Prejuízo funcional em pacientes com transtorno de humor
O Transtorno Depressivo Maior e o Transtorno Bipolar são transtornos psiquiátricos associados a comprometimento psicossocial. Apesar da melhora clínica, as queixas funcionais geralmente permanecem, prejudicando principalmente o desempenho ocupacional e cognitivo. Neste estudo, objetivamos utilizar t...
| Autor: | |
|---|---|
| Tipo de recurso: | tesis de maestría |
| Estado: | Versión publicada |
| Fecha de publicación: | 2022 |
| País: | Brasil |
| Institución: | Universidade Federal do Rio Grande do Sul (UFRGS) |
| Repositorio: | Biblioteca Digital de Teses e Dissertações da UFRGS |
| Idioma: | portugués |
| OAI Identifier: | oai:www.lume.ufrgs.br:10183/268214 |
| Acceso en línea: | http://hdl.handle.net/10183/268214 |
| Access Level: | acceso abierto |
| Palabra clave: | Transtorno depressivo maior Transtorno bipolar Transtornos do humor Estado funcional Aprendizado de máquina Major depressive disorder Bipolar disorder Mood disorders Functional impairment Machine learning |
| Sumario: | O Transtorno Depressivo Maior e o Transtorno Bipolar são transtornos psiquiátricos associados a comprometimento psicossocial. Apesar da melhora clínica, as queixas funcionais geralmente permanecem, prejudicando principalmente o desempenho ocupacional e cognitivo. Neste estudo, objetivamos utilizar técnicas de aprendizado de máquina para prever o comprometimento funcional em pacientes eutímicos com diagnóstico de transtornos de humor. Nossos dados são provenientes de um estudo de coorte de base populacional realizado na cidade de Pelotas. Este estudo teve sua primeira etapa realizada em 2007-2009 e a segunda em 2012-2014, tendo em média 5 anos entre a avaliação de base e a avaliação de acompanhamento. Todos os participantes diagnosticados com transtorno de humor na linha de base e posteriormente reavaliados foram considerados (n= 282). Random Forest (RF) com seleção prévia de variaveis e algoritmos LASSO foram aplicados a um conjunto de treinamento com dados imputados resultando em dois modelos principais. Após a seleção prévia de variáveis, 25 variáveis foram mantidas. O modelo de RF teve melhor desempenho em relação ao LASSO (Área sob a curva (AUC): 0,715 vs. 0,693). As variáveis mais importantes na predição do comprometimento funcional foram abuso sexual, escore total do SRQ, negligência física, abuso emocional e abuso físico. O modelo demonstrou desempenho aceitável para predizer comprometimento funcional. No entanto, nossa amostra é composta por participantes jovens, nesse sentido, o modelo pode não ser generalizado para indivíduos mais velhos com transtornos de humor. A calculadora apresentada possui dados clínicos, sociodemográficos e ambientais, demonstrando que é possível utilizar tais informações para prever o desempenho funcional. Para estudos futuros, sugerimos a integração de dados digitais de saúde e informações biológicas. |
|---|