Predicción del riesgo de salud mental en empleados con R y Random Forest

Proyecto Final de Jonatan Oyola
Diplomatura en Ciencia de Datos con R y Python

La salud mental en el ámbito laboral se ha convertido en un tema crítico. El estrés, la ansiedad y el burnout no solo afectan la calidad de vida de los empleados, sino que también impactan en la productividad, el ausentismo y la rotación de personal.

En este contexto, Jonatan Oyola, egresado de nuestra diplomatura en Data Science, desarrolló un proyecto final que combina análisis de datos y modelos predictivos para clasificar el riesgo mental de los empleados, utilizando R Studio y datos reales de encuestas anónimas.

Objetivo del Proyecto

El proyecto buscó crear un modelo predictivo de clasificación multiclase que identifique empleados en riesgo bajo, medio o alto de sufrir problemas de salud mental, considerando factores como:

• Uso de pantallas y dispositivos electrónicos.
• Calidad y cantidad de sueño.
• Alimentación y hábitos de bienestar.
• Prácticas de mindfulness y actividad física.

Metodología y técnicas

Para lograr esto, se aplicaron las siguientes técnicas de análisis de datos y modelado:

1. Análisis exploratorio de datos:
   • Limpieza y traducción de variables.
   • Visualización de la distribución de variables y outliers.
   • Correlación entre variables predictoras y la variable objetivo.
2. Creación de variables e interacciones:
   • Transformación de puntajes de salud mental, ansiedad y depresión.
   • Desarrollo de interacciones relevantes, por ejemplo, relación entre tiempo de pantalla y salud mental, o consumo de cafeína y estrés.
3. Modelos de clasificación supervisada:
   • KNN: como modelo base para entender la distribución de los datos.
   • Random Forest: modelo más robusto para detectar patrones complejos y determinar la importancia de las variables.
4. Evaluación de desempeño:
   • Métricas de precisión, sensibilidad, F1 score y matriz de confusión.
   • Comparación de costos económicos asociados a errores de clasificación.

Resultados clave

• Random Forest superó significativamente a KNN, logrando una clasificación más precisa, especialmente en empleados con riesgo medio.
• La identificación temprana de riesgos puede reducir costos por ausentismo y rotación hasta en un 76%.
• Se confirmó que hábitos saludables como dormir mejor y practicar mindfulness tienen un impacto positivo en el bienestar emocional.

Conclusión

El proyecto demuestra que la ciencia de datos puede ser una herramienta estratégica para las empresas, permitiendo:

• Detectar empleados en riesgo antes de que los problemas se agraven.
• Reducir gastos asociados a ausencias y rotación de personal.
• Fomentar un clima laboral más saludable y sostenible.

⚠️ Nota: Este proyecto no reemplaza un diagnóstico clínico. Sus resultados deben ser interpretados por profesionales de la salud.

La combinación de análisis de datos, modelos predictivos y hábitos saludables puede marcar la diferencia en la gestión del bienestar laboral. Implementar estas estrategias no solo es ético, sino también inteligente y rentable para cualquier organización.

LinkedIn de Jonatan Oyola: https://www.linkedin.com/in/joyola83/

Si te gustaría aprender Ciencia de Datos con R y Python