Introduction: studies have shown high incidences of depression worldwide and its cooccurrence with several important medical conditions, especially in middle-aged and elderly subjects. In this multimorbidity scenario, depression is commonly associated with diseases related to metabolic syndrome, such as obesity and diabetes. Chronic alterations in circadian sleep-wake rhythm represent a relationship with the development of depression and its associated comorbidities, as they favor the breakdown of the internal temporal organization of essential physiological and metabolic processes. Currently, making accurate clinical diagnoses and screenings have been a persistent challenge in mental health, due to the use of limited traditional tools that do not include additional characteristics of important clinical data of the patient, including objective observations of disease biomarkers. Objective: Thus, the objective of the present study was to detect depressive symptomatology from general biomarkers of obesity and diabetes, as well as variables related to sleep and physical activity, in middle-aged and elderly adults, through a learning approach of machines. Method: Data from the Global Physical Activity Questionnaire (GPAQ - physical activity level), from the Patient Health Questionnaire (PHQ-9), and from the sleep habits questionnaire were extracted from the National Health and Nutrition Examination Survey database (NHANES) in the period 2015-2016. Other variables were accessed and used as predictive resources, such as anthropometric measurements and plasmatic biomarkers of obesity and diabetes. A total of 2907 middle-aged and elderly adult subjects were eligible for the study. Three supervised learning algorithms were implemented: Penalized Logistic Regression with Lasso (RL), Random Forest (RF) and Extreme Gradient Boosting (XGBoost). Results: The XGBoost model provided greater accuracy and precision (87%), with a proportion of correct answers in cases with depressive symptoms above 80%. In addition, daytime sleepiness was the predictor variable that best contributed to predicting depressive symptoms. Conclusions: Sleep and physical activity variables, in addition to obesity and diabetes biomarkers, together assume significant importance in predicting, with an accuracy and precision of 87%, the occurrence of depressive symptoms in middle-aged and elderly individuals.Coordenação de Aperfeiçoamento de Pessoal de Nível Superior - CAPESIntrodução: Estudos têm evidenciado altas incidências da depressão em escala mundial e sua co-ocorrência com várias condições de saúde importantes, principalmente em sujeitos de meia-idade e idosos. Neste cenário de multimorbidades, a depressão encontra-se comumente associada às doenças relacionadas à síndrome metabólica, como obesidade e diabetes. Alterações crônicas nos ritmos circadianos de sono-vigília representam uma relação com o desenvolvimento da depressão e de suas respectivas comorbidades associadas, ao favorecerem a quebra da organização temporal interna de processos fisiológicos e metabólicos essenciais. Atualmente, fazer diagnósticos e triagens clínicas precisas têm sido um desafio persistente na área de saúde mental, em virtude do uso de ferramentas tradicionais limitadas que não incluem características adicionais de dados clínicos importantes do paciente, inclusive observações objetivas biomarcadoras de doenças. Objetivo: Dessa forma, o objetivo do presente estudo foi detectar a sintomatologia depressiva a partir de biomarcadores gerais de obesidade e diabetes, além de variáveis relacionadas ao sono e atividade física, em adultos de meia-idade e idosos, através de uma abordagem de aprendizagem de máquinas. Método: Dados do Questionário de Atividade Física Global (GPAQ - nível de atividade física), do Questionário de Saúde do Paciente (PHQ-9), e do questionário sobre hábitos de sono foram extraídos da base de dados do National Health and Nutrition Examination Survey (NHANES) no período de 2015-2016. Outras variáveis foram acessadas e utilizadas como recursos previsores, como medidas antropométricas e biomarcadores plasmáticos da obesidade e diabetes. Um total de 2907 sujeitos adultos de meia-idade e idosos foram elegíveis para o estudo. Três algoritmos de aprendizagem supervisionada foram implementados: Regressão Logística penalizada com Lasso (RL), Random Forest (RF) e Extreme Gradient Boosting (XGBoost). Resultados: O modelo XGBoost proporcionou maior acurácia e precisão (87%), com proporção de acertos nos casos com sintomas depressivos acima de 80%. Além disso, a sonolência diurna foi a variável preditora que melhor contribuiu para predizer sintomas depressivos. Conclusões: As variáveis de sono e atividade física, além dos biomarcadores de obesidade e diabetes, em conjunto assumem significativa importância para predizer, com acurácia e precisão de 87%, a ocorrência de sintomas depressivos em indivíduos de meia-idade e idosos.