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

Antecedentes: La pandemia por SARS-CoV2 ha generado efectos psicológicos y sociales negativos en el personal de salud, según se evidenció en la encuesta IMPPACTS-SAC20. Objetivo: 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. Método: 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 1221 encuestados que respondieron el 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 nueve 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%. Conclusiones: 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 principales características clínicas fueron el sexo femenino, el consumo de alcohol, el tabaquismo y la intención suicida.