Acceso usuarios
, Luis Villaseñor Pineda
La depresión es una condición de salud mental ampliamente extendida, pero el acceso a atención efectiva sigue siendo limitado. La inteligencia artificial (IA) ofrece potencial para ayudar en el diagnostico, pero muchos modelos no se alinean con los criterios médicos. Este trabajo propone un enfoque novedoso para la detección automática de depresión utilizando transcripciones de entrevistas clínicas, empleando una Red de Convolución de Grafos (GCN) con una estructura de grafo bipartito y un modelo de lenguaje grande (LLM) para modelar las relaciones entre síntomas y frases. El modelo logra un rendimiento solido en la clasificación de depresión, identificando frases clave relacionadas con los síntomas tratando de ofrecer un enfoque clínicamente relevante. Aunque es superado ligeramente por algunos métodos de vanguardia, el modelo propuesto proporciona información valiosa sobre los marcadores lingüísticos de la depresión.
Depression is a widespread mental health condition, yet access to effective care remains limited. Artificial intelligence (AI) offers potential for help on diagnosis, but many models fail to align with medical criteria. This work proposes a novel approach for automatic depression detection using clinical interview transcriptions, leveraging on a Graph Convolutional Network (GCN) with a bipartite graph structure and a large language model (LLM) to model symptom-phrase relationships. The model achieves strong performance in depression classification, identifying key symptom-related phrases and trying to offer a clinically relevant approach. While slightly outperformed by some state-of-the-art methods, the proposed model provides valuable insights into linguistic markers of depression.
