Reducción y jerarquización de la escala SPRINT-E para diagnóstico primario del síndrome de estrés postraumático en universitarios
Palabras clave:
Árbol de decisión, Conjuntos rugosos, Síndrome por estrés postraumático, SismoResumen
El síndrome de estrés postraumático es un trastorno causado por la exposición directa o indirecta de una persona ante una situación que ha vulnerado su salud física y emocional. Si la persona afectada no recibe tratamiento es propensa al uso de alcohol y drogas y, en casos graves, al suicidio. Previo a recibir atención especializada, las pruebas primarias o de cribado permiten identificar a personas con riesgo de adquirir este síndrome y dirigirlas a especialistas de salud mental. Los instrumentos que permiten obtener un diagnóstico integral suelen contener una gran cantidad de preguntas en sus escalas de valoración. Sin embargo, esto obliga a las personas evaluadas a responder numerosos cuestionamientos, lo que puede causarles malestar emocional debido al esfuerzo que implica contestar a todas para poder ser valorados. En este contexto, se propone un sistema basado en la minimización de los cuestionamientos mediante la teoría de conjuntos rugosos formando un reducto que conforma el instrumento original. Con el reducto obtenido, se utilizan árboles de decisión para crear una secuencia de ítems que permite obtener una valoración en un tiempo menor que el que implica contestar la versión completa, sin sacrificar el poder de diagnóstico. Dado que la teoría de conjuntos rugosos no depende de la cantidad de datos, este estudio se centró en evaluar la salud mental de estudiantes de diferentes semestres que estaban cursando la Licenciatura en Medicina, adscritos a la Universidad de Colima, México. Mediante una plantilla de Google Forms se aplicó la escala SPRINT-E de 11 preguntas en dos momentos posteriores al sismo de 7.7 grados en la escala Richter que afectó a la Ciudad de Colima, México, el 19 de septiembre del año 2022. La encuesta tuvo la participación de 158 estudiantes en la encuesta de septiembre y 42 en noviembre. Los resultados mostraron que las mujeres obtuvieron una fiabilidad interna superior a 0.9. La encuesta que respondieron los hombres en septiembre tuvo un alfa de Cronbach de 0.948 y no fue evaluable en noviembre. El diagnóstico para los hombres fue negativo en ambos periodos. En cambio, en las mujeres se registraron diez diagnósticos primarios positivos y dos negativos en septiembre, mientras que en noviembre descendieron 2 casos y no se reportaron falsos positivos. La teoría de conjuntos rugosos permitió reducir de 11 a 4 las preguntas de la escala SPRINT-E y con árboles de decisión se estableció el orden jerárquico y puntos de corte para identificar un diagnóstico primario positivo, negativo y falso positivo. Finalmente, se validó el modelo de árbol con los datos de noviembre mostrando los mismos diagnósticos respecto a la escala completa. Cabe destacar que este estudio no pretende sustituir el diagnóstico primario del síndrome por estrés postraumático, sino que ofrece al entrevistador una versión reducida de preguntas que, en caso de que el participante responda con la mayor intensidad, proceda con el resto de la escala validada; de esta manera, se podrá canalizar a las personas afectadas de manera más eficiente hacia un especialista de salud mental.
Referencias
[1] Mendoza Bermúdez, Constanza. (2009). Sociología y salud mental: una reseña de su asociación. Revista Colombiana de Psiquiatría, 38(3), 555-573.
[2] Asociación Americana de Psicología. (2010). Diccionario conciso de Psicología. Editorial El Manual Moderno.
[3] Organización Mundial de la Salud. (2016). CIE-10. Trastornos Mentales y del Comportamiento. Décima Revisión de la Clasificación Internacional de las Enfermedades. Descripciones Clínicas y pautas para el diagnóstico. Organización Mundial de la Salud, Ginebra.
