Riesgo en Salud Mental de Estudiantes: un Análisis por Regresión Logística Binaria

Bianca Lima Marchionno; Igor Pinheiro de Araújo Costa

DOI: 10.22167/2675-6528-202602722

Artículo derivado del Trabajo de Conclusión de Curso (TCC), con contenido basado en el trabajo original del alumno y adaptado al formato editorial de la Revista E&S con el apoyo de la herramienta ResumeAI, solución de inteligencia artificial desarrollada por el Instituto Pecege para síntesis y organización textual.

Resumen

El ingreso a la educación superior impone desafíos que pueden generar estrés y aumentar la vulnerabilidad psicológica de los estudiantes, convirtiendo la salud mental en una preocupación central. Se analizaron los factores conductuales y socioeconómicos asociados al riesgo para la salud mental de estudiantes ingresantes en una universidad pública brasileña, utilizando datos de 2022 a 2024. Los datos públicos de una investigación socioeconómica fueron sometidos a análisis descriptivos y a modelado por regresión logística binaria, que permitió estimar la probabilidad de ocurrencia del evento y evaluar la influencia de las variables explicativas por medio de razones de probabilidades. Los resultados indicaron que factores conductuales, como el consumo de alcohol y tabaco, estuvieron asociados a una mayor probabilidad de riesgo en salud mental. Variables socioeconómicas, incluyendo renta per cápita y características familiares, también presentaron asociación relevante. En contraste, la práctica regular de actividad física se asoció a la reducción del riesgo. El modelo presentó baja capacidad predictiva (AUC de 0,654 y precisión de 61,2%), pero cumplió su propósito inferencial al aislar y cuantificar el peso relativo de cada factor de riesgo. Con un punto de corte de 0,5, el modelo alcanzó una sensibilidad de 70,4% en la identificación de alumnos en riesgo. Los hallazgos reforzaron que la salud mental universitaria es influenciada por múltiples factores, subrayando la necesidad de enfoques integrados y políticas institucionales para promover el bienestar psicológico y prevenir riesgos.

Palabras clave: Estudiantes universitarios; Hábitos de vida; Modelado estadístico; Salud mental.

1. Introducción

El ingreso a la educación superior representa un período de significativas transformaciones en la vida de los estudiantes, marcado por nuevas responsabilidades académicas, desafíos en el mercado laboral y la expansión de las relaciones sociales. Tales cambios pueden generar estrés y aumentar la vulnerabilidad psicológica, convirtiendo la salud mental en una preocupación central para las instituciones de enseñanza, las familias y la sociedad. La salud mental es un pilar esencial de la calidad de vida, directamente relacionada con la capacidad del individuo para desempeñar sus funciones cotidianas, lidiar con desafíos y mantener relaciones sociales.

Sin embargo, la exposición a entornos estresantes y situaciones desafiantes puede comprometer el equilibrio del bienestar psicológico y contribuir al desarrollo de trastornos mentales. La Organización Mundial de la Salud (2022) destaca que aproximadamente una de cada ocho personas convive con algún trastorno mental en el mundo, con un aumento del 25% en los casos de ansiedad y depresión solo en el primer año de la pandemia de COVID-19, evidenciando una tendencia global de agravamiento de la crisis de salud mental.

En el contexto universitario brasileño, la realidad también es alarmante. Un estudio reciente con 7.177 estudiantes universitarios reveló que el 75,81% afirmó que la universidad impactó considerablemente su salud o la de sus colegas (Barros y Peixoto, 2023). La misma investigación indicó que la mayoría de los alumnos pertenecía a familias de bajos ingresos, no participaba en grupos sociales y practicaba ejercicio físico con poca frecuencia. Estos hallazgos sugieren que factores socioeconómicos y conductuales pueden agravar la vulnerabilidad psicológica entre los estudiantes.

