Abstract: Undergraduate students are often impacted by depression, anxiety, and stress. In this context, machine learning may support mental health assessment. Based on the following research question: “How do machine learning models perform in the detection of depression, anxiety, and stress among undergraduate students?”, we aimed to evaluate the performance of these models. PubMed, Embase, PsycINFO, and Web of Science databases were searched, aiming at studies meeting the following criteria: publication in English; targeting undergraduate university students; empirical studies; having been published in a scientific journal; and predicting anxiety, depression, or stress outcomes via machine learning. The certainty of evidence was analyzed using the GRADE. As of January 2024, 2,304 articles were found, and 48 studies met the inclusion criteria. Different types of data were identified, including behavioral, physiological, internet usage, neurocerebral, blood markers, mixed data, as well as demographic and mobility data. Among the 33 studies that provided accuracy assessment, 30 reported values that exceeded 70%. Accuracy in detecting stress ranged from 63% to 100%, anxiety from 53.69% to 97.9%, and depression from 73.5% to 99.1%. Although most models present adequate performance, it should be noted that 47 of them only performed internal validation, which may overstate the performance data. Moreover, the GRADE checklist suggested that the quality of the evidence was very low. These findings indicate that machine learning algorithms hold promise in Public Health; however, it is crucial to scrutinize their practical applicability. Further studies should invest mainly in external validation of the machine learning models.

Resumo: Os alunos de graduação são frequentemente afetados por depressão, ansiedade e estresse. O aprendizado de máquina pode apoiar a avaliação da saúde mental. Com base na seguinte questão de pesquisa “Qual é o desempenho dos modelos de aprendizado de máquina na detecção de depressão, ansiedade e estresse entre estudantes de graduação?”, objetivou-se avaliar o desempenho desses modelos. As pesquisas foram realizadas no PubMed, Embase, PsycINFO e Web of Science. Foram pesquisados estudos que atendessem aos seguintes critérios: publicados em inglês, estudantes universitários de graduação como população alvo, empíricos, publicados em uma revista científica e que previssem resultados de ansiedade, depressão ou estresse via aprendizado de máquina. A qualidade das evidências foi analisada usando o GRADE. Em janeiro de 2024, foram encontrados 2.304 artigos, e 48 estudos atenderam aos critérios de inclusão. Foram identificados diferentes tipos de dados, incluindo dados comportamentais, fisiológicos, de uso da Internet, neurocerebrais, marcadores sanguíneos, dados mistos, demográficos e de mobilidade. Entre os 33 estudos que forneceram dados de precisão, 30 relataram valores superiores a 70%. A acurácia na detecção de estresse variou de 63% a 100%, ansiedade de 53,69% a 97,9% e depressão de 73,5% a 99,1%. Embora a maioria dos modelos apresente desempenho adequado, deve-se notar que 47 deles realizaram apenas validação interna, o que pode superestimar os dados de desempenho. Além disso, a avaliação GRADE indicou que a qualidade da evidência é muito baixa. Os resultados indicam que os algoritmos de aprendizado de máquina são promissores no campo da Saúde Pública; no entanto, é crucial examinar sua aplicabilidade prática. Estudos futuros devem investir principalmente na validação externa dos modelos de aprendizado de máquina.

Resumen: Los estudiantes de grado suelen verse afectados por la depresión, la ansiedad y el estrés. El aprendizaje automático puede respaldar la evaluación de la salud mental. Con base en la siguiente pregunta de investigación “¿Cuál es el rendimiento de los modelos de aprendizaje automático en la detección de depresión, ansiedad y estrés entre estudiantes universitarios?”, nuestro objetivo fue evaluar el rendimiento de estos modelos. Se realizaron búsquedas en PubMed, Embase, PsycINFO y Web of Science. Se buscaron estudios que cumplieran con los siguientes criterios: se hubieran publicado en inglés, tuvieran a estudiantes universitarios como población objetivo, fueran empíricos, publicados en una revista científica y que predijeran resultados de ansiedad, depresión o estrés mediante aprendizaje automático. La calidad de las evidencias se analizó mediante GRADE. En enero del 2024 se encontraron 2.304 artículos, y 48 estudios cumplieron con los criterios de inclusión. Se identificaron diferentes tipos de datos, incluidos datos conductuales, fisiológicos, de uso de internet, neurocerebrales, marcadores sanguíneos, datos mixtos, demográficos y de movilidad. Entre los 33 estudios que proporcionaron datos de precisión, 30 reportaron valores superiores al 70%. La precisión en la detección del estrés osciló entre el 63% y el 100%, la ansiedad del 53,69% al 97,9% y la depresión del 73,5% al 99,1%. Aunque la mayoría de los modelos presenta un rendimiento adecuado, cabe señalar que 47 de ellos realizaron únicamente validación interna, lo que puede sobrestimar los datos de rendimiento. Además, la evaluación GRADE indicó que la calidad de la evidencia es muy baja. Los resultados indican que los algoritmos de aprendizaje automático son prometedores en el campo de la Salud Pública; sin embargo, es crucial examinar su aplicabilidad práctica. Los estudios futuros deberían invertir principalmente en la validación externa de los modelos de aprendizaje automático.

