Explorando a suicidalidade em pacientes com transtorno obsessivo-compulsivo: uma abordagem com machine learning

Página do item simplificado
dc.contributor.advisorFerrão, Ygor Arzeno
dc.contributor.authorAgne, Neusa Aita
dc.date.accessioned2021-06-15T17:43:25Z
dc.date.accessioned2023-10-09T13:59:09Z
dc.date.available2021-06-15T17:43:25Z
dc.date.available2023-10-09T13:59:09Z
dc.date.date-insert2021-06-15
dc.date.issued2019
dc.descriptionDissertação (Mestrado)-Programa de Pós-Graduação em Ciências da Saúde, Fundação Universidade Federal de Ciências da Saúde de Porto Alegre.pt_BR
dc.description.abstractEste estudo buscou identificar preditores de tentativa de suicídio em um grande banco de dados de pacientes com Transtorno Obsessivo-Compulsivo (TOC). O objetivo foi utilizar um algoritmo de machine learning para fazer a análise estatística dos dados e assim, ter maior acurácia na predição. Técnicas de machine learning têm sido cada vez mais utilizadas nas pesquisas psiquiátricas, pois apresentam diversas vantagens, dentre elas a capacidade de predizer desfechos a nível individual. Novecentos e cinquenta e nove pacientes com TOC, oriundos de sete centros de atendimentos especializados, foram incluídos neste estudo. A taxa de prevalência de tentativa de suicídio encontrada foi de 10,8%. O algoritmo elastic net identificou quatro principais preditores de tentativa de suicídio em pacientes com TOC: história prévia de plano de suicídio, história prévia de pensamentos sobre suicídio, comorbidade com episódio depressivo ao longo da vida e comorbidade com transtorno explosivo intermitente. A acurácia do modelo foi de 85%, com uma curva ROC de 0.95. Nossos achados sugerem que as tentativas de suicídio no TOC estiveram associadas ao espectro psicopatológico de suicidalidade e à presença de comorbidades psiquiátricas, e não à fenomenologia do transtorno por si só. Especialmente aqueles pacientes com sintomas depressivos comórbidos ao TOC e com história de pensamento suicida devem receber tratamento intensivo para redução de desfechos trágicos como o suicídio. Além disso, este trabalho mostrou que a utilização de técnicas de machine learning traz maior acurácia na análise de bancos de dados extensos e de patologias polimórficas como o TOC, gerando um modelo de predição de forte acurácia. Os resultados devem ser testados em outras populações, podendo se transformar em uma ferramenta de predição robusta do risco de tentativas de suicídio nos pacientes com TOC e também com outras psicopatologias.pt_BR
dc.description.abstract-enThis study aimed to identify predictors of suicide attempts in an extensive database of patients with Obsessive Compulsive-Disorder (OCD). The objective was to use a machine-learning algorithm to do the statistical analysis of the data and thus, to have greater accuracy in the prediction. Machine learning techniques have been increasingly used in psychiatric research, since they have several advantages, among them the ability to predict outcomes at the individual level. Nine hundred and fifty-nine OCD patients from seven specialized care centers were included in this study. The prevalence rate of attempted suicide was 10.8%. The elastic net algorithm identified four main predictors of suicide attempt in patients with OCD: previous history of a suicide plan, previous history of suicidal thoughts, comorbidity with a life-long depressive episode, and comorbidity with intermittent explosive disorder. The accuracy of the model was 85%, with a ROC curve of 0.95. Our findings suggest that OCD suicide attempts were associated with the psychopathological spectrum of suicidality and the presence of psychiatric comorbidities, not the phenomenology of the disorder per se. Especially those patients with OCD comorbid depressive symptoms and a history of suicidal thinking should receive intensive treatment to reduce tragic outcomes such as suicide. Moreover, this work showed that the use of machine learning techniques brings greater accuracy in the analysis of large databases and polymorphic pathologies such as TOC, generating a robust accuracy prediction model. The results should be tested in other populations and can become a handy tool for predicting the risk of suicide attempts in patients with OCD and other psychopathologies.pt_BR
dc.description.sponsorshipCAPES; CNPq; FAPERGSpt_BR
dc.identifier.urihttps://repositorio.ufcspa.edu.br/handle/123456789/1649
dc.language.isopt_BRpt_BR
dc.publisherWagner Wessfllpt_BR
dc.relation.requiresTEXTO - Adobe Readerpt_BR
dc.rightsAcesso Aberto Imediatopt_BR
dc.rights.urihttp://creativecommons.org/licenses/by-nc-sa/4.0/*
dc.subjectSuicídiopt_BR
dc.subjectTranstorno Obsessivo-Compulsivopt_BR
dc.subjectAprendizado de Máquinapt_BR
dc.subject[en] Suicideen
dc.subject[en] Obsessive-Compulsive Disorderen
dc.subject[en] Machine Learningen
dc.titleExplorando a suicidalidade em pacientes com transtorno obsessivo-compulsivo: uma abordagem com machine learningpt_BR
dc.typeDissertaçãopt_BR
Arquivos
Pacote Original
Agora exibindo 1 - 1 de 1
Nenhuma Miniatura disponível
Nome:
[DISSERTAÇÃO] Agne, Neusa Aita.pdf
Tamanho:
1.35 MB
Formato:
Adobe Portable Document Format
Descrição:
Texto completo
Baixar
Coleções
PPGCS - Dissertações