Integrative, and Scalable mental health phenotyping using a knowledge-graph-derived dual-metric framework

Este artigo apresenta um framework escalável e integrativo para o fenótipo de saúde mental que utiliza duas métricas derivadas de psicologia iogue (CAS e C:ERR) e um grafo de conhecimento estruturado para superar as limitações dos instrumentos diagnósticos tradicionais, demonstrando alta precisão preditiva e capacidade de monitorar a evolução clínica de forma mais abrangente.

O essencial

Imagine que a sua saúde mental é como o clima de uma cidade. Hoje, os médicos tentam prever uma tempestade (ansiedade ou depressão) apenas perguntando à pessoa: "Está chovendo? Você está triste?". É útil, mas é como tentar entender o clima apenas olhando para o céu num único momento, ignorando a umidade do solo, a temperatura do ar e a pressão atmosférica que vêm mudando há dias.

Este artigo apresenta uma nova maneira de medir a saúde mental, chamada Ceekr-KG. Em vez de apenas perguntar "como você se sente?", ele olha para o "clima completo" da sua vida: como você dormiu, o que comeu, como se exercitou e como sua mente está focada.

Aqui está a explicação simplificada, usando analogias do dia a dia:

1. O Problema: O Termômetro Quebrado

Atualmente, usamos questionários longos (como o GAD-7 ou HAM-A) para diagnosticar ansiedade e depressão. Eles são como um termômetro antigo: funcionam, mas só nos dão uma leitura num momento específico, são demorados e não contam a história completa de como você vive. Eles focam apenas nos sintomas (a febre), sem olhar para a causa (a infecção ou o estresse do dia a dia).

2. A Solução: O "GPS" da Mente (Ceekr-KG)

Os autores criaram um sistema inteligente baseado em uma antiga sabedoria indiana (psicologia iogue), mas traduzida para a linguagem dos computadores. Eles construíram um Mapa de Conhecimento Gigante (uma Rede de Conhecimento) que conecta 80 sintomas diferentes (como "cansaço", "falta de foco", "dor nas costas") com o seu estilo de vida.

Dentro desse mapa, eles criaram dois "medidores" principais:

• CAS (Pontuação de Atenção Cognitiva): Pense nisso como o nível de bateria do seu cérebro. Ele mede o quanto você consegue focar e prestar atenção, baseado em como você dormiu, comeu e se moveu.
  • Analogia: Se sua bateria está baixa (CAS baixo), você tem dificuldade de pensar, se concentrar e lidar com o dia.
• C:ERR (Razão de Resposta Emocional): Pense nisso como o termostato das suas emoções. Ele mede o quanto suas emoções estão "desreguladas" ou fora de controle em relação ao que você está pensando.
  • Analogia: Se o termostato está quebrado (C:ERR alto), você pode ter uma reação emocional exagerada para um problema pequeno, como um termostato que liga o aquecedor no inverno.

3. Como Funciona a "Mágica" (A Rede de Conhecimento)

Eles não inventaram isso do zero. Eles usaram uma tecnologia chamada Knowledge Graph (Gráfico de Conhecimento).

• Imagine um Wikipedia gigante e interconectado, mas em vez de texto, são pontos e linhas conectando coisas.
• Eles conectaram 151.000 "fatos" (triplas) ligando o seu sono, comida e exercícios aos seus sintomas mentais.
• O computador aprendeu que, por exemplo, "dormir mal" + "comer açúcar" + "não se exercitar" = "bateria baixa" (CAS baixo) + "termostato quebrado" (C:ERR alto) = "risco de depressão".

O estudo provou que esse mapa é tão preciso que, quando o computador tenta adivinhar conexões, ele acerta 97% das vezes, muito melhor do que se estivesse apenas chutando aleatoriamente. Isso significa que o mapa tem um "sentido" real, não é apenas um monte de dados bagunçados.

4. O Teste: Funciona na Vida Real?

Os pesquisadores testaram isso com 249 pessoas que estavam fazendo programas de terapia (como exercícios de respiração e atenção).

