ABSTRACT
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 principales características clínicas fueron el sexo femenino, el consumo de alcohol, el tabaquismo y la intención suicida.
