Population-Level Profiling of DSM-5 Depressive Symptoms Among Self-Reported ADHD and ASD Users on Twitter: An Exploratory Study Using Advanced NLP and Statistical Analysis

Resumo Técnico: Perfilamento em Nível Populacional de Sintomas Depressivos do DSM-5 em Usuários de Twitter com TDAH e TEA

Problema
A depressão frequentemente coocorre com o transtorno de déficit de atenção/hiperatividade (TDAH) e o transtorno do espectro autista (TEA). Embora dados epidemiológicos confirmem taxas elevadas de sintomas depressivos em ambas as populações, evidências quantitativas sobre como a fenomenologia da depressão difere entre elas em nível populacional permanecem escassas. Especificamente, há uma carência de estudos de larga escala que perfilem simultaneamente todos os nove sintomas do episódio depressivo maior do DSM-5 para determinar se usuários que se autorreferenciam como TDAH e TEA expressam esses sintomas de forma distinta em linguagem naturalística. A literatura existente frequentemente foca em diferenças léxicas ou tópicas, em vez de dimensões de sintomas formalmente definidas, e relatos clínicos sugerindo diferenças na disfunção executiva, burnout ou sensibilidade à recompensa carecem de validação em escala populacional.

Metodologia
O estudo empregou um pipeline de Processamento de Linguagem Natural (PLN) de dois estágios para analisar 1.282.437 tweets de 792 usuários autorreferenciados (622 TDAH, 170 TEA) extraídos de um conjunto de dados público de divulgação de diagnóstico.

1. Pré-processamento e Filtragem de Dados:

   • Estágio 1 (Triagem Zero-Shot): Um modelo de Inferência de Linguagem Natural (NLI) zero-shot (cross-encoder/nli-deberta-v3-large) triou tweets quanto à relevância depressiva. O modelo julgou se um tweet entailava a hipótese "sintoma depressivo do DSM-5 presente". Para garantir a robustez, os autores não confiaram em um único ponto de corte, mas percorreram o limiar de probabilidade através de cinco valores (0,45 a 0,65). Este estágio priorizou o recall para evitar o descarte permanente de dados relevantes.
   • Estágio 2 (Classificação de Sintomas): Os tweets que passaram pelo pré-filtro foram classificados nos nove sintomas do DSM-5 (humor deprimido, anedonia, alteração de apetite, distúrbio do sono, perturbação psicomotora, fadiga, sentimento de inutilidade, problemas cognitivos, ideação suicida) usando um modelo MentalRoBERTa ajustado (fine-tuned). O modelo foi treinado no corpus ReDSM5, um conjunto de dados de sentenças do Reddit anotadas por um psicólogo licenciado.
   • Calibração: O classificador do Estágio 2 utilizou uma calibração de limiar de decisão por rótulo (variando de 0,150 para pensamentos suicidas a 0,825 para humor deprimido) para maximizar os escores F1 binários para cada sintoma de forma independente, abordando o desequilíbrio de classes.

2. Perfilamento de Usuário:

   • Os perfis de sintomas por usuário foram construídos pela média dos escores sigmoides brutos dos tweets filtrados (tweets que passaram tanto pelo filtro zero-shot quanto pelo limiar de sintoma por rótulo).
   • Usuários com menos de 30 tweets qualificáveis foram excluídos.
   • Centralização de Nível de Usuário: Para isolar a ênfase relativa do sintoma da intensidade geral da linguagem depressiva, o perfil de cada usuário foi centralizado subtraindo sua própria média entre os nove sintomas.

3. Análise Estatística e Robustez:

   • Análise Discriminativa: A regressão logística penalizada por L1 (LASSO) foi usada para distinguir usuários com TDAH de usuários com TEA com base nos perfis de sintomas centralizados. O modelo foi avaliado por meio de validação cruzada de 5 dobras (5-fold cross-validation).
   • Critérios de Robustez: Para garantir que os achados não fossem artefatos de escolhas específicas de limiar, os autores aplicaram um esquema de robustez graduada. Os achados exigiam status de Nível 1 (sinal idêntico do coeficiente em todos os cinco limiares E frequência de seleção por bootstrap ≥ 0,90 em cada limiar) para serem considerados achados primários. O status de Nível 2 exigia sinais consistentes, mas permitia frequências de seleção mais baixas ou intervalos incluindo o zero.
   • Análise de Coocorrência: Correlações de Pearson foram computadas entre todos os 36 pares de sintomas para cada grupo. O reamostragem por bootstrap (1.000 iterações) foi usada para avaliar a estabilidade dos coeficientes de correlação e a significância das diferenças entre os grupos.

