Utilizando Modelos de Machine Learning para a Caracterização da Depressão em Adultos no Brasil
Resumo
O objetivo do estudo é a caracterização do perfil de indivíduos adultos com depressão a partir da mais recente Pesquisa Nacional de Saúde (PNS 2019). Como metodologia, é proposto um método para descoberta de conhecimento por meio da aplicação de algoritmos caixa-branca e caixa-preta. O algoritmo Floresta Aleatória se destacou pelo melhor desempenho geral, atingindo uma média da medida F1-score de 82% para o conjunto de teste. Os resultados também corroboram a necessidade de considerar fatores socioeconômicos, estilo de vida e condições de saúde física na prevenção e tratamento da depressão.
Palavras-chave:
Machine Learning, Aprendizado Automático, Depressão
Referências
Barros, M. B. d. A. and et al. (2021). Association between health behaviors and depression: findings from the 2019 brazilian national health survey. Revista Brasileira de Epidemiologia, 24(suppl 2):e210010.
Batista, H. M. C. d., Paim, A. B., Siqueira, B. S., Ebecken, N. F. F., and Dias, A. C. (2021). Fatores que podem desencadear depressão: uma aplicação do aprendizado de máquina aos dados da pesquisa nacional de saúde no brasil. P2P E INOVAÇÃO, 7:164–185.
Beck, A. T., Rush, A. J., Shaw, B. F., and Emery, G. (1979). Cognitive therapy of depression. Guilford press.
Beck, A. T., Ward, C. H., Mendelson, M., Mock, J., and Erbaugh, J. (1961). An inventory for measuring depression. Archives of general psychiatry, 4(6):561–571.
Dondena, L. M., Ferretti, E., Maragoudakis, M., Sapino, M., and Errecalde, M. L. (2017). Predicting depression: a comparative study of machine learning approaches based on language usage. Cuadernos de Neuropsicologia, 11:42–54.
Fiske, A., Wetherell, J. L., and Gatz, M. (2009). Depression in older adults. Annual Review of Clinical Psychology, 5:363–389.
Kendler, K. S., Gatz, M., Gardner, C. O., and Pedersen, N. L. (2006). A swedish national twin study of lifetime major depression. American Journal of Psychiatry, 163(1):109–114.
Kessler, R. C., Davis, C. G., and Kendler, K. S. (1995). Childhood adversity and adult psychiatric disorder in the us national comorbidity survey. Psychological medicine, 25(1):51–67.
Kuehner, C. (2017). Gender differences in unipolar depression: an update of epidemiological findings and possible explanations. Acta Psychiatrica Scandinavica, 95(3):163–174.
Lai, H. M. X., Cleary, M., Sitharthan, T., and Hunt, G. E. (2015). Prevalence of comorbid substance use, anxiety and mood disorders in epidemiological surveys, 1990–2014: A systematic review and meta-analysis. Drug and alcohol dependence, 154:1–13.
Liu, Y., Pu, C., Xia, S., Deng, D., Wang, X., and Li, M. (2022). Machine learning approaches for diagnosing depression using eeg: A review. Transl Neurosci, 13(1):224–235.
Lorant, V., Deliège, D., Eaton, W., Robert, A., Philippot, P., and Ansseau, M. (2003). Socio-economic inequalities in depression: a meta-analysis. American Journal of Epidemiology, 157(2):98–112.
Loyola-González, O. (2019). Black-box vs. white-box: Understanding their advantages and weaknesses from a practical point of view. IEEE Access, 7:154096–154113.
Luppino, F. S., de Wit, L. M., Bouvy, P. F., Stijnen, T., Cuijpers, P., Penninx, B. W., and Zitman, F. G. (2010). Overweight, obesity, and depression: a systematic review and meta-analysis of longitudinal studies. Archives of general psychiatry, 67(3):220–229.
MS-BRASIL (2020). Ministério da saúde: A saúde mental no brasil: Indicadores de morbidade.
Skogen, J. C., Harvey, S. B., Henderson, M., Stordal, E., Mykletun, A., and Øverland, S. (2014). Anxiety and depression among abstainers and low-level alcohol consumers: The nord-trøndelag health study. Addiction, 109(2):269–277.
Smith, K. J., Victor, C., and Bartholomew, J. (2006). Factors associated with the self-reported health status of older people in the united kingdom. Ageing society, 26(4):607–627.
Stansfeld, S. and Candy, B. (2006). Psychosocial work environment and mental health—a meta-analytic review. Scandinavian journal of work, environment health, 32(6):443–462.
Virtanen, M., Stansfeld, S. A., Fuhrer, R., and Ferrie, J. E. (2018). Overtime work as a predictor of major depressive episode: a 5-year follow-up of the whitehall ii study. PLoS One, 13(8):e0202224.
Witten, I. H., Frank, E., and Hall, M. A. (2016). Data mining: practical machine learning tools and techniques. Morgan Kaufmann.
