ANÁLISE PREDITIVA DE VARIÁVEIS DE SONO E BIOMARCADORES DE COMORMIDADES NA DETECÇÃO DE SINTOMAS DEPRESSIVOS EM ADULTOS DE MEIA-IDADE E IDOSOS: UMA ABORDAGEM DE APRENDIZAGEM DE MÁQUINAS
Introdução: Estudos têm evidenciado altas incidências da depressão em escala mundial e sua co-ocorrência com várias condições de saúde importantes, principalmente em sujeitos de maia-idade e idosos. Neste cenário de multimorbidades, a depressão encontra-se comumente associada às doenças relacionadas à síndrome metabólica, como obesidade e diabetes. Alterações crônicas nos ritmos circadianos de sono-vigília representam uma relação com o desenvolvimento da depressão e de suas respectivas comorbidades associadas, ao favorecerem a quebra da organização temporal interna de processos fisiológicos e metabólicos essenciais. Atualmente, fazer diagnósticos e triagens clínicas precisas têm sido um desafio persistente na área de saúde mental, em virtude do uso de ferramentas tradicionais limitadas que não incluem características adicionais de dados clínicos importantes do paciente, inclusive observações objetivas biomarcadoras de doenças, nessa prática. Objetivo: Dessa forma, o objetivo do presente estudo foi detectar a sintomatologia depressiva a partir de biomarcadores gerais de obesidade e diabetes, além de variáveis relacionadas ao sono e atividade física, em adultos de meia-idade e idosos, através de uma abordagem de aprendizagem de máquinas. Método: Dados do Questionário de Atividade Física Global (GPAQ - nível de atividade física), do Questionário de Saúde do Paciente (PHQ-9), e do questionário sobre hábitos de sono foram extraídos da base de dados do National Health and Nutrition Examination Survey (NHANES) no período de 2015-2016. Outras variáveis foram acessadas e utilizadas como recursos previsores, como medidas antropométricas e biomarcadores plasmáticos da obesidade e diabetes. Três algoritmos de aprendizagem supervisionada foram implementados: Regressão Logística penalizada com Lasso (RL), Random Forest (RF) e Extreme Gradient Boosting (XGBoost). Resultados: O modelo XGBoost proporcionou maior acurácia e precisão (87%), com proporção de acertos nos casos com sintomas depressivos acima de 80%. Além disso, a sonolência diurna foi a variável preditora mais significativa para predizer sintomas depressivos. Conclusões: As variáveis de sono e atividade física, além dos biomarcadores de obesidade e diabetes, em conjunto assumem significativa importância para predizer, com acurácia e precisão de 87%, a ocorrência de sintomas depressivos em indivíduos de meia-idade e idosos.