROBAST, se incluyeron 27 estudios en la síntesis cualitativa. Los resultados evidenciaron un predominio de arquitecturas basadas en redes convolucionales de grafos (GCN), seguidas de redes de atención de grafos (GAT), GraphSAGE y modelos híbridos multimodales, aplicados principalmente a depresión, ansiedad, estrés e ideación suicida. Las métricas más utilizadas fueron exactitud, F1-score y área bajo la curva (AUC), con resultados predictivos favorables, especialmente en modelos que integraron datos clínicos, neuroimágenes, señales fisiológicas e información digital. Sin embargo, se identificaron limitaciones relacionadas con la validación externa, el desequilibrio de clases, la heterogeneidad de los datos y la interpretabilidad. Se concluyó que GraphML presenta potencial para apoyar la detección temprana de riesgos en salud mental, aunque su aplicación clínica requiere mayor validación multicéntrica, explicabilidad y reproducibilidad metodológica.

Zitieren

APA

Altamirano, J. E. D., & Rodriguez, C. R. (2026). Graph Machine Learning (GraphML) para la detección temprana de riesgos para la salud mental: una revisión sistemática de literatura. Esprint Investigación, 5(2), 529-547. https://doi.org/10.61347/ei.v5i2.400

Vancouver

Altamirano JED, Rodriguez CR. Graph Machine Learning (GraphML) para la detección temprana de riesgos para la salud mental: una revisión sistemática de literatura. Esprint Investigación. 2026;5(2):529-547. doi:10.61347/ei.v5i2.400

BibTeX
@article{Altamirano2026,
  author = {Altamirano, Jorge Edwin Delgado and Rodriguez, Ciro Rodriguez},
  title = {Graph Machine Learning (GraphML) para la detección temprana de riesgos para la salud mental: una revisión sistemática de literatura},
  journal = {Esprint Investigación},
  year = {2026},
  volume = {5},
  number = {2},
  pages = {529--547},
  doi = {10.61347/ei.v5i2.400}
}
Kostenlos starten →