Además, el consumo de alcohol y otras sustancias es un factor relevante en el ambiente universitario, frecuentemente asociado a procesos de socialización y al enfrentamiento de presiones académicas. Una investigación de 2019 señaló que el 79,8% de los alumnos de una universidad en São Paulo relataban consumir bebidas alcohólicas, y el 25% consumían algún tipo de derivado del tabaco (Barros y Costa, 2019). Evidencias epidemiológicas refuerzan que el consumo de alcohol está asociado a mayores riesgos de enfermedades físicas y trastornos mentales (Heckmann y Silveira, 2009), subrayando la importancia de analizar estos comportamientos en el contexto de la salud mental.

Ante la complejidad de los factores que influyen en la salud mental de los estudiantes universitarios, es esencial identificar y comprender los determinantes de este riesgo. El análisis de estos factores es crucial para el desarrollo de enfoques integrados y políticas institucionales eficaces, con el objetivo de promover el bienestar psicológico y prevenir riesgos. Para ello, la regresión logística binaria es una técnica estadística adecuada, ya que permite estimar la probabilidad de ocurrencia de un evento dicotómico, como el riesgo en salud mental, a partir de variables explicativas, evaluando la influencia de estas variables mediante razones de probabilidades (Fávero y Belfiore, 2024; Bruce y Bruce, 2019).

Este estudio se justifica por la necesidad de profundizar el conocimiento sobre los múltiples factores que contribuyen a la vulnerabilidad psicológica en el ambiente académico, proporcionando subsidios para la gestión universitaria basada en datos y la construcción de estrategias preventivas más dirigidas. Así, el presente trabajo tiene como objetivo analizar los determinantes del riesgo en salud mental entre estudiantes ingresantes de una universidad pública brasileña, considerando variables individuales, comportamentales y socioeconómicas.

2. Material y Métodos

El presente estudio adoptó un enfoque cuantitativo y explicativo, con el objetivo de analizar los determinantes del riesgo en salud mental entre estudiantes universitarios. La metodología empleó modelado por regresión logística binaria, precedido por análisis descriptivos de los datos. La estructura metodológica se centró en la caracterización de la base de datos, el tratamiento de las variables y la especificación del modelo estadístico.

Los datos se obtuvieron de un conjunto público, en formato Excel, correspondiente al Informe Socioeconómico de los Estudiantes ingresantes en la Universidad Federal de São Paulo (UNIFESP). La información, recopilada anualmente por cuestionario, abarca el período de 2022 a 2024 e incluye datos individuales, socioeconómicos, financieros y de salud. La institución proporcionó un diccionario de datos para ayudar en la comprensión.

La muestra inicial consistió en 7.869 participantes. Tras la exclusión de registros con datos faltantes (proporciones inferiores al 1%), la base final para la modelización totalizó 7.809 observaciones. Los participantes eran estudiantes recién ingresados, con el 76,25% en el grupo de edad de 17 a 23 años y el 62,82% identificándose como sexo femenino.

Para el tratamiento y preparación de los datos, se consolidaron las bases de 2022, 2023 y 2024. La selección de las variables de interés y el procesamiento se realizaron en Python, con las bibliotecas pandas, statsmodels y scikit-learn. Microsoft Excel se empleó complementariamente para organización y visualización.

La variable dependiente binaria (y) se creó para indicar la presencia de riesgo en salud mental, asumiendo valor 1 si el individuo presentó al menos uno de los síntomas (insomnio/alteración del sueño, tristeza persistente, pensamiento suicida o pánico/ansiedad) y 0 en caso contrario. Esta variable representa un indicador general de vulnerabilidad, no un diagnóstico clínico.

Ocho variables explicativas (x) fueron seleccionadas, cubriendo aspectos individuales, conductuales y socioeconómicos. El ingreso per cápita fue tratado como cuantitativo continuo, y el número de personas en el hogar como cuantitativo discreto. Las demás variables fueron clasificadas como cualitativas nominales u ordinales (Bonafini, 2019).

El tratamiento de la base incluyó la estandarización de la variable número de personas en el hogar (quest24) y la eliminación de valores extremos. Las variables categóricas se reagruparon y recodificaron a formato binario (consumo = 1; no consumo = 0 para alcohol y tabaco). La actividad física se reorganizó en No, Esporádica y Regular, y la presencia de hijos se dicotomizó en 0 y 1+.

