La Organización Mundial de la Salud (OMS) reveló que aproximadamente 280 millones de personas en el mundo sufren de depresión. Sin embargo, los estudios existentes sobre la detección de la depresión en etapas tempranas utilizando técnicas de aprendizaje automático (ML) son limitados. Los estudios previos han aplicado un único algoritmo independiente, que no es capaz de manejar las complejidades de los datos, es propenso al sobreajuste y limitado en la generalización. En este sentido, nuestro artículo examinó el rendimiento de varios algoritmos de ML para la detección de la depresión en etapas tempranas utilizando dos conjuntos de datos de redes sociales de referencia (D1 y D2). Más específicamente, incorporamos indicadores de sentimiento para mejorar el rendimiento de nuestro modelo. Nuestros resultados experimentales mostraron que los vectores numéricos de representaciones de codificadores bidireccionales de oraciones de transformadores (SBERT) ajustados en el modelo de conjunto de apilamiento lograron puntajes F1 comparables del 69% en el conjunto de datos (D1) y del 76% en el conjunto de datos (D2). Nuestros hallazgos sugieren que el uso de indicadores de sentimiento como una característica adicional para la detección de la depresión produce un rendimiento mejorado del modelo, y por lo tanto, recomendamos el desarrollo de un corpus de términos depresivos para trabajos futuros.