Procesamiento de lenguaje natural en la Salud Mental: Revisión de alcance
Use of Natural Language Processing in Mental Health: Scoping Review
Barra lateral del artículo
PDF
FLIP
Los autores que publican en la Revista Iberoamericana de Psicología están de acuerdo con los siguientes términos:
- El Autor o los autores, desde que presenta(n) a consideración de esta revista su manuscrito, esta(n) informado(s) acerca de la política de Acceso Abierto, como condición indisociable de publicación, lo que significa que ni él(los), ni la revista han de percibir ingreso alguno por concepto de la lectura de resúmenes o del artículo completo, tampoco por su uso o explotación para generar nuevo conocimiento o para desarrollar aprendizajes alrededor de la obra.
- Los autores conservan los derechos de autor y garantizan a la revista el derecho de ser la primera publicación del trabajo, al igual que licenciado bajo una Creative Commons Atribución-NoComercial-CompartirIgual 4.0 Internacionalque permite que permite a terceros utilizar lo publicado, siempre que se haga mención a la autoría del trabajo y la primera publicación en esta revista, no se utilice con fines comerciales y que las obras que se deriven del artículo se compartan en iguales condiciones.
- Los conceptos y opiniones expresados en los artículos son responsabilidad exclusiva de los autores y no comprometen a la Revista Iberoamericana de Psicología ni a la Corporación Universitaria Iberoamericana. Los contenidos de esta revista se distribuyen bajo licencia de tipo Creative Commons Atribución 4.0 Internacional, la cual exige el debido reconocimiento de las obras y cuyos términos se encuentran en: https://creativecommons.org/licenses/by/4.0/deed.es
- La Revista Iberoamericana de Psicología es una revista de acceso abierto, por lo que tanto el proceso editorial como los contenidos publicados están disponibles para todos los usuarios sin cargo alguno: la Revista no realiza cobro alguno por acceso, lectura o descarga de contenidos ni por procesos o actividades de la editorial con fines de publicación.
Contenido principal del artículo
Esta revisión tiene como objetivo analizar el uso del procesamiento de lenguaje natural en las investigaciones de trastornos mentales en adultos, como la depresión, ansiedad y los sentimientos de duelo. Realizando una búsqueda en cuatro bases de datos relevantes (PubMed, IEEE, ScienceDirect y LILACS) publicado en español e inglés desde 2017 hasta 2022 sin restricciones de país de origen. Se utilizaron términos MeSH y de texto libre para identificar estudios sobre la implementación del procesamiento del leguaje natural en la detección de condiciones de salud mental como la ansiedad, depresión y sentimientos de duelo. Se encontraron un total de 136 estudios relacionados, de los cuales se seleccionaron 32 artículos para la revisión. Donde se muestra un incremento de la utilización del procesamiento de lenguaje natural en la salud pública, espacialmente entre los años 2020 y 2022. Además, se observó que las redes sociales son una fuente de datos frecuentemente utilizada en estos estudios, y que los modelos de aprendizaje automático supervisados son los más prevalentes en la detección de depresión y ansiedad. El procesamiento de lenguaje natural puede mejorar la detección de problemas de salud mental en la salud pública. Los métodos de aprendizaje supervisados supervisado son los más comunes, pero los algoritmos basados en aprendizaje profundo presentan perspectivas innovadoras y se espera que esta tecnología siga en aumento para mejorar la detección y tratamiento de trastornos mentales. Es importante continuar investigando y desarrollando estas tecnologías para su aplicada en la salud pública.
