Identificando patrones de depresión en adultos mayores a través de la minería de datos
DOI:
https://doi.org/10.59681/2175-4411.v16.2024.1020Palabras clave:
Depresión, Minería de Datos, Aprendizado AutomáticoResumen
Objetivo: Identificar patrones de depresión en personas mayores a partir de variables exógenas mediante minería de datos. Métodos: El proceso aplica la técnica de clasificación Floresta Aleatória para describir los patrones en esta población. Se considera como fuente la base de datos PNS, IBGE 2013. Resultados: Los resultados destacan las enfermedades crónicas preexistentes, el nivel de confianza con amigos y familiares, el nivel de educación, etc. como factores relevantes. Para el grupo diagnosticado "Con depresión", la precisión del modelo fue 68,8%, la sensibilidad 77,2. % y medición de puntuación F1 72,8%. Para el grupo diagnosticado "Sin depresión", la precisión fue 66,4%, la sensibilidad fue 56,2% y la medida de puntuación F1 fue 60,9%. Conclusión: Entre los factores, en términos de importancia están enfermedad crónica preexistente, tener o ningún familiar o amigo en quien confiar y la educación hasta la secundaria. Practicar ejercicio físico y mantenerse activo es un aspecto favorable para no deprimir.
Citas
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.
Descargas
Publicado
Cómo citar
Número
Sección
Licencia
Derechos de autor 2024 Luis Enrique Zárate, Arthur Vinicius do Carmo Santos, Jefferson Eduardo de Carvalho Camelo, Cristiane Neri Nobre, Mark Alan Junho Song
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-CompartirIgual 4.0.
La sumisión de un artículo a el Journal of Health Informatics es entendida como exclusiva y que no esta siendo considerado para publicación en otro periódico. La permisión de los autores para la publicación de su artículo en lo JHI implica en la exclusiva autorización concedida a los editores para su inclusión en la revista. Al someter un artículo, a lo autor será solicitada la permisión electrónica de una Nota de Copyright. Una mensaje electrónica será enviada a lo autor correspondiente confirmando el recibo del manuscrito y lo aceite de la Nota de Copyright.
