Modelos de classes latentes: uma aplicação na saúde mental

• Ano de defesa: 2023
• Autor(a) principal: Ferreira, Daisy Santana [UNESP]
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Universidade Estadual Paulista (Unesp)
• Palavras-chave em Português: PNS-2019; Modelos de classes latentes; Saúde mental; Depressão; Variável latente; Latent class models; Mental health; Depression; Latent variable
• Link de acesso: https://hdl.handle.net/11449/250831

O objetivo do estudo foi identificar grupos de pessoas relacionados ao perfil de saúde mental da população de residentes nas capitais brasileiras, com idade mínima de 15 anos, com base em suas respostas aos itens do Questionário de Saúde do Paciente (PHQ-9) presentes no banco de dados da Pesquisa Nacional de Saúde de 2019 (PNS-2019). Para isso, utilizamos um modelo de variáveis latentes, especificamente o de classes latentes, o qual trata o estado de saúde mental como uma variável latente categórica que se manifesta por outras variáveis também categóricas, porém observáveis. Com isso, verificamos a heterogeneidade regional da variável latente no Brasil, assim como as relações entre variáveis sociodemográficas e as prevalências das classes latentes. O questionário tem a finalidade de verificar a presença e a gravidade dos sintomas de depressão, de acordo com os critérios de diagnóstico para a doença do Manual Diagnóstico e Estatístico de Transtornos Mentais (DSM-5). Portanto, a análise de classes latentes (LCA) foi aplicada para apontar padrões de respostas que caracterizam as classes latentes mutuamente exclusivas e exaustivas por meio de ferramentas computacionais. Utilizamos o pacote lcca do programa R, que permite ajustes de modelos estratificados (múltiplos grupos) e com covariáveis. Além disso, o lcca possibilita a inclusão, no modelo, do esquema de amostragem complexa e dos pesos de calibração dos moradores selecionados constantes na base de dados divulgada pelo IBGE. Por meio do modelo de classes latentes, o estado de saúde mental da população das capitais do Brasil foi caracterizado em quatro classes: saudáveis, indício de síndrome de Burnout, transtorno depressivo único e transtorno depressivo recorrente, com base nas probabilidades item-respostas do PHQ-9 e dos conceitos relativos à área da psicologia. Houve heterogeneidade regional das prevalências, mas em todas as capitais, a classe mais prevalente foi das pessoas saudáveis, abrangendo de 39,7% a 71,2% das populações nas 27 capitais do país. A categoria indício da síndrome de Burnout foi a segunda classe mais prevalente cujos valores variaram de 18,1% a 42,7%. Em termos das classificações apontando para depressão, as distribuições das prevalências nas últimas duas classes foram similares. Em suma, para transtorno depressivo recorrente os valores variaram de 3,8% a 11,5%. Desta análise a região Nordeste se sobressai com prevalências maiores do que nas outras regiões na classe mais grave. Além disso, neste trabalho também foi ajustado um modelo de classes latentes, estratificado por capital, considerando covariáveis categóricas como sexo, cor/raça, estado civil, escolaridade e renda per capita, bem como covariáveis quantitativas como idade e o número de pessoas vivendo no domicílio. Para interpretação, usando a classe "Saudáveis" como referência, foram estimadas as razões de chances e respectivos intervalos de confiança (95%). A covariável sexo e estado civil se mostraram fortemente associados à variável latente, indicando que as mulheres e os divorciados têm uma maior chance de pertencimento às classes mais "graves" quando comparadas aos homens e aos casados, respectivamente. A variável idade também se revela associada à variável latente, embora com razões de chances próximas de um para todas as classes, em relação à classe "Saudável". Este estudo visou contribuir com o conhecimento da dimensão dos problemas relacionados à saúde mental da população brasileira, trazendo subsídios úteis para melhor planejamento de serviços e tratamentos especializados para refrear o agravamento do cenário.