Una publicación reciente de The Lancet (2021) evidencia el efecto que tuvo la pandemia en la salud mental en el continente americano.

Por supuesto que México ha sido uno de las víctimas de esta pandemia de trastornos y condiciones mentales, ya que nuestro país cuenta con el primer puesto a nivel mundial como el país con más estrés laboral, esto es sostenido por un estudio realizado por la OCCMundial sobre el “Estrés laboral en México”.

Esto enciende focos rojos, ya que el estrés y las condiciones emocionales y psicológica son algo que no se debe de tomar a la ligera.

Se busca detectar las causas que generan el estrés y cuál es la razón de esto, ya que son una infinidad de factores los que pueden propiciarlo.

Para llegar más profundo a la fenomenología del estrés también es importante entender cómo nos afecta en nuestra salud mental y física.

Una vez cubiertos los puntos anteriores, poder argumentar de manera lógica la estructura teórica del estrés y aún más importante, dar con las posibles soluciones para reducirlo de manera significativa.

Además se logrará responder si en realidad la pandemia y el confinamiento fueron un parteaguas en los niveles de estrés a nivel nacional, dando paso a lo que ahora se denomina como nueva normalidad.

Existen varias definiciones sobre el estrés, una de ellas es la de Melgosa (1997), señala que, debido a las alteraciones que el estrés provoca en la persona, se puede entender este concepto como: “un conjunto de reacciones fisiológicas y psicológicas que experimenta el organismo cuando se lo somete a fuertes demandas”.

Se puede considerar como una respuesta del cuerpo que aparece cuando percibimos que nuestros recursos no son suficientes para afrontar los problemas, y cuando se produce una sobrecarga de tensión repercute en el organismo, provocando la aparición de enfermedades y anomalías patológicas que impiden el normal desarrollo y funcionamiento del cuerpo humano.

• Se genera una situación nueva que nos exige un cambio.

• Al principio suele haber una gran falta de información sobre esa situación que nos estresa.

• Incertidumbre: ¿qué nos va a ocurrir?

• Ambigüedad: a mayor ambigüedad más estrés.

• Normalmente tampoco tenemos muchas habilidades para manejar esta nueva situación.

• El estrés nos provoca alteraciones biológicas en el organismo que nos obligan a trabajar aún más para volver a un estado de equilibrio.

• Cuanto más dure la situación, cuanto más crónica sea ésta, mayor nuestro desgaste.

• Se pueden ver afectados los sistemas endócrino, nervioso e inmunológico
• Enfermedades del corazón, vasos sanguíneos, riñones e incluso la muerte.
• Acné, alopecia, dermatitis, colitis ulcerosa, estreñimiento, migrañas, náuseas, vómitos, temblores
• Trastorno esquizofrénico y menstruales
• Suicidio
• Insomnio,
• Infarto al miocardio
• Epilepsia,
• Diarrea
• Asma

• Preocupación excesiva
• Obsesiones
• Incapacidad para tomar decisiones, concentrarse y mantener la atención
• Frecuentes olvidos
• Bloqueos mentales
• Mal humor
• Adicción a drogas y alcohol
• Depresión, ansiedad, miedos y fobias
• Alteración de las conductas de alimentación

• Regresión Lineal

• Regresión Logística

• Regresión Lineal Múltiple

• Árbol de decisión

## New names:
## * Incertidumbre -> Incertidumbre...12
## * Incertidumbre -> Incertidumbre...18

Datos de una encuesta hecha durante las primeras dos semanas de mayo de 2022 sobre los niveles de estrés de los estudiantes de pregrado de ITSON, esta encuesta se le hizo a un total de 100 personas.

