1. INTRODUCCIÓN

Según el Ministerio de Justicia y Derecho del Colombia, las sustancias psicoactivas ilegales (SPI), como marihuana, cocaína o bazuco, pueden traer consecuencias graves para la salud y el bienestar social [¹]. Además, el Ministerio de Salud define el consumo de SPI como una alteración al sistema nervioso que puede causar desde problemas sociales hasta la muerte por sobredosis. Como respuesta a esta problemática, en Colombia se han creado programas como "Más mente, más prevención" y el "Plan Nacional de Promoción de la Salud, Prevención y Atención al Consumo de Sustancias Psicoactivas 2014-2021" para educar a la población sobre el consumo de estas sustancias y reducir sus efectos negativos, como problemas personales, laborales y sobredosis [²].

El consumo de SPI en Colombia ha aumentado notablemente, sobre todo entre los jóvenes, y son quienes más están expuestos a sustancias como marihuana, cocaína y bazuco. Esta problemática no solo afecta el consumo personal, sino que también impulsa el crecimiento del mercado ilegal. Aunque algunos logran dejar el consumo de estas sustancias, otros enfrentan graves consecuencias [¹].

El 10,3 % de la población entre 12 y 65 años ha consumido alguna SPI. El consumo es mayor en edades entre 25 y 34 años, y aumenta con el nivel socioeconómico. Además, el estudio indica que el 50 % de las personas inicia el consumo entre los 15 y los 20 años [³]. La marihuana es la sustancia más consumida, con un 8,3 %. La mayor frecuencia de consumo de marihuana se da entre personas de 18 a 24 años y estratos altos. Le siguen la cocaína con un 2,1 %, esta es más común entre personas con un rango de edad de 18 a 24 años, y el bazuco con un 0,55 %, este tiene mayor consumo en estratos bajos.

Dado el avance de la tecnología, es fundamental crear una herramienta que apoye a entidades gubernamentales y de salud en la prevención del consumo de SPI en Colombia. El uso de la inteligencia artificial (IA), en especial de machine learning (ML), se presenta como una solución viable para desarrollar herramientas de modelos predictivos capaces de analizar datos y poder anticipar posibles riesgos en personas de diferentes edades. Por ejemplo, Gong et al. [⁴] hacen uso de Machine Learning y Deep Learning para desarrollar un modelo que identifica a pacientes con consumo indebido de SPI, mientras que Islam et al. [⁵] plantean un enfoque que predice la vulnerabilidad de una persona al uso y el abuso de SPI. Sin embargo, aunque ya existen estudios internacionales que aplican dichas técnicas, aún son escasos los trabajos que se enfocan en predecir el riesgo de consumo de estas sustancias en un contexto colombiano.

Una de las principales problemáticas en Colombia es el consumo de SPI, la cual ha presentado un aumento continuo a lo largo del tiempo. Por ello es necesario comprender y combatir esta situación identificando los diferentes estudios que se han desarrollado como solución para identificar a personas en riesgo de consumir SPI. Por otro lado, en los últimos años se realizaron diversos estudios que abarcan esta problemática, pero en países distintos a Colombia. Por ejemplo, Arif et al. [⁶] desarrollaron un modelo predictivo para predecir el riesgo de adicción a SPI, en esta investigación encontraron que el algoritmo de regresión logística superó una precisión del 97,91 % respecto a algoritmos como K-nearest neighbors (KNN), support vector machine (SVM), Naïve bayes, classification, random forest (RF), regression trees, multilayer perception (MLP), adaptive boosting (AdaBoost) y gradient boosting machine (GBM).

