Determinantes del puntaje PHQ 9 para síntomas depresivos mayores en trabajadores de la salud durante la pandemia de COVID-19 mediante técnicas de machine learning

Luciano Battioni, Consejo de Insuficiencia Cardiaca e Hipertensión Pulmonar, Buenos Aires, Argentina.
Cristhian E. Scatularo, Servicio de Cardiología, Sanatorio de la Trinidad de Palermo, Ciudad Autónoma de Buenos Aires, Argentina
Sebastián Bellia, Consejo de Aspectos Psicosociales. Sociedad Argentina de Cardiología. Buenos Aires, Argentina
Adrián Lescano, Consejo de Insuficiencia Cardiaca e Hipertensión Pulmonar, Sociedad Argentina de Cardiología, Ciudad Autónoma de Buenos Aires, Argentina
Stella M. Pereiro, Consejo de Insuficiencia Cardiaca e Hipertensión Pulmonar, Sociedad Argentina de Cardiología, Ciudad Autónoma de Buenos Aires, Argentina
Julio Giorgini, Consejo de Aspectos Psicosociales. Sociedad Argentina de Cardiología. Buenos Aires, Argentina

Introducción y objetivos: La pandemia por coronavirus 2 del síndrome respiratorio agudo grave (SARS-CoV-2) ha generado efectos psicológicos y sociales negativos en el personal de salud según se evidenció en la encuesta IMPPACTS-SAC20. Nuestro objetivo es determinar qué dominios del Patient Health Questionnaire (PHQ 9) tienen más influencia en el diagnóstico de depresión mayor e identificar subpoblaciones con elevada prevalencia de esta enfermedad. Métodos: Subanálisis de la encuesta IMPPACTS-SAC20. Se utilizaron técnicas de machine learning no supervisado para realizar un análisis factorial y generar subgrupos de casos similares en cuanto a su desempeño en el puntaje PHQ 9. Resultados: Se incluyeron 1,221 encuestados que respondieron el puntaje PHQ 9. El análisis factorial demostró la presencia de dos dimensiones principales (neurastenia y autopercepción negativa) que explican el 67.2% de la varianza del cuestionario (prueba KMO 0.911, Bartlett p < 0.001). La combinación de ambas dimensiones en un análisis jerárquico generó 9 clusters. Los grupos 5, 4, 2 y 1 explican el 93% de los casos de depresión mayor. Los grupos 5 y 4 presentaron valores más elevados de neurastenia, y los grupos 2 y 1 de autopercepción negativa. Los grupos 6, 7 y 8 en su conjunto presentaron una prevalencia de depresión mayor del 0.6%. Conclusión: La implementación de técnicas de machine learning detectó dos dimensiones dentro del puntaje PHQ 9, la neurastenia y la autopercepción negativa. Se evidenciaron subgrupos de alta prevalencia de depresión mayor, cuyas princi- pales características clínicas fueron el sexo femenino, el consumo de alcohol, el tabaquismo y la intención suicida.

Palabras clave: Depresión. Cuestionario de salud del paciente. Neurastenia. Autoimagen. Trabajadores de la salud. COVID-19.