Fatores associados à depressão em gestantes na pandemia de COVID-19
Palavras-chave:
Distribuição beta, GAMLSS, Inflação de zeros, Regressão distribucionalResumo
A gravidez é desafiadora, especialmente durante a pandemia, quando houve um aumento significativo nos casos de depressão. Este estudo visa identificar quais características desencadearam, neste período, depressão em mulheres grávidas. Como fatores de risco candidatos, foram considerados: idade da mãe, renda familiar anual, educação materna, nível de ansiedade, idade gestacional, preocupação com a exposição ao vírus, preocupações em prejudicar a saúde do bebê e colocar em risco a vida do bebê. Neste conjunto de dados, que contém 6.162 observações, a variável resposta depressão foi mensurada a partir de um questionário de auto-avaliação desenvolvido no Reino Unido para pesquisa da depressão pós-parto, denominado Edinburgh Postnatal Depression Scale (EDPS) e transformada para uma escala zero e um, em que o valor zero indica a ausência de qualquer sinal ou manifestação associada a depressão e o valor um indica a presença máxima de sinais depressivos. Assim, foram considerados os modelos aditivos generalizados para locação, escala e forma (GAMLSS) baseados na distribuição beta inflacionada de zero. Através de um procedimento baseado em stepwise, foram selecionadas covariáveis para cada um dos parâmetros da distribuição, permitindo-nos identificar as principais características para que a mulher não pontuasse na EDPS, bem como os principais fatores de risco para o desenvolvimento da depressão. A análise dos resíduos do modelo final demonstrou sua adequação para explicar os dados analisados. Este estudo contribui para uma compreensão mais aprofundada dos fatores que influenciam a saúde mental das gestantes durante a pandemia, fomentando ideias para a criação de políticas de saúde pública.
Referências
AKAIKE, H. A new look at the statistical model identification. IEEE Transactions on Automatic Control, v. 19, p. 716--723, 1974.
AYAZ, R.; HOCAOGLU, M.; GUNAY, T.; YARDIMCI, O.; TURGUT, A.; KARATEKE, A. Anxiety and depression symptoms in the same pregnant women before and during the COVID-19 pandemic. Journal of Perinatal Medicine, v. 48, p. 965--970, 2020.
COX, J. L.; HOLDEN, J. M.; SAGOVSKY, R. Detection of postnatal depression. Development of the 10-item Edinburgh Postnatal Depression Scale. The British Journal of Psychiatry, v. 150, p. 782--786, 1987.
DE BASTIANI, F.; RIGBY, R. A.; STASINOPOULOS, D. M.; CYSNEIROS, A. H. M. A.; URIBE-OPAZO, M. A. Gaussian Markov random field spatial models in GAMLSS. Journal of Applied Statistics, v. 45, p. 168--186, 2018.
DUNN, P. K.; SMYTH, G. K. Randomized quantile residuals. Journal of Computational and Graphical Statistics, v. 5, p. 236--244, 1996.
EILERS, P. H. C.; MARX, B. D. Flexible smoothing with B-splines and penalties. Statistical Science, v. 11, p. 89--121, 1996.
HASTIE, T. J.; TIBSHIRANI, R. J. Generalized Additive Models. CRC Press, 1990.
KING, L. S.; FEDDOES, D. E.; KIRSHENBAUM, J. S.; HUMPHREYS, K. L.; GOTLIB, I. H. Pregnancy during the pandemic: the impact of COVID-19-related stress on risk for prenatal depression. Psychological Medicine, v. 53, n. 1, p. 170--180, 2023.
LEBEL, C.; TOMFOHR-MADSEN, L.; GIESBRECHT, G.; LAI, B.P.Y.; BAGSHAWE, M.; FREEMAN, M.; HAPIN, M.K.; MACKINNON, A.; PATEL, P.; VAN SLOTEN, M.; VAN DE WOUW, M. Prenatal mental health data and birth outcomes in the pregnancy during the COVID-19 Pandemic dataset. Data in Brief, v. 49, p. 109366, 2023.
LEE, J. D.; SUN, D. L.; SUN, Y.; TAYLOR, J. E. Exact post-selection inference, with application to the lasso. The Annals of Statistics, v. 44, p. 907--927, 2016.