Para mitigar la multicolinealidad, las variables categóricas fueron transformadas en “dummies”, excluyendo la categoría de referencia (Fávero y Belfiore, 2024). Las referencias fueron: sexo femenino, no consumo de alcohol y tabaco, ausencia de hijos y práctica esporádica de actividad física. El diagnóstico de multicolinealidad, vía Variance Inflation Factor (VIF), indicó estabilidad del modelo, con todos los valores por debajo de 5,4.

La regresión logística binaria se empleó para la especificación del modelo, dada la naturaleza dicotómica de la variable dependiente. Esta técnica, parte de los Modelos Lineales Generalizados (GLM), estima la probabilidad de ocurrencia de un evento a partir de variables explicativas (Bruce y Bruce, 2019). La relación se expresa mediante el logit (Z), una combinación lineal de las variables explicativas y sus coeficientes: Z = α + β1.X1i + β2.X2i + … + βk.Xki. La estimación de los parámetros se realizó por el método de máxima verosimilitud (Kleinbaum y Klein, 2010).

Para el refinamiento del modelo, se utilizó el procedimiento “stepwise” con eliminación retroactiva. Este método elimina iterativamente variables no significativas (valor p > 0,05) hasta que solo permanezcan las significativas (Hair et al., 2009). La variable de estructura de contribución familiar (quest22) y la categoría ‘no práctica de actividad física’ fueron eliminadas por falta de significancia estadística.

La evaluación del modelo implicó la definición de tres puntos de corte (0,3; 0,5 y 0,7) para clasificar las probabilidades estimadas. Para cada punto, se construyó una matriz de clasificación, comparando valores observados y previstos para identificar aciertos y errores (Hair et al., 2009). Con base en esto, se calcularon métricas de desempeño como precisión, sensibilidad y especificidad.

Adicionalmente, se construyó la curva “Receiver Operating Characteristic” (ROC) y se calculó el área bajo la curva (AUC) para evaluar la capacidad discriminatoria del modelo (Bruce y Bruce, 2019). También se obtuvo el coeficiente de Gini. Finalmente, los coeficientes estimados se transformaron en “odds ratios”, permitiendo interpretar el efecto de las variables explicativas sobre la probabilidad de ocurrencia del evento.

3. Resultados y Discusión

El análisis de los datos se inició con estadísticas descriptivas, con el objetivo de caracterizar la muestra de estudiantes ingresantes en una universidad pública brasileña en el período de 2022 a 2024. La base de datos final, tras la exclusión de registros con datos ausentes, totalizó 7.809 observaciones. Esta etapa preliminar fue crucial para comprender la distribución de las variables antes de la aplicación del modelo de Regresión Logística, proporcionando un panorama inicial de los factores conductuales y socioeconómicos de los participantes.

En relación con la variable dependiente, que indicaba el riesgo en salud mental, se observó una distribución relativamente equilibrada en la muestra. Aproximadamente el 52,81% de los estudiantes fueron clasificados como en riesgo, mientras que el 47,19% no presentaron riesgo. Esta proporción indica que el fenómeno de interés está presente en una parte significativa de la población estudiada, sin un desequilibrio severo entre las clases, lo cual es favorable para la modelización estadística subsiguiente.

El perfil demográfico de los estudiantes reveló una predominancia del sexo femenino, que representó el 62,84% de la muestra, mientras que los individuos del sexo masculino correspondieron al 37,16%. Esta característica de la muestra es relevante para la interpretación de los resultados, especialmente en lo que respecta a la asociación entre género y riesgo en salud mental, un aspecto frecuentemente abordado en la literatura sobre salud universitaria.

En cuanto a los comportamientos analizados, el consumo de alcohol presentó una distribución casi equitativa, con un 54,16% de los estudiantes indicando consumo y un 45,84% sin consumir. En contraste, el consumo de tabaco fue menos prevalente, con un 90,09% de los estudiantes declarando no consumir esta sustancia y solo un 9,91% afirmando su consumo. Estos datos comportamentales son cruciales para comprender los patrones de hábitos de vida en la población universitaria.