Descargas
Detalles del artículo
Acharya, U. R., Oh, S. L., Hagiwara, Y., Tan, J. H., Adeli, H., & Subha, D. P. (2018). Automated EEG-based screening of depression using deep convolutional neural network. Computer Methods and Programs in Biomedicine, 161, 103–113. https://doi.org/10.1016/j.cmpb.2018.04.012 DOI: https://doi.org/10.1016/j.cmpb.2018.04.012
Albertson, B. (2021). TextMix: using NLP and APIs to generate chunked sentence scramble tasks. In CALL and professionalisation: short papers from EUROCALL (p. 6). DOI: https://doi.org/10.14705/rpnet.2021.54.1300
Boivin, J., O., M., Duong, M., Cooper, O., Filipenko, D., Markert, M., Samuelsen, C., & Lenderking, W. R. (2022). Emotional reactions to infertility diagnosis: thematic and natural language processing analyses of the 1000 Dreams survey. Reproductive BioMedicine Online. https://doi.org/10.1016/j.rbmo.2022.08.107 DOI: https://doi.org/10.1016/j.rbmo.2022.08.107
Burkhardt, H. A., Alexopoulos, G. S., Pullmann, M. D., Hull, T. D., Areán, P. A., & Cohen, T. (2021). Behavioral activation and depression symptomatology: Longitudinal assessment of linguistic indicators in text-based therapy sessions. Journal of Medical Internet Research, 23(7). https://doi.org/10.2196/28244 DOI: https://doi.org/10.2196/28244
Carod Artal, F. J. (2020). Complicaciones neurológicas por coronavirus y COVID-19. Revista de Neurología, 70(09), 311. https://doi.org/10.33588/rn.7009.2020179 DOI: https://doi.org/10.33588/rn.7009.2020179
Chae, S. W., & Lee, S. H. (2022). Sharing emotion while spectating video game play: Exploring Twitch users’ emotional change after the outbreak of the COVID-19 pandemic. Computers in Human Behavior, 131. https://doi.org/10.1016/j.chb.2022.107211 DOI: https://doi.org/10.1016/j.chb.2022.107211
Charles Roe. (2017, December 6). Identify Data Patterns with Natural Language Processing and Machine Learning. DATAVERSITY. https://www.dataversity.net/identify-data-patterns-natural-language-processing-machine-learning/#
Chiong, R., Budhi, G. S., Dhakal, S., & Chiong, F. (2021). A textual-based featuring approach for depression detection using machine learning classifiers and social media texts. Computers in Biology and Medicine, 135. https://doi.org/10.1016/j.compbiomed.2021.104499 DOI: https://doi.org/10.1016/j.compbiomed.2021.104499
Cohen, A. S., Mitchell, K. R., & Elvevåg, B. (2014). What do we really know about blunted vocal affect and alogia? A meta-analysis of objective assessments. Schizophrenia Research, 159(2–3), 533–538. https://doi.org/10.1016/j.schres.2014.09.013 DOI: https://doi.org/10.1016/j.schres.2014.09.013
DeSouza, D. D., Robin, J., Gumus, M., & Yeung, A. (2021). Natural Language Processing as an Emerging Tool to Detect Late-Life Depression. Frontiers in Psychiatry, 12. https://doi.org/10.3389/fpsyt.2021.719125 DOI: https://doi.org/10.3389/fpsyt.2021.719125
Elixmahir Dávila-Marrero, Gladiliz Rivera-Delpín, Ashley Rodríguez-Mercado, Raúl Olivo-Arroyo, & Jorge A. Montijo. (2021, May 26). Persistent Cognitive Manifestations Related to COVID-19. Universidad de Puerto Rico. https://revistas.upr.edu/index.php/psicologias/article/view/18973/16394
Enzyme. (2020). Natural Language Processing: ¿Cómo es la técnica Word Embeddings? https://enzyme.biz/blog/natural-language-processing#:~:text=Sobre%20estos%20fundamentos%2C%20un%20ejemplo,entonces%20el%20vector%20%E2%80%9CReina%E2%80%9D.
Giuntini, F. T., De Moraes, K. L. P., Cazzolato, M. T., Kirchner, L. D. F., Dos Reis, M. D. J. D., Traina, A. J. M., Campbell, A. T., & Ueyama, J. (2021). Tracing the Emotional Roadmap of Depressive Users on Social Media through Sequential Pattern Mining. IEEE Access, 9, 97621–97635. https://doi.org/10.1109/ACCESS.2021.3095759 DOI: https://doi.org/10.1109/ACCESS.2021.3095759
Guntuku, S. C., Schneider, R., Pelullo, A., Young, J., Wong, V., Ungar, L., Polsky, D., Volpp, K. G., & Merchant, R. (2019). Studying expressions of loneliness in individuals using twitter: an observational study. BMJ Open, 9(11). https://doi.org/10.1136/bmjopen-2019-030355 DOI: https://doi.org/10.1136/bmjopen-2019-030355
Haug, S., & Kurpicz-Briki, M. (2022). Burnout and Depression Detection Using Affective Word List Ratings. Studies in Health Technology and Informatics, 292, 43–48. https://doi.org/10.3233/SHTI220318 DOI: https://doi.org/10.3233/SHTI220318
Hays DG. (1967). Introduction to Computational Linguistics, Mathematical Linguistics and Automatic Language Processing. Cambridge: American Elsevier Publishing Co.