NAKAMURA, L. R.; RIGBY, R. A.; STASINOPOULOS, D. M.; LEANDRO, R. A.; VILLEGAS, C.; PESCIM, R. R. Modelling location, scale and shape parameters of the Birnbaum-Saunders generalized $t$ distribution. Journal of Data Science, v. 15, p. 221--237, 2017.
NELDER, J. A.; WEDDERBURN, R. W. M. Generalized Linear Models. Journal of the Royal Statistical Society. Series A: Statistics in Society, v. 135, p. 370--384, 1972.
PAIXÃO, G. P. N.; CAMPOS, L. M.; CARNEIRO, J. B.; FRAGA, C. D. S. A solidão materna diante das novas orientações em tempos de SARS-COV-2: um recorte brasileiro. Revista Gaúcha de Enfermagem, v. 42, p. e20200165, 2021.
RABINOWITZ, E. P.; KUTASH, L. A.; RICHESON, A. L.; SAYER, M. A.; SAMII, M. R.; DELAHANTY, D. L. Depression, anxiety, and stress in pregnancy and postpartum: A longitudinal study during the COVID-19 pandemic. Midwifery, v. 121, p. 103655, 2023.
RAMIRES, T. G.; NAKAMURA, L. R.; RIGHETTO, A. J.; PESCIM, R. R.; MAZUCHELI, J.; CORDEIRO, G. M. A new semiparametric Weibull cure rate model: fitting different behaviors within GAMLSS. Journal of Applied Statistics, v. 46, p. 2744--2760, 2019.
RAMIRES, T. G.; NAKAMURA, L. R.; RIGHETTO, A. J.; PESCIM, R. R.; MAZUCHELI, J.; RIGBY, R. A.; STASINOPOULOS, D. M. Validation of Stepwise-Based Procedure in GAMLSS. Journal of Data Science, v. 19, p. 96--110, 2021.
RIGBY, R.A.; STASINOPOULOS, M.D.; HELLER, G.Z.; DE BASTIANI, F. Distributions for Modeling Location, Scale, and Shape: Using GAMLSS in R}. Boca Raton: CRC Press, 2019.
RIGBY, R.A.; STASINOPOULOS, M.D., Generalized Additive Models for Location, Scale and Shape. Journal of the Royal Statistical Society. Series C: Applied Statistics, v. 54, p. 507--554, 2005.
STASINOPOULOS, M.D.; RIGBY, R.A.; DE BASTIANI, F. GAMLSS: A distributional regression approach. Statistical Modelling, v. 18, p. 248--273, 2018.
STASINOPOULOS, M.D.; RIGBY, R.A.; HELLER, G.Z.; VOUDOURIS, V.; DE BASTIANI, F. Flexible Regression and Smoothing: Using GAMLSS in R. Chapman and Hall/CRC, 2017.
VAN BUUREN, S.; FREDRIKS, M. Worm plot: a simple diagnostic device for modelling growth reference curves. Statistics in Medicine, v. 20, n. 8, p. 1259--1277, 2001.
WHO (World Health Organization). Depression and Other Common Mental Disorders: Global Health Estimates. 2017.
Downloads
Publicado
Como Citar
Edição
Seção
Licença
Proposta de Política para Periódicos de Acesso Livre
Autores que publicam nesta revista concordam com os seguintes termos:
- Autores mantém os direitos autorais e concedem à revista o direito de primeira publicação, com o trabalho simultaneamente licenciado sob a Licença Creative Commons Attribution que permite o compartilhamento do trabalho com reconhecimento da autoria e publicação inicial nesta revista.
- Autores têm autorização para assumir contratos adicionais separadamente, para distribuição não-exclusiva da versão do trabalho publicada nesta revista (ex.: publicar em repositório institucional ou como capítulo de livro), com reconhecimento de autoria e publicação inicial nesta revista.
- Autores têm permissão e são estimulados a publicar e distribuir seu trabalho online (ex.: em repositórios institucionais ou na sua página pessoal) a qualquer ponto antes ou durante o processo editorial, já que isso pode gerar alterações produtivas, bem como aumentar o impacto e a citação do trabalho publicado (Veja O Efeito do Acesso Livre).