Así mismo, se planteó un marco que se basa en ML para identificar la vulnerabilidad individual hacia el abuso de SPI, este enfoque ayuda a prevenir la adicción en personas que consumen estas sustancias [⁷]. Además, otros estudios se han enfocado en el análisis del consumo de una única sustancia; es el caso del trabajo de Davis et al. [⁸], en el que se usan modelos como Random Forest y Regularized Cox regression para predecir el riesgo de recaída en el consumo de opioides. También está el trabajo de Han y Seo [⁹], cuyo objetivo principal es plantear un modelo para predecir el riesgo de consumo de marihuana mediante cigarrillos electrónicos. Para este estudio se enfocan en least absolute shrinkage and selection operator (LASSO) para predecir las variables de consumo de marihuana y el modelo classification and regression tree (CART) para predecir el número de personas que están en riesgo de consumo de marihuana mediante cigarrillos electrónicos.

Zoboroski et al. [¹⁰] se enfocaron en entidades como el ejército; en su estudio usan modelos o algoritmos como regresión logística, arboles de decisión y redes neuronales para predecir el riesgo de consumo de marihuana teniendo en cuenta rasgos de personalidad. Concluyeron que los jóvenes presentan un alto riesgo de consumo. Negriff et al. [¹¹] utilizaron ML para examinar los factores de riesgo en pertenecientes y no pertenecientes al bienestar infantil; en este estudio usaron regresión logística, LASSO y SVM para crear el modelo que permitirá predecir qué personas están en riesgo de consumo de marihuana.

Cabe destacar que, a pesar de la escasez de estudios sobre el consumo de SPI en Colombia, se han desarrollado aplicaciones de IA para analizar patrones de consumo de estas sustancias. Por ejemplo, Palomino et al. [¹²] emplearon redes neuronales profundas con el objetivo de identificar patrones de consumo y abuso de drogas; extrajeron las características principales de los datos de entrada, de los cuales obtuvieron que las características relacionadas con la economía familiar ayudan a explicar los patrones que se presentan para el consumo de las SPI.

Ordoñez et al. [¹³] propusieron un modelo basado en algoritmos de aprendizaje automático con el fin de encontrar tendencias en la adicción al consumo de sustancias psicoactivas en personas sin hogar. Sin embargo, como ya se mencionó, los estudios relacionados con el consumo de SPI en Colombia son muy escasos. Por ejemplo, se encontraron estudios sobre el uso de IA aplicados en otros ámbitos, como en el trabajo de Pinto Hidalgo [¹⁴], en el que se utilizó inteligencia geoespacial e IA con el fin de detectar lugares potenciales para la producción de pasta de coca. En este estudio se entrenó un modelo de aprendizaje profundo con diversas imágenes satelitales y se logró una precisión media de 90,07 %. Esto demuestra que la metodología propuesta, así como el modelo, pueden ser útiles para combatir el narcotráfico.

En conclusión, se encontraron diversos estudios relacionados con el consumo de SPI, tanto a nivel mundial como en Colombia, que mediante el uso de la IA y, en especial, con el uso de ML buscan realizar un análisis exhaustivo de datos de personas para la creación de modelos predictivos; sin embargo, en Colombia no se encontraron estudios que permitan analizar datos ni personales ni de consumo para predecir el nivel el riesgo de consumo de las personas según la información que brindan.

Cabe mencionar que las SPI contienen componentes sintéticos y naturales que son capaces de alterar el sistema nervioso, y afectan el comportamiento y el estado emocional de una persona [¹³]. A continuación, se muestran algunas de estas sustancias.

Marihuana: sustancia ilegal capaz de afectar directamente las funciones del cerebro, sobre todo las partes encargadas de memoria, aprendizaje, atención, entro otras.

Bazuco: sustancia tóxica que destruye el tejido cerebral y provoca una pérdida irreversible de la memoria; los efectos de esta sustancia son inmediatos y se vuelve adictiva debido a la rápida disolución en el torrente sanguíneo.

Cocaína: sustancia ilegal que al ser consumida afecta el sistema nervioso y el resto del cuerpo de forma inmediata; durante los primeros 30 minutos después de su consumo los efectos son la sensación de menor cansancio, hiperestimulación y mayor estado de alerta mental.