Hermoso Contreras, Cristina Andrea Pelegrín Valero, Carmelo Mariano, Olivera Pueyo, & Francisco Javier. (2022). Detección de síntomas psiquiátricos y trastornos del comportamiento en pacientes con demencia. Utilidad de la versión española del Cambridge Behavioural Inventory - Revised (CBI - R). Universidad de Zaragoza.
IBM. (2021). Aprendizaje supervisado.
Krishnamurti, T., Allen, K., Hayani, L., Rodriguez, S., & Davis, A. L. (2022). Identification of maternal depression risk from natural language collected in a mobile health app. Procedia Computer Science, 206, 132–140. https://doi.org/10.1016/j.procs.2022.09.092 DOI: https://doi.org/10.1016/j.procs.2022.09.092
Kuliukas, L., Hauck, Y., Sweet, L., Vasilevski, V., Homer, C., Wynter, K., Wilson, A., Szabo, R., & Bradfield, Z. (2021). A cross sectional study of midwifery students’ experiences of COVID-19: Uncertainty and expendability. Nurse Education in Practice, 51, 102988. https://doi.org/https://doi.org/10.1016/j.nepr.2021.102988 DOI: https://doi.org/10.1016/j.nepr.2021.102988
L. Zhao, L. Li, X. Zheng, & J. Zhang. (2021). A BERT based sentiment analysis and key entity detection approach for online financial texts. Proc. IEEE 24th Int. Conf. Comput. Supported Cooperat. Work Design (CSCWD). https://doi.org/10.1109/CSCWD49262.2021.9437616 DOI: https://doi.org/10.1109/CSCWD49262.2021.9437616
Landoni, M., Silverio, S. A., Ciuffo, G., Daccò, M., Petrovic, M., Di Blasio, P., & Ionio, C. (2023). Linguistic features of postpartum depression using Linguistic Inquiry and Word Count text analysis. Journal of Neonatal Nursing, 29(1), 127–134. https://doi.org/10.1016/j.jnn.2022.04.001 DOI: https://doi.org/10.1016/j.jnn.2022.04.001
Le Glaz, A., Haralambous, Y., Kim-Dufor, D.-H., Lenca, P., Billot, R., Ryan, T. C., Marsh, J., DeVylder, J., Walter, M., Berrouiguet, S., & Lemey, C. (2021). Machine Learning and Natural Language Processing in Mental Health: Systematic Review. Journal of Medical Internet Research, 23(5), e15708. https://doi.org/10.2196/15708 DOI: https://doi.org/10.2196/15708
Leis, A., Ronzano, F., Mayer, M. A., Furlong, L. I., & Sanz, F. (2019). Detecting signs of depression in tweets in Spanish: Behavioral and linguistic analysis. Journal of Medical Internet Research, 21(6). https://doi.org/10.2196/14199 DOI: https://doi.org/10.2196/14199
Lior Rokach, & Oded Maimon. (2008). Data mining with decision trees: theory and applications. World Scientific. DOI: https://doi.org/10.1142/9789812771728
Liu, T., Meyerhoff, J., Eichstaedt, J. C., Karr, C. J., Kaiser, S. M., Kording, K. P., Mohr, D. C., & Ungar, L. H. (2022). The relationship between text message sentiment and self-reported depression. Journal of Affective Disorders, 302, 7–14. https://doi.org/10.1016/j.jad.2021.12.048 DOI: https://doi.org/10.1016/j.jad.2021.12.048
Llamocuro-Mamani, P., Medrano-Espinoza, F., & Montealegre-Soto, D. (2021). Salud mental en la población peruana durante la COVID-19. Cirugía y Cirujanos, 89(3). https://doi.org/10.24875/CIRU.20001303 DOI: https://doi.org/10.24875/CIRU.20001303
Mahalingasivam, V., Craik, A., Tomlinson, L. A., Ge, L., Hou, L., Wang, Q., Yang, K., Fogarty, D. G., & Keenan, C. (2021). A Systematic Review of COVID-19 and Kidney Transplantation. Kidney International Reports, 6(1), 24–45. https://doi.org/https://doi.org/10.1016/j.ekir.2020.10.023 DOI: https://doi.org/10.1016/j.ekir.2020.10.023
Matiisen, T. (2015). Demystifying Deep Reinforcement Learning | Computational Neuroscience Lab. Neuro.Cs.Ut.Ee.
