Development of a natural language processing application to extract and categorize mentions of violence from mental healthcare records text

Este estudo desenvolveu e validou um modelo de processamento de linguagem natural baseado em BERT para extrair e categorizar automaticamente diversos tipos de violência e seus contextos a partir de registros eletrônicos de saúde mental, alcançando alto desempenho na maioria das categorias, exceto na identificação temporal de eventos passados.

O essencial

Imagine que os prontuários médicos de pacientes de saúde mental são como livros de diários gigantes e cheios de segredos. Nesses livros, os médicos escrevem tudo o que acontece com o paciente: seus medos, suas dores e, infelizmente, também relatos sobre violência que eles sofreram ou viram.

O problema é que esses relatos sobre violência estão "escondidos" no meio de textos longos e confusos, escritos à mão ou digitados livremente. Ninguém consegue ler milhões desses livros à mão para encontrar quem sofreu violência, quando e como. É como tentar achar uma agulha em um palheiro, só que o palheiro é um oceano de palavras.

A Missão: O Detetive de Palavras (IA)

Os pesquisadores da King's College London, em Londres, decidiram criar um detetive digital (um programa de computador inteligente, chamado de NLP ou Processamento de Linguagem Natural) para fazer esse trabalho chato por nós.

Eles queriam que esse detetive fosse muito esperto. Não bastava apenas dizer "aqui tem violência". Eles queriam que o detetive respondesse a perguntas como:

• Que tipo de violência foi? (Física, sexual, emocional ou financeira?)
• Quem foi o protagonista? (O paciente foi a vítima, o agressor ou apenas um espectador?)
• Onde aconteceu? (Em casa, com a família, ou em outro lugar?)
• Quando aconteceu? (Foi ontem ou foi há 10 anos?)
• É real ou apenas uma ameaça? (Aconteceu de verdade ou foi só uma ameaça?)

Como eles treinaram o Detetive?

Para ensinar esse computador a ser um bom detetive, os pesquisadores precisaram de um "treinamento intensivo".

1. A Caça ao Tesouro: Eles vasculharam milhões de registros e pegaram trechos de texto que continham palavras-chave como "briga", "golpe", "medo", "dinheiro", "coerção".
2. O Treinamento Humano: Eles pegaram 6.500 desses trechos e pediram para dois especialistas humanos (os "mestres do treinamento") lerem cada um e anotarem tudo o que o computador precisava aprender. Eles criaram um "manual de instruções" muito detalhado para garantir que todos estivessem na mesma página.
3. A Lição de Casa: Com esses exemplos anotados, eles "alimentaram" o computador. O computador leu 90% dos exemplos para aprender os padrões e depois foi testado nos 10% restantes, que ele nunca tinha visto antes (como uma prova final).

O Resultado: Um Detetive Muito Bom (mas com uma fraqueza)

O resultado foi impressionante! O computador aprendeu muito bem a identificar:

• Violência Emocional e Financeira: Conseguia detectar quando alguém estava sendo humilhado ou controlado financeiramente com uma precisão de quase 90%.
• Papéis: Entendeu muito bem quem era a vítima e quem era o agressor.
• Acontecimentos Reais: Foi excelente em distinguir quando a violência realmente aconteceu versus quando era apenas uma ameaça.

Onde ele tropeçou?
O computador teve dificuldade em entender o tempo. Diferente de um filme, os médicos muitas vezes escrevem no passado ("ele foi agredido") ou de forma vaga ("ele teve problemas no passado"). Para o computador, foi difícil saber se aquilo aconteceu ontem ou há dez anos. Foi como tentar adivinhar a idade exata de alguém apenas olhando para uma foto antiga sem data.

Por que isso é importante?

Antes, os pesquisadores tinham que ler esses textos manualmente, o que era lento e difícil de fazer em grande escala. Agora, com essa ferramenta, eles podem "ler" milhões de prontuários em segundos.

Isso é como ganhar um superpoder para a pesquisa médica. Agora, os cientistas podem descobrir padrões que antes eram invisíveis. Eles podem responder perguntas como: "Pessoas que sofreram violência financeira têm mais risco de depressão?" ou "A violência doméstica afeta o tratamento de ansiedade de forma diferente dependendo da idade?".

Resumo da Ópera

Essa pesquisa criou um robô leitor de histórias que consegue entender a complexidade da violência nos registros médicos. Ele não substitui o médico, mas funciona como um filtro inteligente que organiza o caos de informações, permitindo que a ciência entenda melhor a relação entre violência e saúde mental, para que no futuro possamos ajudar as pessoas de forma mais eficaz.

É como se, pela primeira vez, conseguíssemos ouvir a "voz" de milhões de pacientes que antes estava perdida em meio a milhões de páginas de texto.

Resumo técnico

Título: Desenvolvimento de uma aplicação de Processamento de Linguagem Natural (PLN) para extrair e categorizar menções de violência em registros de saúde mental.

