Array
(
    [0] => stdClass Object
        (
            [journal] => stdClass Object
                (
                    [id_jnl] => 13
                )

        )

    [1] => stdClass Object
        (
            [section] => stdClass Object
                (
                    [section] => 219
                )

        )

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

        )

    [3] => stdClass Object
        (
            [abstract] => 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.@en
                    [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.
 @pt
                )

        )

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

        )

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

        )

    [6] => stdClass Object
        (
            [source] => stdClass Object
                (
                    [vol] => 7
                    [nr] => 2
                    [year] => 2021
                    [theme] => 
                )

        )

    [7] => stdClass Object
        (
            [datePub] => Array
                (
                    [0] => 2021-03-15
                )

        )

    [8] => stdClass Object
        (
            [DOI] => Array
                (
                    [0] => stdClass Object
                        (
                            [type] => DOI
                            [value] => Array
                                (
                                    [0] => 10.21721/p2p.2021v7n2.p164-185
                                )

                        )

                )

        )

    [9] => stdClass Object
        (
            [http] => Array
                (
                    [0] => stdClass Object
                        (
                            [type] => HTTP
                            [value] => Array
                                (
                                    [0] => https://revista.ibict.br/p2p/article/view/5487
                                )

                        )

                    [1] => stdClass Object
                        (
                            [type] => HTTP
                            [value] => Array
                                (
                                    [0] => https://revista.ibict.br/p2p/article/view/5487/5202
                                )

                        )

                    [2] => stdClass Object
                        (
                            [type] => HTTP
                            [value] => Array
                                (
                                    [0] => https://revista.ibict.br/p2p/article/view/5487/5203
                                )

                        )

                )

        )

    [10] => stdClass Object
        (
            [language] => Array
                (
                    [0] => en
                )

        )

    [11] => stdClass Object
        (
            [license] => Array
                (
                    [0] => stdClass Object
                        (
                            [@xml:lang] => pt-BR
                            [#text] => Copyright (c) 2021 P2P E INOVAÇÃO
                        )

                )

        )

)