## Warning: Removed 1 rows containing non-finite values (stat_bin).

Call:
lm(formula = Depresion ~ Tristeza, data = sintomas)

Residuals:
    Min      1Q  Median      3Q     Max 
-7.9060 -1.2782  0.0262  1.2833  8.5799 

Coefficients:
            Estimate Std. Error t value Pr(>|t|)    
(Intercept)  0.60940    0.52686   1.157     0.25    
Tristeza     0.81073    0.07723  10.498   <2e-16 ***
---
Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

Residual standard error: 2.479 on 98 degrees of freedom
Multiple R-squared:  0.5293,    Adjusted R-squared:  0.5245 
F-statistic: 110.2 on 1 and 98 DF,  p-value: < 2.2e-16

El primer argumento de este comando es una fórmula y ~ x en la que se especifica cuál es la variable respuesta y cuál es la variable regresora.

El segundo argumento, especifica cuál es el fichero en el que se encuentran las variables.

El resultado lo guardamos en un objeto llamado regresión. Los parámetros de la ecuación de la recta de mínimos cuadrados que relaciona la cantidad de grasas en la sangre en función del peso vienen dados por la columna ‘Estimate’ de la tabla ‘Coefficients’ de la salida anterior.

La ecuación de la recta de mínimos cuadrados es: \[ y = 0.60940 + 0.81073x \]

       1        2        3        4        5 
1.420133 2.230863 3.041594 3.852324 4.663055 

                 2.5 %    97.5 %
(Intercept) -0.4361293 1.6549339
Tristeza     0.6574722 0.9639888

De los análisis realizados hasta el momento, podemos obtener las siguientes conclusiones preliminares:

• Las variables que tienen una mayor relación lineal con la depresión son: ansiedad (r= 0.617), y tristeza (r= 0.728).

• Incertidumbre y Angustia están medianamente correlacionados (r = 0.720) por lo que posiblemente no sea útil introducir ambos predictores en el modelo.

Call:
lm(formula = Depresion ~ Tristeza, data = sintomas)

Residuals:
    Min      1Q  Median      3Q     Max 
-7.9060 -1.2782  0.0262  1.2833  8.5799 

Coefficients:
            Estimate Std. Error t value Pr(>|t|)    
(Intercept)  0.60940    0.52686   1.157     0.25    
Tristeza     0.81073    0.07723  10.498   <2e-16 ***
---
Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

Residual standard error: 2.479 on 98 degrees of freedom
Multiple R-squared:  0.5293,    Adjusted R-squared:  0.5245 
F-statistic: 110.2 on 1 and 98 DF,  p-value: < 2.2e-16

Call:
lm(formula = Depresion ~ Angustia + Incertidumbre + Tristeza + 
    Ansiedad, data = sintomas)

Residuals:
    Min      1Q  Median      3Q     Max 
-7.7623 -1.0927  0.3631  1.1054  8.2703 

Coefficients:
              Estimate Std. Error t value Pr(>|t|)    
(Intercept)   -1.01015    0.63102  -1.601   0.1127    
Angustia       0.27751    0.11938   2.325   0.0222 *  
Incertidumbre -0.04109    0.11675  -0.352   0.7257    
Tristeza       0.59492    0.09353   6.360 7.02e-09 ***
Ansiedad       0.19085    0.10036   1.902   0.0602 .  
---
Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

Residual standard error: 2.306 on 95 degrees of freedom
Multiple R-squared:  0.6049,    Adjusted R-squared:  0.5882 
F-statistic: 36.36 on 4 and 95 DF,  p-value: < 2.2e-16

    Shapiro-Wilk normality test

data:  regresion$residuals
W = 0.9547, p-value = 0.001716

Esta prueba es aplicable cuando se analizan muestras compuestas por menos de 50 elementos, en otras palabras, muestras pequeñas. Como el p valor (0.001716) es menor a alfa (0,05), se rechaza la hipótesis nula (H0)

La idea es ajustar por medio de la regresión logística, un modelo de regresión logística para estudiar la posible relación entre variables, para ajustar el modelo se usa el comando glm (para modelos lineales generalizados) indicando que la respuesta es binomial mediante el argumento family.