Principais Contribuições

1. Caracterização em Nível Populacional: O estudo fornece um perfil exploratório, em nível populacional, de como os nove sintomas depressivos do DSM-5 são diferencialmente enfatizados entre as comunidades de TDAH e TEA no Twitter.
2. Pipeline de Classificação Avançado: Introduz um pipeline de dois estágios que acopla a pré-filtragem NLI zero-shot com um classificador multi-rótulo MentalRoBERTa ajustado no ReDSM5, demonstrando que transformadores adaptados ao domínio podem operacionalizar critérios do DSM-5 com alto desempenho em nível de sentença (Macro-F1 = 0,901).
3. Esquema de Robustez Graduada: O artigo contribui com um framework metodológico que separa explicitamente achados suportados tanto pela estabilidade do bootstrap quanto pela consistência entre limiares daqueles que são instáveis, indo além das análises de limiar único.
4. Análise de Coocorrência: Adiciona uma análise de nível de usuário testando se a organização estrutural (coocorrência pareada) dos sintomas depressivos difere entre os dois grupos.

Resultos

• Desempenho do Classificador: O modelo MentalRoBERTa ajustado alcançou um Macro-F1 de 0,901 no conjunto de teste mantido (held-out test set), superando substancialmente os benchmarks anteriores no corpus ReDSM5.
• Perfis Discriminativos: A regressão logística yielded uma discriminação modesta, porém estável (ROC-AUC 0,645–0,653). Seis sintomas atenderam aos critérios de Nível 1 (Robusto):
  • Tendência para TDAH: Problemas cognitivos, distúrbio do sono, alteração de apetite e fadiga.
  • Tendência para TEA: Ideação suicida e anedonia.
  • Nível 2 (Consistência Direcional): A perturbação psicomotora mostrou uma tendência para o TEA, mas com estabilidade ligeiramente menor.
  • Sintomas como inutilidade e humor deprimido não atenderam aos critérios de robustez devido a sinais instáveis ou baixas frequências de seleção através dos limiares.
• Estrutura de Coocorrência: A análise revelou uma espinha dorsal de coocorrência de sintomas amplamente compartilhada entre os grupos. Um cluster somático (fadiga, sono, psicomotricidade, apetite) e uma estrutura de troca (trade-off) de humor foram observados em ambos. De 36 pares de sintomas, 17 foram individualmente robustos via bootstrap em ambos os grupos, sem diferença significativa entre os grupos. Nenhum par atendeu ao critério estrito para um padrão de coocorrência específico de um transtorno (diferença de sinal estável com IC de 95% excluindo zero em todos os limiares).

Significância e Alegações
Os autores enquadram este trabalho estritamente como exploratório e de nível populacional. Eles declaram explicitamente que os observados refletem a reprodutibilidade em nível populacional em vez de validade clínica ou capacidade diagnóstica individual. Os escores AUC modestos indicam que, embora o sinal seja estável através de limiares analíticos, ele não é suficiente para triagem ou diagnóstico individual.

A significância dos achados reside na identificação de padrões sistemáticos e reprodutíveis de como as experiências depressivas são comunicadas através de condições neurodesenvolvimentais. Os resultados sugerem que, enquanto a estrutura central da coocorrência de sintomas é compartilhada, a ênfase relativa em dimensões específicas (ex: questões cognitivas/somáticas no TDAH vs. anedonia/ideação suicida no TEA) difere. Estes achados pretendem servir como fontes observacionais corroboradoras para hipóteses clínicas sobre diferenças fenomenológicas, em vez de evidência de uma fenomenologia depressiva distinta ao nível individual. O estudo reconhece limitações, incluindo a dependência de diagnósticos autorreferenciados, potencial viés de seleção e a falta de um grupo controle neurotípico.