• O Resultado: As pessoas que começaram com a "bateria baixa" (CAS baixo) e seguiram o programa, viram sua bateria recarregar significativamente.
• A Analogia: Era como se pessoas que estavam atoladas no lodo (nível de saúde "Muito Ruim") conseguissem subir para um terreno firme e até chegar ao topo da colina (nível "Ótimo") apenas ajustando seus hábitos diários, guiados por esse novo sistema.

5. Por que isso é importante?

• Não é apenas um questionário: Ao contrário dos testes antigos que perguntam "você está triste?", este sistema pergunta "como você dormiu e comeu?", e calcula automaticamente como isso afeta sua mente. É como ter um assistente pessoal de saúde que entende que sua mente e seu corpo são uma só coisa.
• Escalável: Como é feito por um computador e um aplicativo, pode ser usado por milhões de pessoas ao mesmo tempo, sem precisar de um psiquiatra para preencher um papel por 20 minutos.
• Prevenção: Ele consegue ver os sinais de alerta antes que a "tempestade" chegue, permitindo que a pessoa ajuste seu estilo de vida (dormir mais, comer melhor) para evitar a crise.

Resumo Final

Este artigo diz: "Chega de apenas perguntar 'como você se sente?'. Vamos olhar para o como você vive."

Eles criaram um sistema de navegação digital que usa a sabedoria antiga de que mente e corpo são conectados, combinada com a inteligência artificial moderna, para medir sua saúde mental de forma mais precisa, rápida e útil. É como trocar um mapa de papel rasgado por um GPS em tempo real que te diz exatamente onde você está e como chegar ao destino (saúde mental) mais rápido.

Resumo técnico

Resumo Técnico: Fenotipagem Mental Integrativa e Escalável usando um Framework de Dupla Métrica Derivado de Grafos de Conhecimento

1. Problema e Contexto

Os instrumentos diagnósticos atuais para ansiedade e depressão (como HAM-A, HAM-D e GAD-7) apresentam limitações críticas:

• Foco Sintomático: Baseiam-se em consultas diretas sobre estados afetivos, negligenciando a arquitetura multidimensional da vida diária.
• Ineficiência e Variabilidade: São intensivos em tempo (20-25 min), dependem de interpretação de especialistas (variabilidade inter-rater) e são pouco acessíveis em regiões com escassez de profissionais.
• Falta de Integração: Avaliam transtornos separadamente e ignoram a interação fundamental entre estados mentais, fatores de estilo de vida (sono, nutrição, exercício) e processos fisiológicos.
• Barreiras Biológicas: Técnicas invasivas (neuroimagem, biomarcadores) são caras e pouco específicas para triagem em larga escala.

O artigo propõe uma solução que integra sabedoria da psicologia iônica (tradições contemplativas indianas) com ciência de dados moderna através de Grafos de Conhecimento (KGs) para criar um fenótipo digital escalável.

2. Metodologia

2.1. Framework Conceitual e Métricas

Os autores desenvolveram duas métricas complementares derivadas da psicologia iônica:

1. CAS (Cognitive Attention Score): Reflete o estado de atenção cognitiva baseado em fatores de estilo de vida (sono, nutrição, atividade física).
2. C:ERR (Cognition-to-Emotional-Response Ratio): Uma razão composta que quantifica a desregulação emocional cumulativa em relação à função cognitiva.

2.2. Construção do Ceekr-KG

• Base de Dados: Um grafo de conhecimento estruturado contendo 151.288 triplas ligando 354 níveis discretos de CAS, 26 valores contínuos de C:ERR e 80 sintomas clínicos.
• Operacionalização: Os princípios da psicologia iônica foram traduzidos em uma matriz computacional e convertidos em triplas (sujeito-predicado-objeto) para modelagem preditiva.
• Modelagem: Foram treinados vários modelos de Knowledge Graph Embedding (KGE), incluindo DisMult, RotatE, ComplEx, RESCAL e SimplE. O modelo SimplE foi selecionado como o de melhor desempenho.