## 
## Call:
## glm(formula = Depresion ~ Tristeza, data = sintomas)
## 
## Deviance Residuals: 
##     Min       1Q   Median       3Q      Max  
## -7.9060  -1.2782   0.0262   1.2833   8.5799  
## 
## Coefficients:
##             Estimate Std. Error t value Pr(>|t|)    
## (Intercept)  0.60940    0.52686   1.157     0.25    
## Tristeza     0.81073    0.07723  10.498   <2e-16 ***
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## (Dispersion parameter for gaussian family taken to be 6.142998)
## 
##     Null deviance: 1278.99  on 99  degrees of freedom
## Residual deviance:  602.01  on 98  degrees of freedom
## AIC: 469.3
## 
## Number of Fisher Scoring iterations: 2

Usamos la función rpart de rpart para entrenar nuestro modelo. Esta función nos pide una fórmula para especificar la variable objetivo de la clasificación. La fórmula que usaremos es Depresion ~ ., la cual expresa que intentaremos clasificar la depresión usando a todas las demás variables como predictoras. En este primer intento no ajustaremos ningún otro parámetro.

El COVID trajo consigo muchos cambios para la vida de todos, teniendo que adaptarnos a un nuevo estilo de vida para sobrevivir a él; en la actualidad, aun después de 2 años desde el inicio de la contingencia global, seguimos sufriendo por estos cambios bruscos, como pudimos ver con anterioridad, el estrés fue una enemiga en común para la mayoría de personas como resultado de la cuarentena, según los datos expuestos anteriormente, sabemos que el estrés estuvo presente en la mayoría de las personas participantes dentro de la encuesta, también podemos decir con seguridad que el estrés fue el causante de síntomas físicos y emocionales, como lo fueron los dolores musculares en el lado físico, y la angustia que a su vez provocaba tristeza.

“La clave no es priorizar lo que está en tu agenda, sino programar tus prioridades.” – Stephen Covey

o Caparrini, F. S., & Windmill Web Work. (2020). Aprendizaje Supervisado y No Supervisado. Cs.Us.Es. http://www.cs.us.es/~fsancho/?e=77

o Suarez, A. (s.f.). Diferencias entre el Machine Learning supervisado y no supervisado. Bismart.com. http://blog.bismart.com/diferencias-machine-learning-supervisado-no-supervisado

o Naranjo P., M. (2009). Una Revisión Teórica sobre el Estrés y Algunos Aspectos Relevantes de Este en el Ámbito Educativo. Revista Educación, 33(2),171-190. Disponible en: https://www.redalyc.org/articulo.oa?id=44012058011

o Regueiro, A. (s.f.). Conceptos Básicos: ¿Qué es el Estrés y Cómo nos Afecta? Disponible en: https://www.uma.es/media/files/tallerestr%C3%A9s.pdf

o Persum Psicólogos Oviedo. (2018). Consecuencias del estrés. Disponible en: https://psicologosoviedo.com/especialidades/problemas-laborales/estres-negativo/

o Goldstein, A. (2017). Deconstructing Data Science: Breaking The Complex Craft Into Its Simplest Parts. Disponible en: https://ajgoldstein.com/2017/11/12/deconstructing-data-science/

o IBM. (s. f.). Acerca de la regresión lineal. México | IBM. Recuperado 6 de abril de 2022, de https://www.ibm.com/mx-es/analytics/learn/linear-regression

o Manuel Sánchez, J. (2010). Estrés laboral. Binasss. Recuperado 6 de abril de 2022, de https://www.binasss.sa.cr/opac-ms/media/digitales/Estr%C3%A9s%20laboral.pdf

o Rodrigo, J. A. (2016, julio). Introducción a la Regresión Lineal Múltiple. Ciencia de Datos. Recuperado 6 de abril de 2022, de https://www.cienciadedatos.net/documentos/25_regresion_lineal_multiple

o The Lancet. (2021, 15 noviembre). Strengthening mental health responses to COVID-19. The Lancet Regional Health Americas. Recuperado 6 de abril de 2022, de https://secure.jbs.elsevierhealth.com/action/cookieAbsent