Uso de técnicas de machine learning para diagnóstico da depressão pós-parto

Abstract

A depressão pós-parto deve ser vista sob uma perspectiva ampla, que envolve a saúde mental da mulher no contexto social, econômico e familiar. O diagnóstico precoce da depressão pós-parto é crucial para evitar consequências graves à saúde mental da mãe, à relação com o bebê e ao bem-estar da família. No entanto, sua identificação ainda é desafiadora, exigindo abordagens inovadoras. Neste sentido, este trabalho de pesquisa é proposto, adotando uma abordagem aplicada, descritiva e quali-quantitativa, que foi dividida em três etapas: concepção, planejamento e implementação. Na fase de concepção, analisou-se a viabilidade do uso de modelos preditivos com base em dados clínicos e comportamentais. O planejamento definiu as técnicas, ferramentas e a base de dados a ser utilizada, disponível na plataforma Kaggle, escolhida pela qualidade dos dados e presença de metadados. O público-alvo envolve mães no período pós-parto, além de profissionais de saúde que podem utilizar os resultados como apoio à decisão clínica. E, por fim, na etapa de implementação, os modelos Random Forest, KNN e SVM foram treinados, sendo testados em duas abordagens: com todas as características e com apenas as mais relevantes. Os resultados mostraram que o Random Forest teve o melhor desempenho, com 97,77% de acurácia, seguido do KNN com 93,53%, e do SVM com 78,79%.