Array
(
    [responseDate] => 2023-12-19T11:25:35Z
    [request] => https://revista.ibict.br/p2p/oai
    [GetRecord] => SimpleXMLElement Object
        (
            [record] => SimpleXMLElement Object
                (
                    [header] => SimpleXMLElement Object
                        (
                            [identifier] => oai:ojs.revista.ibict.br:article/5487
                            [datestamp] => 2021-03-17T06:48:47Z
                            [setSpec] => Array
                                (
                                    [0] => p2p:ART
                                    [1] => driver
                                )

                        )

                    [metadata] => SimpleXMLElement Object
                        (
                            [dc] => SimpleXMLElement Object
                                (
                                    [title] => Array
                                        (
                                            [0] => Factors That Can Trigger Depression: An Application of Machine Learning to National Health Survey Data in Brazil
                                            [1] => Fatores que podem desencadear depressão : uma aplicação do aprendizado de máquina aos dados da Pesquisa Nacional de Saúde no Brasil
                                        )

                                    [creator] => Array
                                        (
                                            [0] => Batista, Haydée Maria Correia da
                                            [1] => Paim, Andrea Borges 
                                            [2] => Siqueira, Brenda Santos 
                                            [3] => Ebecken, Nelson Francisco Favilla 
                                            [4] => Dias, Ana Claudia
                                        )

                                    [subject] => Array
                                        (
                                            [0] => Depression
                                            [1] => PNS
                                            [2] => Machine learning
                                            [3] => Logistic regression
                                            [4] => Modeling
                                            [5] => Depressão
                                            [6] => PNS
                                            [7] => Aprendizado de máquina
                                            [8] => Regressão logística
                                            [9] => Modelagem
                                        )

                                    [description] => Array
                                        (
                                            [0] => According to data from the last National Health Survey (PNS), conducted in 2013 by the Brazilian Institute of Geography and Statistics (IBGE) in partnership with the Ministry of Health, 7.6% of people aged 18 and over received diagnosis of depression. Therefore, based on this research, the purpose of this study was to identify factors that may be relevant to a possible diagnosis of depression, using machine learning techniques. The binary logistic regression model was chosen as the machine learning technique, with progressive and regressive methods for selecting variables and a model built by the researcher, generating seven different models. The model’s performance evaluation was made by comparing some metrics such as Cox-Snell R2 and Nagelkerke R2, which presented remarkably close results. Based on these models, 37 explanatory variables were selected which were applied to a new logistic regression model. The results showed that some variables significantly increased the chance of a positive diagnosis of depression as well as some variables were indicative of a reduction in the chances of this diagnosis.
                                            [1] => De acordo com os dados da última Pesquisa Nacional de Saúde (PNS), conduzida no ano de 2013 pelo Instituto Brasileiro de Geografia e Estatística (IBGE) em parceria com o Ministério da Saúde, 7,6% das pessoas de 18 anos ou mais receberam diagnóstico de depressão. Portanto, com base nessa pesquisa, a proposta deste estudo foi identificar fatores que possam ser relevantes para um possível diagnóstico de depressão, utilizando técnicas de aprendizado de máquina. Escolheu-se como técnica de aprendizado de máquina o modelo de regressão logística binária, com métodos progressivos e regressivos de seleção de variáveis e um modelo construído pelos pesquisadores, gerando sete modelos diferentes. A avaliação de desempenho dos modelos foi feita através da comparação de algumas métricas como Cox-Snell R2 e Nagelkerke R2, que apresentaram resultados bem próximos. Com base nesses modelos, foram selecionadas 37 variáveis explicativas que foram aplicadas a um novo modelo de regressão logística. Os resultados apontaram que algumas variáveis aumentaram significativamente a chance de um diagnóstico positivo de depressão, bem como algumas variáveis foram indicativas de redução das chances desse diagnóstico.
 
                                        )

                                    [publisher] => IBICT
                                    [date] => 2021-03-15
                                    [type] => Array
                                        (
                                            [0] => info:eu-repo/semantics/article
                                            [1] => info:eu-repo/semantics/publishedVersion
                                            [2] => article
                                        )

                                    [format] => Array
                                        (
                                            [0] => application/pdf
                                            [1] => text/html
                                        )

                                    [identifier] => Array
                                        (
                                            [0] => https://revista.ibict.br/p2p/article/view/5487
                                            [1] => 10.21721/p2p.2021v7n2.p164-185
                                        )

                                    [source] => Array
                                        (
                                            [0] => P2P & INOVAÇÃO; Vol. 7 No. 2 (2021): P2P & Inovação; 164-185
                                            [1] => P2P E INOVAÇÃO; v. 7 n. 2 (2021): P2P & Inovação; 164-185
                                            [2] => 2358-7814
                                        )

                                    [language] => eng
                                    [relation] => Array
                                        (
                                            [0] => https://revista.ibict.br/p2p/article/view/5487/5202
                                            [1] => https://revista.ibict.br/p2p/article/view/5487/5203
                                        )

                                    [rights] => Copyright (c) 2021 P2P E INOVAÇÃO
                                )

                        )

                )

        )

)