Caracterizando o perfil Artrite-Depressão da População Brasileira - Um Estudo Baseado na Base de Dados PNS 2019

• Luís Fernando R. Cancella Pontifícia Universidade Católica de Minas Gerais
• Luis E. Zárate Pontifícia Universidade Católica de Minas Gerais

DOI: https://doi.org/10.5753/sbbd_estendido.2025.248095

Resumo

Este trabalho tem como objetivo explorar a relação entre depressão e artrite na população brasileira, por meio da identificação de padrões via técnicas de Mineração de Dados. A metodologia envolve modelagem conceitual, análise exploratória, pré-processamento e preparação dos dados, com transformação e combinação de atributos para redução da dimensionalidade. Os modelos são baseados em árvore de decisão e floresta aleatória. Os resultados indicaram a acurácia e o recall dos modelos, atingindo valores entre 76% e 80%. Além disso, a análise de uso dos atributos pelos modelos destacou fatores como sexo, presença de diabetes e autopercepção de saúde como os mais relevantes para caracterização desse perfil para pessoas acima de 60 anos.

Palavras-chave: Mineração de Dados, Artrite, Depressão, Aprendizado de Máquina, Comorbidade

Referências

Campos, A., Silva, C., de Castro, S., and Graminha, C. (2013). Depressão e qualidade de vida em indivíduos com artrite reumatoide e indivíduos com saúde estável: um estudo comparativo. Fisioterapia e Pesquisa.

Das, A. and Dhillon, P. (2022). Aplicação de aprendizado de máquina na medição do envelhecimento e doenças geriátricas: uma revisão sistemática. BMC Geriatr, 23(841).

Fakra, E. and Marotte, H. (2021). Rheumatoid arthritis and depression. Joint Bone Spine.

Gonçalves, L., Franca, D., and Zarate, L. (2024). Relevância do entendimento do domínio de problema na construção de modelos computacionais de aprendizado. In Anais do XVIII Brazilian e-Science Workshop, pages 135–142, Porto Alegre, RS, Brasil. SBC.

IBGE (2020). Pesquisa nacional de saúde 2019 - instituto brasileiro de geografia e estatística. [link]. Acesso em: 2024-07-15.

Imtiaz, M., Shah, S. A. A., and ur Rehman, Z. (2022). A review of arthritis diagnosis techniques in artificial intelligence era: Current trends and research challenges. Neuroscience Informatics, 2(4):100079.

Laguardia, J., Campos, M. R., Travassos, C., Najar, A. L., dos Anjos, L. A., and Vasconcellos, M. M. (2013). Dados normativos brasileiros do questionário short form-36 versão 2. Rev. bras. epidemiol., (4).

Mella, L., Bértolo, M., and Dalgalarrondo, P. (2010). Depressive symptoms in rheumatoid arthritis. Brazilian Journal of Psychiatry.

Pyle, D. (1999). Data Preparation for Data Mining. The Morgan Kaufmann Series in Data Management Systems. Elsevier Science.

Rubin, D. B. (1976). Inference and missing data. Biometrika, (3):581–592.

Souza, V., Nobre, J., and Becker, K. (2020). Characterization of anxiety, depression, and their comorbidity from texts of social networks. In Anais do XXXV Simpósio Brasileiro de Bancos de Dados, pages 121–132, Porto Alegre, RS, Brasil. SBC.

Xue, Q., Pan, A., Gong, J., Wen, Y., Peng, X., Pan, J., and Pan, X. (2020). Association between arthritis and depression risk: a prospective study and meta-analysis. J Affect Disord.

Zarate, L., Petrocchi, B., Maia, C. D., Felix, C., and Gomes, M. P. (2023). Capto - a method for understanding problem domains for data science projects. Concilium.

Zárate, L., Santos, A., Camelo, J., Nobre, C., and Song, M. (2024). Identificando padrões de depressão em idosos por meio de mineração de dados. Journal of Health Informatics, (1):1–8.