Mehta, N., & Pandit, A. (2018). Concurrence of big data analytics and healthcare: A systematic review. International Journal of Medical Informatics, 114, 57–65. https://doi.org/10.1016/j.ijmedinf.2018.03.013 DOI: https://doi.org/10.1016/j.ijmedinf.2018.03.013
Microsoft. (2022). Large-scale custom natural language processing.
Mishra, V., & Garg, T. (2018). A systematic study on predicting depression using text analytics. Ournal of Fundamental and Applied Sciences, 10(2).
Noraset, T., Chatrinan, K., Tawichsri, T., Thaipisutikul, T., & Tuarob, S. (2022). Language-agnostic deep learning framework for automatic monitoring of population-level mental health from social networks. Journal of Biomedical Informatics, 133. https://doi.org/10.1016/j.jbi.2022.104145 DOI: https://doi.org/10.1016/j.jbi.2022.104145
OMS. (2022, September 28). La OMS y la OIT piden nuevas medidas para abordar los problemas de salud mental en el trabajo. Organización Mundial de La Salud. https://www.who.int/es/news/item/28-09-2022-who-and-ilo-call-for-new-measures-to-tackle-mental-health-issues-at-work
ONU. (2022). Estado de la salud mental tras la pandemia del COVID-19 y progreso de la Iniciativa Especial para la Salud Mental (2019-2023) de la OMS. Naciones Unidas . https://www.un.org/es/cr%C3%B3nica-onu/estado-de-la-salud-mental-tras-la-pandemia-del-covid-19-y-progreso-de-la-iniciativa#:~:text=Se%20calcula%20que%20la%20pandemia,las%20personas%20de%20buscar%20ayuda.
OPS. (2022a, January 13). Estudio advierte sobre elevados niveles de depresión y pensamientos suicidas en personal de salud de América Latina durante la pandemia. Organización Panamericana de Salud (OPS). https://www.paho.org/es/noticias/13-1-2022-estudio-advierte-sobre-elevados-niveles-depresion-pensamientos-suicidas-personal
OPS. (2022b, January 13). Estudio advierte sobre elevados niveles de depresión y pensamientos suicidas en personal de salud de América Latina durante la pandemia. Organización Panamericana de La Salud .
