Aplicação de Técnicas de Aprendizagem de Máquina para Diagnóstico de Depressão, Ansiedade e Estresse

  • Ana Laura Barros de Melo IFPB
  • André Luiz Firmino Alves IFPB

Resumo


O estilo de vida moderno das pessoas está causando diferentes tipos de transtornos psicológicos, onde há resistência na busca de tratamento e as pessoas integram em uma árdua jornada de sofrimento com os sintomas de depressão, estresse e ansiedade. Nesse contexto, considerando que a aprendizagem de máquina (AM) tem sido amplamente eficaz no auxílio de diagnóstico médico, o presente trabalho tem como objetivo testar a eficácia dos modelos de aprendizagem de máquina utilizando a mineração de dados, como ferramentas auxiliares no pré-diagnóstico dessas doenças, fazendo uso da linguagem Python. Foi feita a classificação e previsão da ocorrência dos três problemas psicológicos utilizando quatro algoritmos, medindo cinco diferentes níveis de gravidade entre as doenças, unindo a tecnologia e a psicologia.

Palavras-chave: Aprendizagem de Máquina, Mineração de Dados, Classificação, Transtornos Psicológicos, Diagnóstico

Referências

Peleg, Yam. (2021). "Predicting Depression, Anxiety and Stress". Kaggle.

Lovibond, S.H. and Lovibond, P.F. (1995). Manual for the Depression Anxiety Stress Scales (2nd. Ed.). Sydney: Psychology Foundation.

Dun, C. (2021). Uma biografia da depressão. São Paulo: Planeta.

Oliveto, Paloma. (2018). Aplicativos de celular são as novas armas no combate à depressão. Correio Braziliense.

Sapkal, D.; Mehta, C.; Nimgaonkar, M.; Devasthale, R.; Phansalkar, S. (2021). Prediction of mental disorder using artificial neural network and psychometric analysis. In: Data Management, Analytics and Innovation. [S.l.]: Springer. p. 369-377.
Publicado
31/07/2022
MELO, Ana Laura Barros de; ALVES, André Luiz Firmino. Aplicação de Técnicas de Aprendizagem de Máquina para Diagnóstico de Depressão, Ansiedade e Estresse. In: ENCONTRO NACIONAL DE COMPUTAÇÃO DOS INSTITUTOS FEDERAIS (ENCOMPIF), 9. , 2022, Niterói. Anais [...]. Porto Alegre: Sociedade Brasileira de Computação, 2022 . p. 13-16. ISSN 2763-8766. DOI: https://doi.org/10.5753/encompif.2022.223062.