Persona:
Martínez Romo, Juan

Foto de perfil
Dirección de correo electrónico
ORCID
0000-0002-6905-7051
Fecha de nacimiento
Proyectos de investigación
Unidades organizativas
Puesto de trabajo
Apellidos
Martínez Romo
Nombre de pila
Juan
Nombre

Filtros

2022 - 20252
Restablecer filtros

Ajustes

Autor: Reneses, Blanca ×

Resultados de la búsqueda

Mostrando 1 - 2 de 2
  • Miniatura
    Publicación
    Detecting Signs of Non-suicidal Self-Injury in Psychiatric Medical Reports Using Language Analysis
    (Sociedad Española para el Procesamiento del Lenguaje Natural, 2022) Reneses, Blanca; Sevilla-Llewellyn-Jones, Julia; Martínez-Capella, Ignacio; Seara-Aguilar, Germán; Martínez Romo, Juan; Araujo Serna, M. Lourdes
    La autolesión no suicida, a menudo denominada autolesión, es el acto de dañarse deliberadamente el propio cuerpo, como cortarse o quemarse. Normalmente, no pretende ser un intento de suicidio. En este trabajo se presenta un sistema de detección de indicios de autolesiones no suicidas, basado en el análisis del lenguaje, sobre un conjunto anotado de informes médicos obtenidos del servicio de psiquiatría de un Hospital público madrileño. Tanto la explicabilidad como la precisión a la hora de predecir los casos positivos, son los dos principales objetivos de este trabajo. Para lograr este fin se han desarrollado dos sistemas supervisados de diferente naturaleza. Por un lado se ha llevado a cabo un proceso de extracción de diferentes rasgos centrados en el propio mundo de las autolesiones mediante técnicas de procesamiento del lenguaje natural para alimentar posteriormente un clasificador tradicional. Por otro lado, se ha implementado un sistema de aprendizaje profundo basado en varias capas de redes neuronales convolucionales, debido a su gran desempeño en tareas de clasificación de textos. El resultado es el funcionamiento de dos sistemas supervisados con un gran rendimiento, en donde destacamos el sistema basado en un clasificador tradicional debido a su mejor predicción de clases positivas y la mayor facilidad de cara a explicar sus resultados a los profesionales sanitarios.
  • Miniatura
    Publicación
    Guardian-BERT: Early detection of self-injury and suicidal signs with language technologies in electronic health reports
    (ELSEVIER, 2025-01-21) Martínez Romo, Juan; Araujo, Lourdes; Reneses, Blanca
    Mental health disorders, including non-suicidal self-injury (NSSI) and suicidal behavior, represent a growing global concern. Early detection of these conditions is crucial for timely intervention and prevention of adverse outcomes. In this study, we present Guardian-BERT (Guardian-Bidirectional Encoder Representations from Transformers), a novel approach for the early detection of NSSI and suicidal behavior in electronic health records (EHRs) using natural language processing (NLP) techniques for the Spanish language. Guardian-BERT employs a dual-domain adaptation strategy based on a pre-trained language model. The initial adaptation phase involves training on EHR discharge reports, enabling the model to learn the structure and linguistic patterns typical of clinical text. A second adaptation phase, using EHRs from the Psychiatry department of another hospital, refines the model’s understanding of the specialized terminology and nuanced expressions used by mental health professionals. Empirical results show that Guardian-BERT outperforms existing pre-trained models and other supervised methods in detecting NSSI and suicidal behavior. The model achieves a more balanced trade-off between precision and recall, resulting in superior F-measure scores. Specifically, Guardian-BERT attains an F-measure of 0.95 for NSSI detection and 0.89 for suicidal behavior prediction. In addition to predictive performance, we investigated risk factors associated with these mental health conditions, identifying influences such as adverse personal circumstances and emotional distress. This analysis serves two key purposes: enhancing the interpretability of individual predictions by linking them to relevant risk factors, and enabling broader research through patient stratification and temporal studies of risk factor evolution. Our findings indicate that language technologies like Guardian-BERT offer valuable support for healthcare professionals by facilitating early detection and prevention of mental health disorders. Furthermore, the integration of risk factor analysis provides critical insights into the underlying conditions, improving both the explainability and clinical utility of predictive systems.