P. Resnik, W. Armstrong, L. Claudino, T. Nguyen, V.-A. Nguyen, & J. Boyd-Graber. (2015). Beyond LDA: Exploring supervised topic modeling for depression-related language in twitter. Proc. 2nd Workshop Comput. Lingüística Clin. Psicología., 99–107. DOI: https://doi.org/10.3115/v1/W15-1212
Patel, R., Irving, J., Brinn, A., Taylor, M., Shetty, H., Pritchard, M., Stewart, R., Fusar-Poli, P., & Mcguire, P. (2022). Associations of presenting symptoms and subsequent adverse clinical outcomes in people with unipolar depression: A prospective natural language processing (NLP), transdiagnostic, network analysis of electronic health record (EHR) data. BMJ Open, 12(4). https://doi.org/10.1136/bmjopen-2021-056541 DOI: https://doi.org/10.1136/bmjopen-2021-056541
Peters, M. D. J., Godfrey, C. M., Khalil, H., McInerney, P., Parker, D., & Soares, C. B. (2015). Guidance for conducting systematic scoping reviews. International Journal of Evidence-Based Healthcare, 13(3), 141–146. https://doi.org/10.1097/XEB.0000000000000050 DOI: https://doi.org/10.1097/XEB.0000000000000050
Petukhova, A., & Fachada, N. (2022). TextCL: A Python package for NLP preprocessing tasks. SoftwareX, 19. https://doi.org/10.1016/j.softx.2022.101122 DOI: https://doi.org/10.1016/j.softx.2022.101122
Preoţiuc-Pietro, Daniel, Johannes Eichstaedt, Gregory Park, Maarten Sap, Laura Smith, Victoria Tobolsky, H. Andrew
Schwartz, & Lyle Ungar. (2015). The role of personality age and gender in tweeting about mental illness. Proc. 2nd Workshop Comput. Lingüística Clin. Psicología., 21–30. DOI: https://doi.org/10.3115/v1/W15-1203
Rizwan, M., Mushtaq, M. F., Akram, U., Mehmood, A., Ashraf, I., & Sahelices, B. (2022). Depression Classification From Tweets Using Small Deep Transfer Learning Language Models. IEEE Access, 10, 129176–129189. https://doi.org/10.1109/ACCESS.2022.3223049 DOI: https://doi.org/10.1109/ACCESS.2022.3223049
Rusell, S., & & Norvig, P. (2016). Artificial Intelligence: A Modern Approach Global. Harlow: Pearson.
Saffar, A. H., Mann, T. K., & Ofoghi, B. (2023). Textual emotion detection in health: Advances and applications. Journal of Biomedical Informatics, 137, 104258. https://doi.org/10.1016/j.jbi.2022.104258 DOI: https://doi.org/10.1016/j.jbi.2022.104258
Schoch-Ruppen, J., Ehlert, U., Uggowitzer, F., Weymerskirch, N., & Marca-Ghaemmaghami, P. La. (2018). Women’s word use in pregnancy: Associations with maternal characteristics, prenatal stress, and neonatal birth outcome. Frontiers in Psychology, 9(JUL). https://doi.org/10.3389/fpsyg.2018.01234 DOI: https://doi.org/10.3389/fpsyg.2018.01234
Seabrook, E. M., Kern, M. L., Fulcher, B. D., & Rickard, N. S. (2018). Predicting depression from language-based emotion dynamics: Longitudinal analysis of facebook and twitter status updates. Journal of Medical Internet Research, 20(5). https://doi.org/10.2196/jmir.9267 DOI: https://doi.org/10.2196/jmir.9267
Sharma, C., Sharma, S., & Sakshi. (2022). Latent DIRICHLET allocation (LDA) based information modelling on BLOCKCHAIN technology: a review of trends and research patterns used in integration. Multimedia Tools and Applications, 81(25), 36805–36831. https://doi.org/10.1007/s11042-022-13500-z DOI: https://doi.org/10.1007/s11042-022-13500-z
Sharma, S., Kalra, V., & Agrawal, R. (2021). Depression discovery in cancer communities using deep learning. In Handbook of Deep Learning in Biomedical Engineering (pp. 123–154). Elsevier. https://doi.org/10.1016/B978-0-12-823014-5.00004-1 DOI: https://doi.org/10.1016/B978-0-12-823014-5.00004-1
Shehmir Javaid. (2022, March 31). Data Labeling For Natural Language Processing (NLP). AIMultiple. https://research.aimultiple.com/nlp-data-labeling/
Simón Martínez, V. (2022). Alteraciones neuropsicológicas en el trastorno obsesivo compulsivo refractario al tratamiento. UNIVERSIDAD COMPLUTENSE DE MADRID .
Tadesse, M. M., Lin, H., Xu, B., & Yang, L. (2019). Detection of depression-related posts in reddit social media forum. IEEE Access, 7, 44883–44893. https://doi.org/10.1109/ACCESS.2019.2909180 DOI: https://doi.org/10.1109/ACCESS.2019.2909180
The MathWorks, Inc. (2020). Cree modelos lingüísticos multipalabra y analícelos con Machine Learning. https://la.mathworks.com/discovery/ngram.html#:~:text=El%20modelado%20de%20n%2Dgramas,de%20word%20embedding%2C%20como%20word2vec.
