Aplicación de algoritmos de aprendizaje supervisado para identificación de factores sociodemográficos asociados a síntomas depresivos en adultos peruanos: modelo CHAID, 2022

Palabras clave: aprendizaje automático, depresión, epidemiología, salud mental, Perú

Resumen

Introducción: la sintomatología depresiva es altamente prevalente en la población peruana. El uso del algoritmo de árbol de decisiones podría beneficiar en hallar grupos especialmente vulnerables a padecer síntomas depresivos.

Objetivo: determinar los grupos especialmente vulnerables a tener síntomas depresivos según factores sociodemográficos mediante algoritmo de árbol de decisiones por aprendizaje automático.

Material y métodos: se aplicó un diseño observacional, descriptivo, retrospectivo y transversal. Los datos provinieron de la encuesta nacional demográfica y de salud. La población fue 32.062 adultos. La variable dependiente fue: presencia de síntomas depresivos, y como variables explicativas: grupo etario, lengua materna, grupo étnico, nivel educativo, edad de inicio de consumo de alcohol, consumo de alcohol, estado conyugal, sexo. Se utilizó el algoritmo de árbol de decisiones mediante detección automática de interacciones mediante chi-cuadrado (CHAID).

Resultados: las variables significativas en el algoritmo fueron: sexo, tipo de lengua materna, estado conyugal, grupo etario, nivel educativo alcanzado, clasificando de forma correcta 75,80% de los casos de síntomas depresivos. Los nodos asociados principalmente a la presencia de síntomas depresivos fueron: nodo 2 (sexo femenino), nodo 6 (adultos desde 39 años), nodo 13 (educación hasta secundaria). Según sexo, en mujeres, las variables principalmente asociadas fueron los correspondientes al nodo 2 (adultos desde los 39 años), nodo 5 (educación hasta secundaria) y nodo 13 (lengua materna originaria). En hombres, los nodos asociados principalmente a síntomas depresivos fueron el nodo 2 (lengua materna originaria), nodo 6 (adultos desde los 39 años) y nodo 11 (nivel educativo alcanzado hasta secundaria).

Conclusiones: el principal grupo sociodemográfico asociado al desarrollo de síntomas depresivos son el sexo femenino, desde los 39 años y cuya educación ha llegado a la etapa escolar. El uso de algoritmos de aprendizaje automático es útil para crear herramientas de cribado de poblaciones vulnerables a padecer síntomas depresivos.