El consumo de este tipo de SPI es una problemática que afecta a la sociedad y se presenta en los diferentes tipos de edades: adolescentes, jóvenes, adultos y personas mayores. La Figura 1 muestra la frecuencia de consumo de marihuana en relación con diferentes grupos de edad en la población de Colombia. Los datos están segmentados en cuatro grupos de edad: Adolescente (azul), Adulto (verde), Joven (amarillo) y Persona mayor (rojo).

Figura 1  Frecuencia de consumo de marihuana vs. edad  

Según la Figura 1, se puede concluir que los jóvenes tienen la mayor frecuencia de consumo de marihuana en casi todas las categorías, sobre todo semanal y mensual. Los adultos también tienen una alta frecuencia de consumo, y se destacan en las categorías de consumo diario y alguna vez en su vida. En el grupo de adolescentes, aunque el consumo es menor en comparación con jóvenes y adultos, hay una notable proporción que consume alguna vez durante el año y alguna vez en su vida. El grupo de personas mayores tiene la menor frecuencia de consumo en todas las categorías.

De acuerdo con la Figura 2, se puede concluir que los adultos tienen la mayor frecuencia de consumo de cocaína en casi todas las categorías, especialmente de manera diaria y semanal. Los jóvenes tienen una alta frecuencia de consumo mensual y varias veces durante el año. El grupo de adolescentes tiene una menor frecuencia de consumo en comparación con jóvenes y adultos; sin embargo, hay una notable proporción que consume cocaína alguna vez durante el año y alguna vez en su vida. En cuanto a las personas mayores, este grupo tiene la menor frecuencia de consumo en todas las categorías.

Figura 2  Frecuencia consumo de cocaína vs. edad  

La Figura 3 muestra la frecuencia de consumo de bazuco en relación con diferentes grupos de edad en la población de Colombia. Los datos están segmentados en cuatro grupos de edad: Adolescente (azul), Adulto (verde), Joven (amarillo) y Persona mayor (rojo). Según lo anterior, se puede concluir que los adultos consumen con mayor frecuencia bazuco en casi todas las categorías, sobre todo semanal y mensual. Las personas mayores tienen una notable proporción de consumo alguna vez en su vida y durante el año. Los jóvenes tienen una frecuencia de consumo diaria y semanal, pero en menor proporción en comparación con adultos y personas mayores. En el grupo de adolescentes, aunque el consumo es menor en comparación con los otros grupos, hay una notable proporción que consume bazuco algunas veces mensualmente y alguna vez durante el año.

Figura 3  Frecuencia consumo de bazuco vs. edad  

Por lo tanto, con base en los resultados obtenidos sobre el uso de ML en la predicción del riesgo de consumo de SPI y teniendo en cuenta los gráficos presentados, se propone desarrollar un modelo de ML que ayude a entidades gubernamentales y de salud en Colombia en la toma de decisiones para prevenir o reducir el consumo de estas sustancias. Esta problemática afecta a la población de manera cotidiana, y el objetivo principal de esta investigación y creación del modelo es servir como base para futuras investigaciones que deseen abordar esta problemática específica en Colombia. El uso de herramientas tecnológicas como ML y el constante avance de la tecnología permitirán el desarrollo de nuevos modelos que puedan servir como herramientas para identificar y ayudar a las personas en riesgo de consumir SPI en Colombia.

Es importante considerar que aún siguen existiendo diversas complejidades, como la disparidad en la cantidad de datos que hay respecto al consumo de ciertas sustancias. La diferencia en la disponibilidad de datos entre personas que consumen marihuana, cocaína y bazuco es muy notoria. Asimismo, es relevante tener en cuenta el año en que se recopilaron los datos, ya que para este estudio se utilizaron datos del año 2019, datos que pueden variar con el paso del tiempo. Estas variaciones temporales pueden influir en los resultados y en la efectividad del modelo propuesto.