Abstract Introduction Depression in aging may lead to loss of autonomy and worsening of comorbidities. Understanding how positive attributes contribute to healthier and happier aging has been one ofthe purposes of Positive Psychology. However, the literature still lacks studies that evaluate how depression in the elderly is related to constructs considered positive. Objective The present study aimed comparing scores of constructs of spiritual well-being, social support, selfesteem, life satisfaction, affection, optimism, and hope in the elderly with minimal, mild, moderate, and severe depression and healthy controls in order to investigate possible indirect and mediated relationships between positive constructs and depression. Methods A cross-sectional study was conducted with elderly, 62 of whom were diagnosed with different severity of Major Depression (DSM-V) (minimum, mild, moderate, and severe according to the Beck Depression Inventory — BDI) and 66 healthy controls matched by age, sex and schooling. The instruments used were adapted and validated versions of the Spirituality Self-Rating Scale, the Rosenberg Self-Esteem Scale, the Medical Outcomes Social Scale of Support, the Life Satisfaction Scale, the Positive and Negative Affect Schedule, the Revised Life Orientation Test, and the Adult Dispositional Hope Scale. After comparing the means of scores between groups, an analysis of normalized partial association networks was performed to investigate the direct and mediated relationships between depression and other evaluated constructs. Results Scores of spiritual well-being, social support, self-esteem, life satisfaction, positive affect, optimism, negative affects, and hope differed significantly between the control group and the degrees of depression (p < 0.001). The analysis of normalized partial association networks has shown that the relations of depression with the constructs of life satisfaction, self-esteem, and social support are mediated, while the constructs of dispositional hope, positive affect, spiritual well-being, and optimism are indirectly related to depression. The social class was also positively related to depression. Conclusion Depression in different degrees is associated with a reduction in the scores of instruments that evaluate positive attributes. The constructs directly associated with depression are spiritual well-being, optimism, positive affect, and dispositional hope. The others had mediated relationship. These results may contribute to the planning of future interventions for the prevention of depression among the elderly. comorbidities Psychology However wellbeing, wellbeing well being, being well-being selfesteem satisfaction affection minimal mild moderate crosssectional cross sectional 6 DSMV DSM V (DSM-V minimum, minimum (minimum BDI age schooling SelfRating Self Rating SelfEsteem Esteem Support Schedule Test groups self esteem, esteem self-esteem affect affects p 0.001. 0001 0.001 . 0 001 0.001) relationship 000 0.00 00 0.0 0.

RESUMO. Cuidadores informais de pessoas que vivem com demência tendem a sofrer problemas de saúde mental como resultado dos efeitos negativos associados às tarefas de cuidado. Assim, intervenções psicossociais para essa população são necessárias. O iSupport é um programa de apoio online para cuidadores criado pela Organização Mundial da Saúde. Objetivo: Descrever o desenho de um ensaio clínico randomizado para medir a eficácia da versão iSupport-Brasil na saúde mental e no bem-estar de cuidadores. Métodos: Os participantes serão randomizados em Grupo Intervenção (GI) (n=195) e Grupo Controle (GC) (n=195). Durante três meses, o GI acessará a plataforma iSupport-Brasil, o CG entrará na página eletrônica da Associação Brasileira de Alzheimer e ambos os grupos receberão por e-mail a versão preliminar do e-book Guia de cuidados para a pessoa idosa, do Ministério da Saúde. Os dados serão coletados em três momentos: linha de base, três e seis meses após o início da intervenção. Resultados: Espera-se que seja possível fornecer diversas evidências sobre os efeitos do iSupport-Brasil como alternativa de intervenção online e gratuita, de forma a promover a saúde mental entre os cuidadores de pessoas que vivem com demência. Conclusão: O protocolo de avaliação deste ensaio clínico randomizado sobre os efeitos do programa iSupport-Brasil pode se tornar uma referência para os países que planejam adaptar e melhorar esta intervenção, usando soluções digitais de saúde. RESUMO cuidado Assim necessárias Saúde Objetivo iSupportBrasil Brasil bemestar bem estar Métodos (GI n=195 n195 n 195 (n=195 GC (GC n=195. . iSupportBrasil, Brasil, email mail ebook book idosa momentos base Resultados Esperase Espera gratuita Conclusão n=19 n19 19 (n=19 n=1 n1 1 (n=1 n= (n= (n

ABSTRACT. Unpaid caregivers of people living with dementia tend to suffer mental health problems as a result of the negative effects associated with the care tasks. Thus, psychosocial interventions for this population group are necessary. iSupport is an online support program for caregivers that was created by the World Health Organization. Objective: To describe the design of a randomized clinical trial to measure the efficacy of the iSupport-Brasil version on caregivers’ mental health and well-being. Methods: The participants will be randomized into Intervention Group (IG) (n=195) and Control Group (CG) (n=195). For three months, the IG will access the iSupport-Brasil platform, the CG will enter the electronic page of the Brazilian Alzheimer’s Association, and both groups will be emailed the preliminary version of the “Guia de cuidados para a pessoa idosa” e-book (a guide to providing care to the elderly) from the Ministry of Health. The data will be collected at three moments: baseline, and three and six months after the beginning of the intervention. Results: It is expected that it will be possible to provide diverse validity evidence about iSupport-Brasil as an online and free intervention alternative, as a preventive means and as a way to promote mental health among caregivers of people living with dementia. Conclusion: Through the evaluation protocol of this randomized clinical trial on the effects of the iSupport-Brasil program, it may become a reference for countries that plan to adapt and improve the iSupport program using digital health solutions. ABSTRACT tasks Thus necessary Organization Objective iSupportBrasil Brasil wellbeing. wellbeing well being. being well-being Methods (IG n=195 n195 n 195 (n=195 (CG n=195. . platform Alzheimers Alzheimer s Association Guia idosa ebook e book elderly moments baseline Results alternative Conclusion solutions n=19 n19 19 (n=19 n=1 n1 1 (n=1 n= (n= (n