La práctica de actividad física también demostró patrones variados entre los estudiantes. Se verificó que el 37,57% de los participantes practicaban actividades de forma regular, lo que es un indicador positivo de hábitos saludables. Sin embargo, una parte considerable, el 33,87%, declaró no practicar ninguna actividad física, y el 28,56% realizaba actividades de forma esporádica, evidenciando la necesidad de incentivo a la práctica regular.

La estructura familiar de los estudiantes mostró que la gran mayoría, 96,38%, no tenía hijos, mientras que el 3,62% indicó tener al menos un hijo. Para las variables cuantitativas, el ingreso per cápita medio de los estudiantes fue de 1,46 salario mínimo, con una desviación estándar de 1,03, y el número medio de personas en el hogar fue de 3,42, con una desviación estándar de 1,15. Estos valores indican una heterogeneidad en las condiciones socioeconómicas y de composición familiar de los participantes.

En resumen, el análisis descriptivo reveló una muestra mayoritariamente joven, con predominancia femenina y baja incidencia de hijos. Las condiciones de renta y composición del hogar presentaron variación, y se identificaron diferentes patrones de comportamiento en relación al consumo de alcohol, tabaco y práctica de actividad física. Estos factores son fundamentales para la comprensión del riesgo en salud mental y sirvieron como base para la modelización estadística, permitiendo explorar las asociaciones entre estas variables y el desenlace de interés.

Para la modelización del riesgo en salud mental, se empleó la regresión logística binaria, una técnica adecuada para variables dependientes dicotómicas. El proceso de selección de variables utilizó el método “stepwise” con eliminación retroactiva, que eliminó iterativamente las variables no significativas al nivel del 5% (Hair et al., 2009). Este procedimiento resultó en un modelo más parsimonioso y estadísticamente robusto, centrándose solo en los predictores más relevantes.

Durante la selección, la variable relacionada con la estructura de contribución familiar (quest22) fue excluida debido a valores p superiores a 0,05 en sus categorías. De manera similar, la categoría ‘no práctica de actividad física’ fue descartada, ya que su valor p de 0,0735 indicó que el comportamiento sedentario no difería estadísticamente de la práctica esporádica en relación con el riesgo. La variable renda_sm también fue excluida previamente a la modelización por presentar multicolinealidad con la renta per cápita, garantizando la estabilidad del modelo.

El modelo final incluyó variables estadísticamente significativas (valor p < 0,05), que fueron: sexo del estudiante, consumo de alcohol, consumo de tabaco, práctica regular de actividad física, presencia de hijos, renta per cápita y número de personas en el domicilio. La inclusión de estas variables, transformadas en “dummies” para las categorías, permitió la interpretación de los coeficientes en relación con una categoría de referencia, facilitando la comprensión del impacto de cada factor en el riesgo de salud mental.

Los resultados del modelo indicaron que factores conductuales y socioeconómicos están significativamente asociados al riesgo en salud mental entre estudiantes universitarios. Los intervalos de confianza de las estimativas no incluyeron el valor 1, lo que refuerza la consistencia y la significancia estadística de las asociaciones identificadas. Esta constatación subraya la naturaleza multifacética del bienestar psicológico en el ambiente académico, conforme señalado por Silva et al. (2021).

En cuanto al género, los individuos de sexo masculino presentaron una reducción de aproximadamente 50,3% en las probabilidades de riesgo en salud mental, con una razón de probabilidades (OR) de 0,4968, en comparación con el sexo femenino, manteniéndose las demás variables constantes. Este hallazgo corrobora la literatura que señala una mayor prevalencia de trastornos mentales comunes entre las mujeres, frecuentemente asociada a factores psicosociales y sobrecargas de género (Barros y Peixoto, 2023).

En cuanto a los comportamientos, el consumo de alcohol y tabaco actuaron como factores de riesgo significativos. El uso de alcohol aumentó las posibilidades de ocurrencia del evento en 1,79 veces (OR=1,79), mientras que el consumo de tabaco elevó esta posibilidad en casi el doble (OR=1,95). La comparación entre los dos comportamientos reveló que el consumo de tabaco presentó un efecto más fuerte sobre el riesgo en salud mental que el consumo de alcohol, con una razón de posibilidades superior.