[4] Udomratn, P. (2008). Mental health and the psychosocial consequences of natural disasters in Asia. International review of psychiatry, 20(5), 441–444. https://doi.org/10.1080/09540260802397487
[5] Guerra, C., Cumsille, P., & Martínez, M. L. (2014). Post traumatic stress symptoms in adolescents exposed to an earthquake: Association with self-efficacy, perceived magnitude, and fear. International Journal of Clinical and Health Psychology, 14(3), 202–207. https://doi.org/10.1016/j.ijchp.2014.05.001
[6] Secretaría de Protección Civil. (2022). Situación sísmica. http://data.proteccioncivil.cdmx.gob.mx/simulacros/CDMX/Situacion-sismica.html
[7] Programa Integral para el Bienestar Socioemocional. (2023). Atentamente cambio yo, cambia todo. https://www.atentamente.com.mx/
[8] Instituto de Salud Pública. (2023). Línea de investigación en prevención de lesiones y violencia. https://www.insp.mx/avisos/4761-seguridad-vial-accidentes-transito.html
[9] Tapia-Conyer, R. C., Sepulveda-Amor, J., & Medina-Mora, M. E. (1987). Prevalencia del síndrome de estrés postraumático en la población sobreviviente a un desastre natural. Salud pública de México, 29(5), 406–411.
[10] Davidson, J. R. T., et al. (1997). Assessment of a new self-rating scale for posttraumatic stress disorder. Psychological Medicine, 27, 153–160. https://doi.org/10.1037//1040-3590.9.4.445
[11] Jimenez-López, J. L., Angeles-Garay, U., & Arenas-Osuna, J. (2019). Estrés postraumático en médicos residentes posterior a los sismos de septiembre 2017 en México. Revista Mexicana de Psiquiatría y Salud Mental, 1(2), 45–51.
[12] García, A. M. S., Estrada, V. M. E., & Noriega, I. C. (2019). Trastorno por estrés postraumático posterior al sismo de septiembre 2017 en personal de enfermería en el hospital de especialidades del Centro Médico Nacional. Revista Mexicana de Psicología, 1(3), 87–96.
[13] Cieslak, S., et al. (2009). Predicting posttraumatic growth among Hurricane Katrina survivors living with HIV: the role of self-efficacy, social support, and PTSD. Anxiety, Stress & Coping, 22(4), 449-463. https://doi.org/10.1080/10615800802403815
[14] Leiva, M. & Araneda, A. (2013). Prevalencia y sintomatología del estrés post traumático en personas que experimentan un terremoto y un tsunami. Salud y Sociedad, 4(2), 146-151. https://doi.org/10.22199/s07187475.2013.0002.00003
[15] Kilic, C. & Ulusoy, M. (2003). Psychological effects of the November 1999 earthquake in Turkey: An epidemiological study. Acta Psychiatrica Scandinavica, 108(3), 23.
[16] Leiva-Bianchi, M. C., & Gallardo, I. (2013). Validación de la escala breve para diagnosticar estrés postraumático (SPRINT-E) en una muestra de personas afectadas por el terremoto y tsunami del 27-F en Chile. Anales de psicología, 29(2), 328–334. https://doi.org/10.6018/analesps.29.2.130681
[17] Norris, F. H., et al. (2008). Validation of the short posttraumatic stress disorder rating interview (expanded version, sprint-e) as a measure of postdisaster distress and treatment need. American Journal of Disaster Medicine, 3(4), 201–212.
[18] Alvarez Icaza, D., & Medina-Mora, M. E. (2018). Impacto de los sismos de septiembre de 2017 en la salud mental de la población y acciones recomendadas. Salud pública de México, 60, 52–58. https://doi.org/10.21149/9399
[19] Pawlak, Z. (1982). Rough sets. International journal of computer information sciences, 11, 341–356. https://doi.org/10.1007/978-1-4613-1461-5_1
[20] Cherry, H. (2009). Medical Information System for Diabetes Mellitus by using Rough Set Theory (Doctoral dissertation, MERAL Portal).