Con base en lo anterior, esta investigación busca proporcionar una herramienta que identifique y apoye a personas que están en riesgo; educar y concientizar al público sobre los riesgos asociados al consumo de SPI, y contribuir al análisis de datos e investigación en el campo de la IA. La herramienta usa un modelo de ML que permite predecir el nivel de riesgo de una persona a partir del análisis de datos personales y datos relacionados con SPI. La solución presentada será de gran ayuda para los entes gubernamentales y de salud, y les permitirá identificar a aquellas personas que se encuentran en riesgo de consumir estas sustancias.

2. METODOLOGÍA

En la Figura 4, se presenta el diseño para la creación del modelo y la herramienta que usa el modelo para predecir el riesgo de consumo de SPI en Colombia. El proceso para la creación se realizó con base en las siguientes subsecciones.

2.1 Conjunto de datos

El conjunto de datos seleccionado se tomó a partir de la Encuesta Nacional de Consumo de Sustancias Psicoactivas en Población General (ENCSPA-2019), realizada por el Departamento Administrativo Nacional de Estadística (DANE) y cuyo objetivo fue conocer el estado sobre el consumo de las diferentes drogas, tanto sustancias legales como ilegales para el año 2019. De este conjunto de datos solo se tuvo en cuenta la información relacionada con el consumo de SPI como marihuana, bazuco y cocaína. El conjunto de datos se divide en diferentes capítulos: desde información general de las personas encuestadas hasta información sobre el consumo de las diferentes sustancias identificadas en la encuesta; además, cabe resaltar que el conjunto de datos seleccionado es de acceso abierto y gratuito (https://microdatos.dane.gov.co/index.php/catalog/680/study-description).

Figura 4  Modelo propuesto  

3. RESULTADOS

En el análisis de datos, la comparación del rendimiento de distintos modelos de clasificación es muy importante para determinar cuál es el modelo más adecuado para garantizar el éxito en tareas de clasificación. Por ello, en esta investigación se evaluaron los algoritmos SVM, KNN, RF, XGBoost, decision tree y logistic regression. Además, utilizando las métricas de desempeño exactitud (Accuracy), precisión (Precisión), recuperación (Recall) y la puntuación F1 (F1-score), se obtuvo una perspectiva más clara sobre cuál de estos modelos se debe seleccionar. Los datos presentados en la Tabla 4 se obtuvieron del test_score, y reflejan el rendimiento de cada modelo en el conjunto de datos de prueba.

Los datos obtenidos muestran que los modelos de clasificación más avanzados, como SVM, XGBoost y logistic regression, tienen un mejor desempeño en comparación con métodos más simples como KNN y decision tree. En cuanto a los algoritmos que destacan por su alta precisión y F1-Score, se encuentran logistic regression y SVM, esto indica que tienen una excelente capacidad para clasificar correctamente las instancias.

Otro aspecto importante es optimizar los hiperparámetros para mejorar el rendimiento de los modelos, lo que se logra a través de una correcta elección de hiperparámetros y técnicas como GridSearchCV y RandomizedSearchCV. Los datos presentados en la Tabla 5 se obtuvieron del test_score y reflejan el rendimiento de cada modelo optimizado en el conjunto de datos de prueba.

Con base en las métricas obtenidas después de la optimización de hiperparámetros, se puede observar que el modelo SVM muestra un rendimiento muy alto en todas sus métricas. XGBoost mejora significativamente sus métricas después de la optimización. Pero -con base en el análisis exhaustivo de las métricas, datos obtenidos y después del proceso de optimización de parámetros mediante las técnicas RandomizedSearch y GridSearch- se decidió seleccionar logistic regression como el mejor modelo para esta tarea de clasificación, pues su desempeño es superior en todas las métricas evaluadas y garantiza una excelente capacidad predictiva, lo que lo hace ideal para el problema abordado en este estudio.