Esta constatación sobre el consumo de alcohol y tabaco está alineada con la literatura, que identifica una prevalencia relevante de consumo problemático de alcohol entre universitarios, alcanzando cerca del 23,6% de los estudiantes (Silva et al., 2021). La asociación de estos comportamientos con el riesgo en salud mental refuerza la necesidad de intervenciones dirigidas, considerando el ambiente universitario como un contexto de vulnerabilidad.

La práctica regular de actividad física, a su vez, demostró ser un factor protector. Los estudiantes que practicaban actividades físicas regularmente presentaron una reducción en el riesgo de salud mental, con una razón de probabilidades (OR) de 0,7127, en comparación con aquellos que las practicaban esporádicamente. Este resultado destaca la importancia de hábitos de vida saludables como un mecanismo de protección contra el desarrollo de problemas de salud mental, un hallazgo consistente con estudios anteriores (Bastos et al., 2024).

Factores estructurales y familiares también se mostraron relevantes. La presencia de hijos se asoció con una fuerte reducción en el riesgo de salud mental, con una razón de probabilidades (OR) de 0,54. Sin embargo, esta interpretación debe hacerse con cautela, dado que solo el 3,62% de la muestra tenía hijos, lo que puede influir en la estabilidad de la estimación. La baja representatividad de esta categoría en la muestra puede limitar la generalización de este hallazgo.

Mejores condiciones socioeconómicas y de apoyo familiar también actuaron como elementos de protección. El ingreso per cápita, con una razón de probabilidades (OR) de 0,9176, indicó que los aumentos de una unidad (equivalente a un salario mínimo per cápita) estaban asociados a la reducción de las probabilidades de riesgo en salud mental. De igual manera, el número de personas en el domicilio, con OR de 0,909, sugirió que un aumento en la composición familiar está asociado a una disminución del riesgo, indicando que el apoyo familiar puede ser un factor protector.

Para evaluar el rendimiento predictivo del modelo, se analizaron diferentes puntos de corte, o “cutoffs”, específicamente 0,3, 0,5 y 0,7. La elección del punto de corte de 0,5 se adoptó como criterio final, por presentar el mejor equilibrio entre las métricas de precisión, sensibilidad y especificidad. Esta decisión es fundamental para la aplicación práctica del modelo, ya que define a partir de qué probabilidad una observación se clasifica como ocurrencia del evento (Fávero y Belfiore, 2024).

Con el punto de corte de 0,5, el modelo alcanzó una precisión de 0,612, lo que indica que el 61,2% de las clasificaciones fueron correctas. La sensibilidad fue de 0,704, lo que significa que el 70,4% de los estudiantes en riesgo fueron identificados correctamente. La especificidad fue de 0,509, lo que indica que el 50,9% de los estudiantes sin riesgo fueron clasificados correctamente. El modelo clasificó correctamente a 2.902 estudiantes con riesgo (verdaderos positivos) y a 1.877 sin riesgo (verdaderos negativos), pero también generó 1.808 falsos positivos y 1.222 falsos negativos.

Adicionalmente, el Área Bajo la Curva (AUC) se calculó en 0,654, y el coeficiente de Gini en 0,307. La AUC es una medida de la capacidad discriminatoria del modelo, donde valores más altos indican una mayor eficacia en la distinción entre clases. Un valor de 0,654 sugiere una capacidad discriminatoria moderada, superior a la ineficiencia total (0,5), pero indicando que el modelo tiene mayor utilidad inferencial que predictiva para casos individuales de riesgo (Bruce y Bruce, 2019).

A pesar de la capacidad predictiva moderada, los resultados obtenidos deben interpretarse considerando la complejidad de la predicción de condiciones relacionadas con la salud mental. Estudios como el de Zhai et al. (2025), que evaluaron modelos predictivos para ansiedad y depresión en universitarios, obtuvieron AUCs de 0,73 y 0,76, y acuracias del 68% y 70%, respectivamente. Esta comparación refuerza que la identificación de condiciones de salud mental exige diferentes métricas de evaluación y que la AUC de 0,654, en el presente estudio, debe ser analizada en conjunto con las demás métricas y las características del problema.