[21] Greco, S., et al. (2001). Rough sets theory for multicriteria decision analysis. European journal of operational research, 129(1), 1–47. https://doi.org/10.1016/s0377-2217(00)00167-3
[22] Liu, T. K., et al. (2014). Noninvasive evaluation of mental stress using a refined rough set technique based on biomedical signals. Artificial intelligence in medicine, 61(2), 97–103. https://doi.org/10.1016/j.artmed.2014.05.001
[23] Tang, X., et al. (2015). Application of rough set theory in item cognitive attribute identification. Acta Psychologica Sinica, 47(7), 950. https://doi.org/10.3724/sp.j.1041.2015.00950
[24] Torbas, O., et al. (2020). Student survey for higher education quality and challenges to design and analyze data. Humanities & Social Sciences Reviews, 8(2), 85–92. https://doi.org/10.18510/hssr.2020.82e09
[25] Abey, P. & Bennett, D. (2021). Using deliberate mistakes to heighten student attention. Journal of University Teaching and Learning Practice, 18(6), 193-212. https://doi.org/10.53761/1.18.6.13
[26] Quinlan, J. R. (1996). Learning decision tree classifiers. ACM Computing Surveys (CSUR), 28(1), 71–72. https://doi.org/10.1145/234313.234346
[27] Cheruku, R., et al. (2018). A fuzzy rule miner integrating rough set feature selection and bat optimization for detection of diabetes disease. Applied Soft Computing, 67, 764–780. https://doi.org/10.1016/j.asoc.2017.06.032
[28] Reddy, G. T., et al. (2020). Hybrid genetic algorithm and a fuzzy logic classifier for heart disease diagnosis. Evolutionary Intelligence, 13, 185–196. https://doi.org/10.1007/s12065-019-00327-1
[29] Quinlan, J. R. (1996). Learning decision tree classifiers. ACM Computing Surveys (CSUR), 28(1), 71–72. https://doi.org/10.1145/234313.234346
[30] Rosellini, A. J., et al. (2018). Predicting posttraumatic stress disorder following a natural disaster. Journal of psychiatric research, 96, 15–22. https://doi.org/10.1016/j.jpsychires.2017.09.010
[31] Ge, F., et al. (2020). Identifying predictors of probable posttraumatic stress disorder in children and adolescents with earthquake exposure: a longitudinal study using a machine learning approach. Journal of affective disorders, 264, 483–493. https://doi.org/10.1016/j.jad.2019.11.079
[32] Diario Oficial de la Federación. (2022). Declaratoria de desastre natural por la ocurrencia de sismo magnitud 7.7 el 19 de septiembre de 2022, en 10 municipios del edo de Colima. https://www.dof.gob.mx/nota_detalle.php?codigo=5666009&fecha=30/09/2022
[33] Rotundo, G. Z., & Giner, M. T. C. (2008). Propuesta metodológica para la construcción de escalas de medición a partir de una aplicación empírica. Actualidades investigativas en Educación, 8(2).
[34] Morales Vallejo, P. (2011). Estadística aplicada a las ciencias sociales. Editorial Universidad Pontificia Comillas.
[35] Thangavel, P., et al. (2005). Effective classification with improved quick reduct for medical databases using a rough system. Biomedical Informatics and Medicine Education Journal, 5(1), 7–14.
[36] Stepaniuk, J. (1999). Rough set data mining of diabetes data. En Raś, Z.W., Skowron, A. (eds) Foundations of Intelligent Systems. ISMIS 1999. Lecture Notes in Computer Science, vol 1609. Springer, Berlin, Heidelberg. https://doi.org/10.1007/BFb0095133
[37] Hourani, L. L., et al. (2011). Approaches to the primary prevention of posttraumatic stress disorder in the military: a review of the stress control literature. Military Medicine, 176(7), 721–730. https://doi.org/10.7205/milmed-d-09-00227
[38] McLean, D., et al. (2012). Review of the civil defense emergency management response to the 22 February Christchurch.
[40] Quispe Limaylla, A. (2013). El uso de la encuesta en las ciencias sociales. Ediciones Díaz de Santos.