Después de seleccionar el modelo que obtuvo mejor resultados en las métricas frente a los otros modelos evaluados, y después de optimizar los hiperparámetros para mejorar su rendimiento, se generaron diversas gráficas. Estas gráficas ayudan a entender el comportamiento del modelo, así como su eficacia y precisión al momento de realizar nuevas predicciones.

Es importante aclarar que, al tener datos desbalanceados en el conjunto de datos, la precisión para cada clase se puede ver afectada con el aumento o disminución según la cantidad de datos que existan para cada clase. Por ejemplo, en la clase 4 se puede evidenciar una notable diferencia en la precisión respecto a las otras clases; en esta clase el desbalance en los datos es notoria.

Por su parte, se presenta la importancia de las características para cada clase de la variable objetivo. Estos datos fueron obtenidos a partir de la propiedad coef del modelo de regresión logística, que calcula la importancia de cada característica según los parámetros configurados para el modelo. Cada clase puede verse influenciada de manera distinta por estas características, lo que se refleja en las precisiones obtenidas.

En la Figura 5 se presenta la importancia de las características para la clase 0 (riesgo muy bajo) y 1 (riesgo bajo) de la variable objetivo. En la Tabla 6 se pueden observar las características más influyentes y menos influyentes para las clases evaluadas en la Figura 3.

Figura 5  Importancia de las características para la clase 0 (riesgo muy bajo) y clase 1 (riesgo bajo)  

En la Tabla 6, se puede observar que tanto para la clase 0 como para la clase 1 de la variable objetivo las características con menor influencia son iguales para las dos clases; sin embargo, las clases con mayor influencia difieren.

En la Figura 6, se presenta la importancia de las características para la clase 2 (riesgo medio) de la variable objetivo. En la Tabla 7 se presentan las características más influyentes y menos influyentes para la clase 2.

Figura 6  Importancia de las características para la clase 2 (riesgo medio).  

Como se mencionó, las características para cada clase difieren, pues para esta clase (clase 2) las características con menor influencia son diferentes a las de la clase 0 y 1.

Respecto a la Figura 7, se presenta la importancia de las características para las clases 3 y 4 de la variable objetivo; además, cabe destacar que las características más influyentes y menos influyentes se presentan en la Tabla 8, en la que se logra evidenciar la diferencia entre las características para las clases mencionadas.

Por otra parte, para usar el modelo final propuesto en conjunto con los datos procesados, se desarrolló una aplicación web (https://preventapp-89091.web.app). Esta aplicación consta de diversas funcionalidades, como herramientas para graficar y comparar los datos entre las diferentes variables del conjunto de datos, que incluyen gráficos de barras, gráficos de pastel y un mapa de calor por departamentos, entre otras opciones.

Destaca especialmente la sección "Formularios > Consulte su nivel de riesgo", en la que los usuarios pueden predecir su nivel de riesgo de consumo o adicción a sustancias psicoactivas mediante un formulario interactivo. Esta funcionalidad principal proporciona una herramienta útil para que las personas evalúen y comprendan su propio riesgo en relación con el consumo de SPI.

En la Figura 8 se presentan las preguntas relacionadas con el conocimiento y el consumo de sustancias psicoactivas, así como el estado de salud de las personas. Estas preguntas son claves para predecir el riesgo de consumo o adicción de sustancias psicoactivas ilegales.

Figura 7  Importancia de las características para la clase 3 (riesgo alto) y la clase 4 (riesgo muy alto)  

Figura 8  Preguntas de información sobre consumo para el formulario de la aplicación web  

Una vez que el formulario ha sido completado correctamente, se generará una predicción sobre el nivel de riesgo de la persona. En este caso, se presenta el nivel de riesgo que predijo el modelo, acompañado de una breve explicación (Figura 9) sobre el significado de ese nivel. Además, se proporcionan detalles sobre las características que más influyeron en la obtención de este nivel de riesgo, junto con una gráfica interactiva (Figura 10) que presenta las diferentes características que tuvieron mayor influencia en el resultado de la predicción.