Métricas complementarias, como precisión (aproximadamente 0,62) y F1-score (aproximadamente 0,66), también fueron consideradas en la evaluación del desempeño del modelo. Estos indicadores refuerzan la capacidad del modelo para identificar patrones asociados al riesgo en salud mental, destacando la influencia de factores conductuales y socioeconómicos. La naturaleza multideterminada del fenómeno de la salud mental se evidencia, por lo tanto, consistentemente en los hallazgos (Silva et al., 2021).

Los resultados obtenidos permiten avanzar del análisis estadístico a la toma de decisiones en el contexto institucional. La identificación de factores conductuales, como el consumo de alcohol y tabaco, asociados al aumento del riesgo en salud mental, posibilita el direccionamiento de acciones preventivas más específicas. Estas acciones pueden enfocarse en grupos más expuestos a estos comportamientos, promoviendo un ambiente académico que priorice el bienestar psicológico de los estudiantes.

La evidencia de que la práctica regular de actividad física actúa como factor protector sugiere la necesidad de fortalecer políticas institucionales orientadas a la promoción del bienestar estudiantil. Se pueden implementar programas de prevención y educación en salud de carácter continuo, incluyendo talleres y conferencias sobre los riesgos del uso de psicoactivos. Tales iniciativas son cruciales para concienciar a los estudiantes y ofrecer mecanismos de afrontamiento al estrés académico, según lo preconizado por Gomes et al. (2023).

Adicionalmente, la relevancia de variables socioeconómicas, como la renta per cápita, permite identificar estudiantes en mayor situación de vulnerabilidad, contribuyendo a la priorización de recursos y acciones de apoyo psicosocial. La principal contribución del modelo reside en el apoyo a la gestión universitaria basada en datos, permitiendo la construcción de estrategias preventivas más dirigidas y el uso estratégico de la información institucional para promover el bienestar y prevenir riesgos (Gaiotto et al., 2021).

En síntesis, los hallazgos de este estudio demuestran que el riesgo en salud mental de estudiantes universitarios está influenciado por una compleja interacción de factores conductuales y socioeconómicos. El modelado por regresión logística binaria permitió cuantificar el peso relativo de cada factor, revelando que el consumo de alcohol y tabaco aumentan el riesgo, mientras que la práctica regular de actividad física, la presencia de hijos, la renta per cápita y el número de personas en el domicilio actúan como factores protectores. Estos resultados refuerzan la necesidad de enfoques integrados y políticas institucionales para promover el bienestar psicológico y prevenir riesgos entre los estudiantes ingresantes, respondiendo al objetivo de analizar los determinantes del riesgo en salud mental.

4. Conclusión

El presente estudio analizó los determinantes del riesgo en salud mental entre estudiantes ingresantes de una universidad pública brasileña, considerando variables individuales, comportamentales y socioeconómicas. Se verificó que factores comportamentales, como el consumo de alcohol y tabaco, estuvieron asociados a un aumento significativo de la probabilidad de riesgo en salud mental, siendo el tabaco un predictor más fuerte. En contraste, la práctica regular de actividad física demostró ser un factor protector, asociada a la reducción del riesgo. Adicionalmente, se identificó que variables socioeconómicas y familiares, como mayor renta per cápita y un número elevado de personas en el domicilio, también actuaron como elementos de protección, mientras que el sexo masculino presentó menor probabilidad de riesgo en comparación al femenino. Aunque el modelo de regresión logística binaria exhibió capacidad predictiva moderada, con una precisión del 61,2% y AUC de 0,654, su utilidad inferencial fue robusta, permitiendo aislar y cuantificar el peso relativo de cada factor de riesgo. La principal contribución de este trabajo reside en el suministro de subsidios para la gestión universitaria basada en datos, posibilitando la construcción de estrategias preventivas más dirigidas y el uso estratégico de informaciones institucionales para promover el bienestar psicológico y prevenir riesgos.