Citas

1. Harshfield EL, Pennells L, Schwartz JE, Willeit P, Kaptoge S, Bell S, et al. Association between depressive symptoms and incident cardiovascular diseases. JAMA [Internet]. 2020 [cited 2023 Dec 24];324(23):2396-2405. Available from: https://pubmed.ncbi.nlm.nih.gov/33320224. doi: http://dx.doi.org/10.1001/jama.2020.23068
2. Qin X, Hsieh ChR. Depression hurts, depression costs: The medical spending attributable to depression and depressive symptoms in China. In: Economic analysis of mental health in China. Applied economics and policy studies. Singapore: Springer; 2023. p. 45–78. doi: http://dx.doi.org/10.1007/978-981-99-4209-1_3
3. Vázquez GH, Lolich M, Cabrera C, Jokic R, Kolar D, Tondo L, Baldessarini RJ. Mixed symptoms in major depressive and bipolar disorders: A systematic review. J Affect Disord. 2018; 225:756–60. doi: http://dx.doi.org/10.1016/j.jad.2017.09.006
4. Chand SP, Arif H. Depression [Internet]. In: StatPearls. Treasure Island: StaPearls Publishing; 2023 [cited 2023 Dec 24]. Available from: https://www.ncbi.nlm.nih.gov/books/NBK430847
5. Bianchi J, Henao Á. Activación conductual y depresión: Conceptualización, evidencia y aplicaciones en Iberoamérica. Ter Psicol [Internet]. 2015 [citado 24 Dic 2023];33(2):69–80. Disponible en: https://www.scielo.cl/scielo.php?script=sci_arttext&pid=S0718-48082015000200002. doi: http://dx.doi.org/10.4067/S0718-48082015000200002
6. Martina M, Ara MA, Gutiérrez C, Nolberto V, Piscoya J. Depresión y factores asociados en la población peruana adulta mayor según la ENDES 2014-2015. An Fac Med [Internet]. 2017 [citado 24 Dic 2023];78(4):393-7. Disponible en: http://www.scielo.org.pe/scielo.php?script=sci_arttext&pid=S1025-55832017000400004. doi: http://dx.doi.org/10.15381/anales.v78i4.14259
7. Pedrero V, Reynaldos-Grandón K, Ureta-Achurra J, Cortez-Pinto E. Generalidades del Machine Learning y su aplicación en la gestión sanitaria en Servicios de Urgencia. Rev méd Chile [Internet]. 2021 [citado 24 Dic 2023];149(2):248–54. Disponible en: https://www.scielo.cl/scielo.php?script=sci_arttext&pid=S0034-98872021000200248. doi: http://dx.doi.org/10.4067/s0034-98872021000200248
8. Reyes León P, Salgado Ramírez JC, Velázquez Rodríguez JL. Pre-diagnóstico de enfermedades crónicas mediante la aplicación de modelos de cómputo inteligente. Comp y Sist [Internet]. 2020 [citado 24 Dic 2023];24(3):1313–25. Disponible en: https://www.scielo.org.mx/scielo.php?script=sci_arttext&pid=S1405-55462020000301313. doi: https://doi.org/10.13053/cys-24-3-3492
9. Martina Chávez M, Amemiya Hoshi I, Suguimoto Watanabe SP, Arroyo Aguilar RS, Zeladita-Huaman JA, Castillo Parra H. Depresión en adultos mayores en el Perú: distribución geoespacial y factores asociados según ENDES 2018 - 2020. An Fac med [Internet]. 2022 [citado 16 Sept 2023];83(3):180–7. Disponible en: http://www.scielo.org.pe/scielo.php?script=sci_arttext&pid=S1025-55832022000300180. doi: http://dx.doi.org/10.15381/anales.v83i3.23375
10. Huarcaya-Victoria J, De-Lama-Morán R, Quiros M, Bazán J, López K, Lora D. Propiedades psicométricas del Patient Health Questionnaire (PHQ-9) en estudiantes de medicina en Lima, Perú. Rev Neuropsiquiatr [Internet]. 2020 [citado 16 Sept 2023];83(2):72–8. Disponible en: http://www.scielo.org.pe/scielo.php?script=sci_arttext&pid=S0034-85972020000200072. doi: http://dx.doi.org/10.20453 /rnp.v83i2 .3749
11. Levis B, Benedetti A, Thombs BD. Accuracy of Patient Health Questionnaire-9 (PHQ-9) for screening to detect major depression: individual participant data meta-analysis. BMJ [Internet]. 2019 [cited 2023 Sept 16];365: l1476. Available from: https://pubmed.ncbi.nlm.nih.gov/30967483/. doi: http://dx.doi.org/10.1136/bmj.l1476
12. Dajpratham P, Pukrittayakamee P, Atsariyasing W, Wannarit K, Boonhong J, Pongpirul K. The validity and reliability of the PHQ-9 in screening for post-stroke depression. BMC Psychiatry [Internet]. 2020 [cited 2023 Sept 16];20(1):291. Available from: https://pubmed.ncbi.nlm.nih.gov/32517743/. Doi: http://dx.doi.org/10.1186/s12888-020-02699-6
13. IBM. Documentación: Nodo CHAID [Internet]. 2021 [citado 25 Dic 2023]. Disponible en: https://www.ibm.com/docs/es/spss-modeler/saas?topic=nodes-chaid-node
14. IBM. Documentación: Creación del modelo [Internet]. 2022 [citado 25 Dic 2023]. Disponible en: https://www.ibm.com/docs/es/spss-statistics/saas?topic=risk-creating-model
15. Choi H-Y, Kim E-Y, Kim J. Prognostic factors in diabetes: Comparison of Chi-square automatic interaction detector (CHAID) decision tree technology and logistic regression. Medicine (Baltimore) [Internet]. 2022 [cited 2023 Dec 25];101(42):e31343. Available from: https://pubmed.ncbi.nlm.nih.gov/36281142/. doi: http://dx.doi.org/10.1097/MD.0000000000031343
