Identificando padrões de depressão em idosos por meio de mineração de dados
DOI:
https://doi.org/10.59681/2175-4411.v16.2024.1020Palavras-chave:
Depressão, Mineração de Dados, Aprendizado de MáquinaResumo
Objetivo: Identificar padrões de depressão em idosos baseado em variáveis exógenas por meio da mineração de dados. Métodos: O processo aplica técnica de classificação Floresta Aleatória para descrever os padrões de depressão nessa população. Como fonte de dados considera-se a base de dados PNS, IBGE 2013. Resultados: Os resultados evidenciam como fatores relevantes, doenças crônicas pré-existentes, o nível de confiança com amigos e parentes, nível de escolaridade, etc. Para o grupo diagnosticado “Com depressão”, a precisão do modelo foi de 68,8%, sensibilidade de 77,2% e medida F1-score de 72,8%. Para o grupo diagnosticado “Sem depressão”, a precisão foi de 66,4%, Sensibilidade de 56,2% e a medida F1-score de 60,9%. Conclusão: Dentre os fatores destacam-se, em nível de importância, doença crônica pré-existente, um ou nenhum parente ou amigo em quem confiar, e escolaridade até o ensino médio. A prática de exercícios físicos e manter-se ativo é um aspecto favorável para a não-depressão.
Referências
Maier A, Riedel-Heller SG, Pabst A, Luppa M. Risk factors and protective factors of depression in older people 65+. A systematic review. PLoS One. 2021 May 13;16(5):e0251326.
Lelis KCG, Brito RVNE, Pinho S, Pinho L. Sintomas de depressão, ansiedade e uso de medicamentos em universitários. Revista Portuguesa de Enfermagem de Saúde Mental. 2020; 23:9-14.
Lopez AD, Mathers CD. Measuring the global burden of disease and epidemiological transitions: 2002-2030. Ann Trop Med Parasitol. 2006 Jul-Sep;100(5-6):481-99.
Andrade ABCA, Ferreira AA, Aguiar MJ. Conhecimento dos idosos sobre os sinais e sintomas da depressão. Saúde Redes. 2016;2(2):157-166.
Sousa KA, Freitas FFQ, Castro AP, Oliveira CDB, Almeida AAB, Sousa KA. Prevalência de sintomas de depressão em idosos assistidos pela Estratégia de Saúde da Família. Rev Mineira de Enferm. 2017;21:e-1018.
Soares ThD, Peroza LR, Cerezer M, Nedel Sh.S, Branco JC. Efeitos do exercício físico na obesidade e depressão: uma revisão. Rev. Bras. de Obesidade, Nutrição e Emagrecimento. 2020;14(86):511-518.
Zwolińska W, Dmitrzak-Węglarz M, Słopień A. Biomarkers in Child and Adolescent Depression. Child Psychiatry Hum Dev. 2023 Feb;54(1):266-281. Epub 2021 Sep 29. PMID: 34590201; PMCID: PMC9867683.
Peluso ETP, Blay SL. Percepção da depressão pela população da cidade de São Paulo. Rev. Saúde Pública. 2008;42(1):41-48.
Ferreira PCS, Martins NPF, Rodrigues LR, Ferreira LA. Características sociodemográficas e hábitos de vida de idosos com e sem indicativo de depressão. Rev Eletrônica de Enfermagem. 2013;15(1):197-204.
Benedetti TRB, Borges LJ, Petroski EL, Gonçaçves LHT. Atividade física e estado de saúde mental de idosos. Rev Saúde Pública. 2008;42(2):302-307.
Tier CG, Lunardi VL, Santos SSC. Cuidado ao idoso deprimido e institucionalizado à luz da Complexidade. Rev. Elet. Enferm. 2008;10(2):530-536.
Dipnall JF, Pasco JA, Berk M, Williams LJ, Dodd S, Jacka FN. Fusing Data Mining, Machine Learning and Traditional Statistics to Detect Biomarkers Associated with Depression. PLoSONE. 2016;11(2): e0148195.
Oh J, Yun K, Maoz U, Kim T-S, Chae J-H. Identifying depression in the National Health and Nutrition Examination Survey data using a deep learning algorithm. Journal of Affective Disorders. 2019;257:623-631.
Montevecchi ALD, Zárate LE. PICTOREA: Um método para descoberta de conhecimento em banco de dados convencionais. Novas Edições Acadêmicas; 2014, 104 p.
Brasil. Instituto Brasileiro de Geografia e Estatística -IBGE. PNS – Pesquisa Nacional de Saúde; 2013. [Citado 2024 jun 24]. Disponível em: https://www.ibge.gov.br/estatisticas/sociais/justica-e-seguranca/29540-2013-pesquisa-nacional-de-saude.html?=&t=resultados.
Esmaily H, Tayefi M, Doosti H, Ghayour-Mobarhan M, Nezami H, Amirabadizadeh A. A Comparison between Decision Tree and Random Forest in Determining the Risk Factors Associated with Type 2 Diabetes. J Res Health Sci. 2018 Apr 24;18(2):412.
Batista GEAPA, Prati RC, Monard MC. 2004. A study of the behavior of several methods for balancing machine learning training data. SIGKDD Explor. Newsl. 6, 1 (June 2004), 20–29.
Zarate L, Petrocchi B, Maia CD, Felix C, Gomes MP. CAPTO - A method for understanding problem domains for data science projects. 23(15):922-41.
Brito VCA, Bello-Corassa R, Stopa SR, Sardinha LMV, Dahl CM, Viana MC. Prevalência de depressão autorreferida no Brasil: Pesquisa Nacional de Saúde 2019 e 2013. Epidemiologia e Serviços de Saúde v. 31, n. spe1, e2021384.
Downloads
Publicado
Como Citar
Edição
Seção
Licença
Copyright (c) 2024 Luis Enrique Zárate, Arthur Vinicius do Carmo Santos, Jefferson Eduardo de Carvalho Camelo, Cristiane Neri Nobre, Mark Alan Junho Song
Este trabalho está licenciado sob uma licença Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.
A submissão de um artigo ao Journal of Health Informatics é entendida como exclusiva e que não está sendo considerada para publicação em outra revista. A permissão dos autores para a publicação de seu artigo no J. Health Inform. implica na exclusiva autorização concedida aos editores para incluí-lo na revista. Ao submeter um artigo, ao autor será solicitada a permissão eletrônica de um Termo de Transferência de Direitos Autorais. Uma mensagem eletrônica será enviada ao autor correspondente confirmando o recibo do manuscrito e o aceite da Declaração de Direito Autoral.