Sin embargo, el estudio tiene limitaciones derivadas del uso de datos de una única institución y de un recorte temporal específico, lo que restringe la generalización de los hallazgos. La combinación de síntomas psicológicos distintos en una única variable dependiente binaria puede haber introducido errores de clasificación, justificando el desempeño predictivo moderado observado. Se sugiere que estudios futuros exploren modelos que desglosen los síntomas psicológicos e incluyan variables académicas para mejorar la capacidad predictiva. También se recomienda la replicación del enfoque metodológico en otras universidades que dispongan de bases de datos similares, ampliando el potencial de uso estratégico de los datos en la formulación de políticas de apoyo psicosocial y gestión de la salud mental en la enseñanza superior.

Referencias Bibliográficas

Barros, M.S.M.R.; Costa, L.S. 2019. Perfil do consumo de álcool entre estudantes universitários. SMAD: Revista Eletrônica Saúde Mental Álcool e Drogas 15(1): 4-13.

Barros, R.N.; Peixoto, A.L.A. 2023. Saúde mental de universitários: levantamento de transtornos mentais comuns em estudantes de uma universidade brasileira. Quaderns de Psicologia 25(2): e1958.

Bastos, E.F. et al. 2024. Incidência de sintomas depressivos em universitários primeiranistas adolescentes: estudo correlacional. Revista Psicologia em Pesquisa 18.

Bonafini, F.C. 2019. Estatística. 2ed. Pearson, São Paulo, SP, Brasil. Disponível em: <https://plataforma.bvirtual.com.br>. Acesso em: 15 fev. 2026.

Bruce, P.; Bruce, A. 2019. Estatística prática para cientistas de dados: 50 conceitos essenciais. 1ed. Alta Books, Rio de Janeiro, RJ, Brasil.

Fávero, L.P.; Belfiore, P. 2024. Manual de análise de dados: estatística e machine learning com Excel, SPSS, Stata, R e Python. 2ed. LTC. São Paulo, SP, Brasil.

Gaiotto, E.M.G. et al. 2021. Resposta a necessidades em saúde mental de estudantes universitários: uma revisão rápida. Revista de Saúde Pública 55: 114.

Gomes, L.M.L.S. et al. 2023. Saúde mental na universidade: ações e intervenções voltadas para os estudantes. Educação em Revista 39: e40310.

Hair, J. F. et al. 2009. Análise multivariada de dados. 6ed. Bookman, Porto Alegre, RS, Brasil.

Heckmann, W.; Silveira, C.M. 2009. Dependência do álcool: aspectos clínicos e diagnósticos. In: Andrade, A.G.; Anthony, J.C.; Silveira, C.M. Álcool e suas consequências: uma abordagem multiconceitual. Manole.

Kleinbaum, D.G.; Klein, M. 2010. Logistic Regression: A Self-Learning Text. 3ed. Springer.

Silva, N.G. et al. 2021. Modelos preditivos para o uso problemático de álcool entre universitários da saúde. SMAD: Revista Eletrônica Saúde Mental Álcool e Drogas 17(4): 33-43.

World Health Organization. 2022. World mental health report: transforming mental health for all. Disponível em: <https://iris.who.int/server/api/core/bitstreams/40e5a13a-fe50-4efa-b56d-6e8cf00d5bfa/content>. Acesso em: 15 jan. 2026.

Zhai, Y.; Zhang, Y.; Chu, Z.; Geng, B.; Almaawali, M.; Fulmer, R.; Lin, Y.W.D.; Xu, Z.; Daniels, A.D.; Liu, Y.; Chen, Q.; Du, X. 2025. Machine learning predictive models to guide prevention and intervention allocation for anxiety and depressive disorders among college students. Journal of Counseling & Development 103(1): 110-125. Acesso em: 03 set. 2026.

Artículo originado del Trabajo de Conclusión de Curso de la Especialización en Data Science y Analytics del MBA USP/Esalq

Para saber más sobre el curso, haga clic aquí y acceda a la plataforma MBX Academy