2.3. Validação e Integração

• Benchmarking Estrutural: O modelo foi testado contra grafos aleatórios (com preservação de relações) para garantir que a performance derivava da estrutura semântica e não apenas da topologia do grafo.
• Integração com CKG: O Ceekr-KG foi integrado ao Clinical Knowledge Graph (CKG) existente (20 milhões de nós) para criar um grafo aumentado (CKG-CEEKR-KG). Isso permitiu comparar a capacidade preditiva das métricas Ceekr com escalas padrão (HAM-A, HAM-D, GAD-7).
• Análise Longitudinal: Estudo de coorte com 249 indivíduos (critérios: CAS basal < 64 e ≥2 avaliações) em três programas terapêuticos (AMS, 2M e 3M) para medir a sensibilidade das métricas à intervenção.

3. Contribuições Principais

1. Fenótipo Digital Validado: Introdução do CAS e C:ERR como métricas quantitativas escaláveis para saúde mental, derivadas de um framework semântico rigoroso.
2. Prova de Conceito de KG Semântico: Demonstração de que a estrutura semântica de grafos derivados de tradições antigas (ioga) contém informação clinicamente relevante que melhora a predição de sintomas em grafos biomédicos modernos.
3. Framework Híbrido: Uma abordagem que não substitui, mas complementa escalas tradicionais, integrando fatores de estilo de vida e fisiológicos diretamente na avaliação de saúde mental.
4. Metodologia de Validação Robusta: Uso de randomização de relações para provar que a performance do modelo não é um artefato estatístico, mas sim uma captura de relações causais ou correlacionais reais.

4. Resultados Chave

4.1. Desempenho do Modelo de KG

• O modelo SimplE otimizado atingiu Hits@1 = 97% e MRR = 0,98 no Ceekr-KG.
• O desempenho foi 6,9 vezes superior a grafos aleatórios (basal de ~14%), com uma performance corrigida por acaso de ~95%, confirmando a riqueza semântica do grafo.

4.2. Correlação e Predição de Sintomas

• Correlação: CAS e C:ERR apresentaram forte associação positiva (Spearman ρ = 0,787), mas distribuições distintas.
• Associação com Sintomas: O C:ERR mostrou correlações inversas mais fortes com a gravidade dos sintomas (ex: fadiga: ρ = -0,85 para C:ERR vs -0,70 para CAS).
• Modelo Combinado: A regressão ordinal mostrou que o modelo combinado (CAS + C:ERR) superou os modelos individuais para 71 dos 80 sintomas, indicando contribuições não redundantes.

4.3. Benchmarking com Escalas Clínicas

• A integração do Ceekr-KG ao CKG aumentou sistematicamente os escores de predição para HAM-A, GAD-7 e HAM-D, indicando que o framework Ceekr adiciona informação clínica relevante ausente nas bases de dados públicas atuais.

4.4. Análise Longitudinal e Intervenção

• Em uma coorte de 249 participantes, houve um aumento médio significativo no CAS de +11,45 pontos (p < 0,001) após os programas terapêuticos.
• Migração de Bandas: Observou-se uma migração substancial de bandas de risco ("Muito Pobre", "Pobre") para bandas funcionais superiores ("Muito Bom", "Melhor"). O programa de 12 semanas (3M) eliminou completamente as categorias de risco severo.
• Validação do Usuário: 2.029 participantes forneceram feedback, com uma distribuição não aleatória (p < 0,001) mostrando alta concordância (75-90%) com as interpretações do sistema.

5. Significância e Implicações

• Escalabilidade: O framework permite monitoramento contínuo e em larga escala, superando as limitações de tempo e custo das avaliações clínicas tradicionais.
• Integração de Sabedorias: Demonstra como tradições contemplativas antigas podem ser formalizadas computacionalmente para gerar insights clínicos validados empiricamente.
• Precisão em Saúde Mental: Ao capturar a interdependência entre cognição, emoção e estilo de vida, o sistema oferece uma visão mais holística e precisa do fenótipo mental do paciente.
• Futuro da Pesquisa: Estabelece um paradigma para o uso de Grafos de Conhecimento como camada de tradução entre dados fenomenológicos (relatos do paciente) e dados biomédicos moleculares, permitindo intervenções mais personalizadas e baseadas em evidências.

O estudo conclui que o Ceekr-KG é um fenótipo digital validado, robusto e escalável, capaz de capturar melhorias clínicas significativas e integrar-se eficazmente ao ecossistema de saúde digital existente.