Projetos
Machine Learning · Classificação

Predição de Depressão em Adolescentes

Um modelo de triagem que sinaliza risco de depressão em adolescentes a partir de fatores de saúde mental — um apoio à priorização de cuidado, não um diagnóstico.

Ano 2025 Papel Machine Learning Status Concluído
Contexto

O problema

A detecção precoce de sinais de depressão em adolescentes pode direcionar atenção e cuidado a quem mais precisa. O objetivo foi, sobre uma base pública de saúde mental, treinar um modelo capaz de sinalizar risco a partir de fatores comportamentais e de bem-estar.

É uma ferramenta de triagem e priorização — apoio à decisão humana, jamais um diagnóstico clínico.

Metodologia

A abordagem

Tratei como classificação binária. Após limpeza e scaling, comparei Regressão Logística, Random Forest e XGBoost sob validação cruzada, otimizando com GridSearchCV. A avaliação priorizou ROC-AUC e F1 — métricas adequadas a um problema sensível, em que errar um caso positivo é mais grave.

Como funciona

Pipeline

Impacto

Resultados

0,99
ROC-AUC do modelo final
0,92
F1 na base de teste
3
modelos comparados sob CV
Ferramentas

Stack & decisões

Python scikit-learn XGBoost Pandas GridSearchCV ROC-AUC · F1