Tran, T., & Kavuluru, R. (2017). Predicting mental conditions based on “history of present illness” in psychiatric notes with deep neural networks. Journal of Biomedical Informatics, 75, S138–S148. https://doi.org/10.1016/j.jbi.2017.06.010 DOI: https://doi.org/10.1016/j.jbi.2017.06.010
Tricco, A. C., Lillie, E., Zarin, W., O’Brien, K. K., Colquhoun, H., Levac, D., Moher, D., Peters, M. D. J., Horsley, T., Weeks, L., Hempel, S., Akl, E. A., Chang, C., McGowan, J., Stewart, L., Hartling, L., Aldcroft, A., Wilson, M. G., Garritty, C., …
Straus, S. E. (2018). PRISMA Extension for Scoping Reviews (PRISMA-ScR): Checklist and Explanation. Annals of Internal Medicine, 169(7), 467–473. https://doi.org/10.7326/M18-0850 DOI: https://doi.org/10.7326/M18-0850
U. Naseem, I. Razzak, K. Musial, & M. Imran. (2020). Transformer based deep intelligent contextual embedding for Twitter sentiment analysis. Future Gener. Computación. Syst, 113, 58–69. DOI: https://doi.org/10.1016/j.future.2020.06.050
Vaci, N., Liu, Q., Kormilitzin, A., De Crescenzo, F., Kurtulmus, A., Harvey, J., O’Dell, B., Innocent, S., Tomlinson, A., Cipriani, A., & Nevado-Holgado, A. (2020). Natural language processing for structuring clinical text data on depression using UK-CRIS. Evidence-Based Mental Health, 23(1), 21–26. https://doi.org/10.1136/ebmental-2019-300134 DOI: https://doi.org/10.1136/ebmental-2019-300134
Valdivieso Jimenez, G. (2021). Uso de psicofármacos para síntomas neuropsiquiátricos en pacientes hospitalizados con COVID-19. Horizonte Médico (Lima), 21(2), e1272. https://doi.org/10.24265/horizmed.2021.v21n2.13 DOI: https://doi.org/10.24265/horizmed.2021.v21n2.13
Vasudha Rani, V., & Sandhya Rani, K. (2016). Twitter Streaming and Analysis through R. Indian Journal of Science and Technology, 9(45). https://doi.org/10.17485/ijst/2016/v9i45/97914 DOI: https://doi.org/10.17485/ijst/2016/v9i45/97914
Vega, M. Á., Mora, L. M. Q., & Badilla, M. V. C. (2020). Artificial intelligence and machine learning in medicine. Revista Médica Sinergia, 5(8), 1–11.
Wang, L., Foer, D., MacPhaul, E., Lo, Y. C., Bates, D. W., & Zhou, L. (2022). PASCLex: A comprehensive post-acute sequelae of COVID-19 (PASC) symptom lexicon derived from electronic health record clinical notes. Journal of Biomedical Informatics, 125. https://doi.org/10.1016/j.jbi.2021.103951 DOI: https://doi.org/10.1016/j.jbi.2021.103951
Wiering, M., & Schmidhuber, J. (1998). Aprendizaje automático. Machine Learning, 33(1), 105–115. https://doi.org/10.1023/A:1007562800292 DOI: https://doi.org/10.1023/A:1007562800292
Yang, K., Zhang, T., & Ananiadou, S. (2022). A mental state Knowledge–aware and Contrastive Network for early stress and depression detection on social media. Information Processing and Management, 59(4). https://doi.org/10.1016/j.ipm.2022.102961 DOI: https://doi.org/10.1016/j.ipm.2022.102961
Yu, L., Jiang, W., Ren, Z., Xu, S., Zhang, L., & Hu, X. (2021). Detecting changes in attitudes toward depression on Chinese social media: A text analysis. Journal of Affective Disorders, 280, 354–363. https://doi.org/10.1016/j.jad.2020.11.040 DOI: https://doi.org/10.1016/j.jad.2020.11.040
Ziemer, K. S., & Korkmaz, G. (2017). Using text to predict psychological and physical health: A comparison of human raters and computerized text analysis. Computers in Human Behavior, 76, 122–127. https://doi.org/10.1016/j.chb.2017.06.038 DOI: https://doi.org/10.1016/j.chb.2017.06.038