Zarate, L., Petrocchi, B., Dias Maia, C., Felix, C., and Gomes, M. P. (2023). Capto - a method for understanding problem domains for data science projects: Capto - um método para entendimento de domínio de problema para projetos em ciência de dados. Concilium, 23(15):922–941.
Batista, H. M. C. d., Paim, A. B., Siqueira, B. S., Ebecken, N. F. F., and Dias, A. C. (2021). Fatores que podem desencadear depressão: uma aplicação do aprendizado de máquina aos dados da pesquisa nacional de saúde no brasil. P2P E INOVAÇÃO, 7:164–185.
Beck, A. T., Rush, A. J., Shaw, B. F., and Emery, G. (1979). Cognitive therapy of depression. Guilford press.
Beck, A. T., Ward, C. H., Mendelson, M., Mock, J., and Erbaugh, J. (1961). An inventory for measuring depression. Archives of general psychiatry, 4(6):561–571.
Dondena, L. M., Ferretti, E., Maragoudakis, M., Sapino, M., and Errecalde, M. L. (2017). Predicting depression: a comparative study of machine learning approaches based on language usage. Cuadernos de Neuropsicologia, 11:42–54.
Fiske, A., Wetherell, J. L., and Gatz, M. (2009). Depression in older adults. Annual Review of Clinical Psychology, 5:363–389.
Kendler, K. S., Gatz, M., Gardner, C. O., and Pedersen, N. L. (2006). A swedish national twin study of lifetime major depression. American Journal of Psychiatry, 163(1):109–114.
Kessler, R. C., Davis, C. G., and Kendler, K. S. (1995). Childhood adversity and adult psychiatric disorder in the us national comorbidity survey. Psychological medicine, 25(1):51–67.
Kuehner, C. (2017). Gender differences in unipolar depression: an update of epidemiological findings and possible explanations. Acta Psychiatrica Scandinavica, 95(3):163–174.
Lai, H. M. X., Cleary, M., Sitharthan, T., and Hunt, G. E. (2015). Prevalence of comorbid substance use, anxiety and mood disorders in epidemiological surveys, 1990–2014: A systematic review and meta-analysis. Drug and alcohol dependence, 154:1–13.
Liu, Y., Pu, C., Xia, S., Deng, D., Wang, X., and Li, M. (2022). Machine learning approaches for diagnosing depression using eeg: A review. Transl Neurosci, 13(1):224–235.
Lorant, V., Deliège, D., Eaton, W., Robert, A., Philippot, P., and Ansseau, M. (2003). Socio-economic inequalities in depression: a meta-analysis. American Journal of Epidemiology, 157(2):98–112.
Loyola-González, O. (2019). Black-box vs. white-box: Understanding their advantages and weaknesses from a practical point of view. IEEE Access, 7:154096–154113.
Luppino, F. S., de Wit, L. M., Bouvy, P. F., Stijnen, T., Cuijpers, P., Penninx, B. W., and Zitman, F. G. (2010). Overweight, obesity, and depression: a systematic review and meta-analysis of longitudinal studies. Archives of general psychiatry, 67(3):220–229.
MS-BRASIL (2020). Ministério da saúde: A saúde mental no brasil: Indicadores de morbidade.
Skogen, J. C., Harvey, S. B., Henderson, M., Stordal, E., Mykletun, A., and Øverland, S. (2014). Anxiety and depression among abstainers and low-level alcohol consumers: The nord-trøndelag health study. Addiction, 109(2):269–277.
Smith, K. J., Victor, C., and Bartholomew, J. (2006). Factors associated with the self-reported health status of older people in the united kingdom. Ageing society, 26(4):607–627.
Stansfeld, S. and Candy, B. (2006). Psychosocial work environment and mental health—a meta-analytic review. Scandinavian journal of work, environment health, 32(6):443–462.
Virtanen, M., Stansfeld, S. A., Fuhrer, R., and Ferrie, J. E. (2018). Overtime work as a predictor of major depressive episode: a 5-year follow-up of the whitehall ii study. PLoS One, 13(8):e0202224.
Witten, I. H., Frank, E., and Hall, M. A. (2016). Data mining: practical machine learning tools and techniques. Morgan Kaufmann.
Zarate, L., Petrocchi, B., Dias Maia, C., Felix, C., and Gomes, M. P. (2023). Capto - a method for understanding problem domains for data science projects: Capto - um método para entendimento de domínio de problema para projetos em ciência de dados. Concilium, 23(15):922–941.
Publicado
14/10/2024
Como Citar
RODRIGUES DA SILVA, Pedro Henrique; GALVEZ, Luiz Enrique Zárate.
Utilizando Modelos de Machine Learning para a Caracterização da Depressão em Adultos no Brasil. In: DATA SCIENCE FOR SOCIAL GOOD BRAZILIAN WORKSHOP (DS4SG) - SIMPÓSIO BRASILEIRO DE BANCO DE DADOS (SBBD), 39. , 2024, Florianópolis/SC.
Anais [...].
Porto Alegre: Sociedade Brasileira de Computação,
2024
.
p. 328-337.
DOI: https://doi.org/10.5753/sbbd_estendido.2024.243658.
