Detección de síntomas de depresión en Redes Sociales mediante Machine Learning y Análisis Facial: un enfoque integrado

Resumen

Introducción: La detección temprana de síntomas de depresión representa un desafío relevante en salud mental, debido a las limitaciones de las herramientas diagnósticas tradicionales y al uso creciente de plataformas digitales como fuentes de información conductual y emocional.
Objetivo: Desarrollar un sistema automatizado para detectar indicadores depresivos mediante el análisis de contenido de Instagram, integrando web scraping, procesamiento de lenguaje natural, reconocimiento facial de emociones y algoritmos de aprendizaje automático.
Método: Se empleó un enfoque computacional que combina clasificación textual y análisis de emociones faciales. Para el componente textual, se evaluaron Naive Bayes, Regresión Logística y Random Forest con un conjunto de aproximadamente 200.000 registros de Reddit, usado para entrenar y evaluar el clasificador. El análisis facial se realizó de forma independiente sobre imágenes extraídas de perfiles de Instagram. El sistema se implementó mediante una interfaz en Streamlit.
Resultados: El modelo Naive Bayes obtuvo el mejor desempeño en la clasificación textual, con una precisión del 90% y alta capacidad para identificar indicadores depresivos. La integración del análisis textual y facial permitió compensar las limitaciones de cada método por separado y generar reportes individuales y globales.
Conclusiones: El sistema propuesto aporta al desarrollo de herramientas no invasivas para la detección temprana de síntomas depresivos, favorece intervenciones oportunas y evidencia el potencial de combinar aprendizaje automático, procesamiento de lenguaje natural y reconocimiento facial en salud mental digital.