16. Ye F, Chen Z-H, Chen J, Liu F, Zhang Y, Fan Q-Y, et al. Chi-squared automatic interaction detection decision tree analysis of risk factors for infant anemia in Beijing, China. Chin Med J (Engl) [Internet]. 2016 [cited 2023 Dec 25];129(10):1193–9. Available from: https://pubmed.ncbi.nlm.nih.gov/27174328/. doi: http://dx.doi.org/10.4103/0366-6999.181955
17. Plataforma Nacional de Datos Abiertos. Datos abiertos: Instrumento de tamizaje de depresión [Internet]. Miraflores: Secretaría de Gobierno Digital Presidencia del Consejo de Ministros. [citado 25 Dic 2023]. Disponible en: https://www.datosabiertos.gob.pe/dataset/minsa-salud-mental/resource/f8bbb26d-f242-4cdc-9d69-5b7def241d02
18. Huarcaya-Victoria J. Consideraciones sobre la salud mental en la pandemia de COVID-19. Rev Peru Med Exp Salud Publica [Internet]. 2020 [citado 25 Dic 2023];37(2):327–34. Disponible en: https://www.scielosp.org/article/rpmesp/2020.v37n2/327-334/es/
19. Torres Mantilla JC, Torres Mantilla JD. Factores asociados al trastorno depresivo en adultos mayores peruanos. Horiz Med [Internet]. 2023 [citado 25 Dic 2023];23(3):e2220. Disponible en: http://www.scielo.org.pe/scielo.php?script=sci_arttext&pid=S1727-558X2023000300006. doi: http://dx.doi.org/10.24265/horizmed.2023.v23n3.05
20. Zhou S, Gao L, Liu F, Tian W, Jin Y, Zheng Z-J. Socioeconomic status and depressive symptoms in older people with the mediation role of social support: A population‐based longitudinal study. Int J Methods Psychiatr Res [Internet]. 2021 [cited 2023 Dec 25];30(4): e1894. Available from: https://pubmed.ncbi.nlm.nih.gov/34591341. Doi: http://dx.doi.org/10.1002/mpr.1894
21. van Zon SKR, Reijneveld SA, Mendes de Leon CF, Bültmann U. The impact of low education and poor health on unemployment varies by work life stage. Int J Public Health [Internet]. 2017 [cited 2023 Dec 25] ;62(9):997–1006. Available from: https://www.ncbi.nlm.nih.gov/pmc/articles/PMC5668328. doi: http://dx.doi.org/10.1007/s00038-017-0972-7
22. McGee RE, Thompson NJ. Unemployment and depression among emerging adults in 12 states, behavioral risk factor surveillance system, 2010. Prev Chronic Dis [Internet]. 2015 [cited 2023 Dec 25]; 12: E38. Available from: https://pubmed.ncbi.nlm.nih.gov/25789499/. doi: http://dx.doi.org/10.5888/pcd12.140451
23. Cohen AK, Nussbaum J, Weintraub MLR, Nichols ChR, Yen IH. Association of adult depression with educational attainment, aspirations, and expectations. Prev Chronic Dis [Internet]. 2020 [cited 2023 Dec 25];17: E94. Available from: https://pubmed.ncbi.nlm.nih.gov/32857033/. doi: http://dx.doi.org/10.5888/pcd17.200098
24. Albert PR. Why is depression more prevalent in women? J Psychiatry Neurosci [Internet]. 2015 [cited 2023 Dec 25];40(4):219–21. Available from: https://www.ncbi.nlm.nih.gov/pmc/articles/PMC4478054/. doi: http://dx.doi.org/10.1503/jpn.150205
25. Venborg E, Osler M, Jørgensen TSH. The association between postpartum depression and perimenopausal depression: A nationwide register-based cohort study. Maturitas [Internet]. 2023 [cited 2023 Dec 25]; 169:10–5. Available from: https://www.sciencedirect.com/science/article/pii/S0378512222002559
26. Hernández-Hernández OT, Martínez-Mota L, Herrera-Pérez JJ, Jiménez-Rubio G. Role of estradiol in the expression of genes involved in serotonin neurotransmission: Implications for female depression. Curr Neuropharmacol [Internet]. 2019 [cited 2023 Dec 25];17(5):459–71. Available from: https://pubmed.ncbi.nlm.nih.gov/29956632/. doi: http://dx.doi.org/10.2174/1570159X16666180628165107
27. Bao A-M, Swaab DF. The human hypothalamus in mood disorders: The HPA axis in the center. IBRO Rep [Internet]. 2018 [cited 2023 Dec 25]; 6:45–53. Available from: https://pubmed.ncbi.nlm.nih.gov/31211281/. doi: http://dx.doi.org/10.1016/j.ibror.2018.11.008
28. Merino Núñez M, Córdova Chirinos JW, Aguirre Pintado JM, García Yovera AJ, López Ñiquen KE. Nivel de percepción sobre la pobreza en el Perú, causas y efectos sociales. Univ. soc. (Cienfuegos) [Internet]. 2020 [citado 25 Dic 2023];12(6):46–53. Disponible en: http://scielo.sld.cu/scielo.php?script=sci_arttext&pid=S2218-36202020000600046
29. Paul R, Muhammad T, Rashmi R, Sharma P, Srivastava S, Zanwar PP. Depression by gender and associated factors among older adults in India: implications for age-friendly policies. Sci Rep [Internet]. 2023 [cited 2023 Dec 25];13(1): 17651. Available from: https://pubmed.ncbi.nlm.nih.gov/37848598/. doi: http://dx.doi.org/10.1038/s41598-023-44762-8
30. Cjuno J, Figueroa-Quiñones J, Marca-Dueñas GG, Carranza-Esteban RF. Producción científica sobre depresión en poblaciones quechua hablantes: Una revisión narrativa. Ter Psicol [Internet]. 2021 [citado 13 Enero 2024] ;39(2):163–74. Disponible en: https://www.scielo.cl/scielo.php?script=sci_arttext&pid=S0718-48082021000200163. doi: http://dx.doi.org/10.4067/s0718-48082021000200163
Publicado
2024-05-01
Sección
ARTICULOS ORIGINALES