Figura 9  Resultado de la predicción  

Figura 10  Importancia de las características de la predicción  

4. CONCLUSIONES

El desarrollo y evaluación de un modelo de ML para predecir el nivel de riesgo de consumo de SPI en la población colombiana ha demostrado ser una herramienta valiosa para la toma de decisiones en programas de prevención de consumo y adicciones. Los objetivos específicos se centraron en definir un modelo predictivo, construir una herramienta web para visualizar las predicciones y evaluar el rendimiento del modelo a través de diversas métricas.

Los factores de riesgo a nivel individual, familiar y social contribuyen en gran medida a la probabilidad de consumir estas sustancias. Para abordar este problema, se han implementado programas de prevención como "Mas mente, más prevención" o el "Plan Nacional de Promoción de la Salud, Prevención y Atención al Consumo de Sustancias Psicoactivas 2014-2021", pero no cuentan con herramientas tecnológicas avanzadas para analizar los datos de manera rápida y efectiva [²]. El modelo desarrollado en esta investigación puede servir como una base crucial para la toma de decisiones de las entidades gubernamentales, entidades de salud y sectores que aborden este problema, ya que actualmente no existe un programa que brinde un apoyo tan integral y avanzado en este ámbito. Esta herramienta permitirá una evaluación más precisa y ágil del riesgo, y facilitará la implementación de intervenciones más eficaces y personalizadas.

La metodología aplicada incluyó la selección del conjunto de datos adecuado, el procesamiento y reducción de la dimensionalidad, el entrenamiento y la evaluación de los modelos, la optimización de hiperparámetros y el despliegue de una herramienta web. Para los modelos se decidió utilizar algoritmos como SVM, KNN, RF, XGBoost, decision tree y logistic regression; el rendimiento de estos algoritmos se evaluó a través de métricas de desempeño como Accuracy, Precision, Recall y F1-Score.

Los resultados indicaron que modelos sofisticados como SVM y logistic regression tienen un mejor desempeño en comparación con métodos más simples. En el caso de la optimización de hiperparámetros, logistic regression fue el que obtuvo mejor rendimiento con una exactitud del 98,65 %, recuperación del 98,70 % y Fl-score del 98,64 %. Este modelo se implementó en la plataforma web para hacer las nuevas predicciones y poder visualizar los datos relevantes para garantizar una mejor comprensión del riesgo de consumo de SPI.

La principal limitación de este estudio fue la presencia de clases desbalanceadas en el conjunto de datos, ya que esto afectó directamente la precisión del modelo, lo que requirió el uso de técnicas adicionales para solucionar dicho problema. Además, aunque se seleccionó un modelo final basado en su rendimiento óptimo, es importante aclarar que estos modelos no son perfectos, por lo que se pueden presentar predicciones en las que el modelo no generalice bien nuevos datos que se ingresen, lo que da como resultado predicciones inexactas en algunos casos.

En cuanto a las recomendaciones para futuros trabajos, estos podrían enfocarse en la obtención y utilización de conjuntos de datos más balanceados para aumentar la precisión del modelo. Además, se sugiere profundizar en otros algoritmos de aprendizaje automático como redes neuronales profundas (CNN) que pueden capturar patrones más complejos en los datos o modelos ensamblados que permitan combinar múltiples modelos y mejorar tanto la predicción como la robustez del modelo final. Otra sugerencia para tener en cuenta es emplear técnicas más avanzadas de optimización de hiperparámetros que permitan continuar mejorando el rendimiento predictivo y ser más eficientes que GridSearch y RandomizedSearch. Por último, este modelo se podría extender para predecir el riesgo de otras SPI sin limitarse únicamente a marihuana, bazuco y cocaína, o incluir la predicción de múltiples adicciones simultáneamente para dar una respuesta de predicción más detallada.