1. Problema e Motivação

Experiências de violência são frequentes em usuários de serviços de saúde mental e estão intrinsecamente ligadas a transtornos psiquiátricos (como PTSD, depressão e ansiedade) e, por vezes, à perpetração de violência. Embora os Registros Eletrônicos de Saúde (EHR) sejam uma fonte rica de dados, as ocorrências de violência raramente são registradas como dados estruturados; elas aparecem predominantemente em narrativas de texto livre.
A lacuna de pesquisa identificada é a falta de ferramentas robustas de PLN capazes de extrair não apenas a presença de violência, mas também suas nuances complexas (tipo, papel do paciente, contexto, temporalidade e polaridade) diretamente de registros clínicos de saúde mental. Estudos anteriores focaram em classificações binárias simples ou em dados de polícia, ignorando as interdependências entre os rótulos e a complexidade do contexto clínico.

2. Metodologia

• Fonte de Dados: Os dados foram extraídos da plataforma CRIS (Clinical Record Interactive Search) do South London and Maudsley NHS Foundation Trust, que contém registros de mais de 500.000 pacientes.
• Coleta de Dados:
  • Foram utilizadas duas etapas de busca por palavras-chave e fragmentos de palavras.
  • Etapa 1: Focada em violência geral, sexual e física (ex: "abus", "assault", "hit").
  • Etapa 2: Focada em abuso emocional e financeiro (ex: "coerciv", "gaslight", "financial abus").
  • Total inicial: 6.685 instâncias de texto (segmentos de 400 caracteres centrados na palavra-chave).
• Anotação e Rotulagem:
  • Dois avaliadores independentes anotaram manualmente as instâncias após treinamento rigoroso.
  • Esquema de Anotação Multirrótulo: As instâncias foram classificadas em várias dimensões:
    • Tipos de Violência: Emocional, Financeira, Física (não sexual), Sexual, Não especificada e Irrelevante.
    • Papel do Paciente: Vítima, Perpetrador, Testemunha, Incerto ou combinações.
    • Polaridade: Afirmada, Abstrata (hipotética/risco) ou Negada.
    • Presença: Atual, Ameaça ou Incerto.
    • Temporalidade: Passada (>1 ano) ou Não-passada.
    • Contexto: Doméstico, Não doméstico ou Incerto.
  • Consenso: 700 instâncias foram duplamente anotadas para calcular a concordância (Kappa de Cohen entre 0,78 e 0,84). Discrepâncias foram resolvidas por consenso. Um total de 6.500 instâncias foi utilizado para o desenvolvimento do modelo.
• Modelo de IA:
  • Foi utilizado um modelo BERT pré-treinado, adaptado para Classificação de Sequência Multirrótulo.
  • Divisão dos Dados: 90% (5.849 instâncias) para treinamento e validação (com validação cruzada de 5 dobras), e 10% (651 instâncias) mantidos como teste cego (blind test).
  • Balanceamento: Os dados foram balanceados por etnia, gênero e idade para evitar viés.

3. Resultados Principais

O modelo demonstrou alto desempenho na maioria das categorias no conjunto de teste cego, medido pelo escore F1:

• Tipos de Violência:
  • Emocional: F1 = 0,89
  • Financeira: F1 = 0,88
  • Física (não sexual): F1 = 0,84
  • Não especificada: F1 = 0,81
  • Desafio: Violência Sexual teve desempenho moderado (F1 = 0,67), devido principalmente à baixa sensibilidade (recall).
• Papel do Paciente:
  • Perpetrador: F1 = 0,89
  • Vítima: F1 = 0,84
  • Desafio: Detecção de "Testemunha" e papéis combinados foi insatisfatória devido à escassez de exemplos no conjunto de dados.
• Outras Características:
  • Presença (Violência Real): Excelente desempenho (F1 = 0,95).
  • Polaridade (Afirmada): Alto desempenho (F1 = 0,89).
  • Contexto Doméstico: Bom desempenho (F1 = 0,88).
  • Temporalidade: Este foi o ponto mais fraco do modelo (F1 = 0,65 para violência passada), devido à ambiguidade no texto clínico e ao uso quase universal do passado pelos clínicos.

4. Contribuições Chave

1. Expansão do Escopo: Diferente de trabalhos anteriores focados apenas em violência física/sexual, este estudo inclui e modela com sucesso o abuso emocional e financeiro, que são frequentemente negligenciados em registros estruturados.
2. Abordagem Multirrótulo: O uso de um classificador multirrótulo permite capturar as dependências e correlações entre os rótulos (ex: distinguir se o paciente é vítima ou perpetrador, e se o contexto é doméstico), superando as limitações de modelos de classificação binária isolada.
3. Granularidade Clínica: O modelo extrai não apenas a existência de violência, mas características críticas para a pesquisa clínica, como a polaridade (se é uma afirmação real ou um risco hipotético) e o papel do paciente.
4. Aplicabilidade em Grandes Bases de Dados: A ferramenta foi desenvolvida para ser escalável em grandes repositórios de EHR, permitindo estudos epidemiológicos em larga escala sobre a relação entre violência e saúde mental.

5. Significado e Conclusão

Este estudo representa um avanço significativo na mineração de dados de saúde mental. Ao transformar narrativas não estruturadas em dados estruturados sobre violência, a ferramenta permite:

• Pesquisa: Investigar associações entre diferentes formas de violência e o curso de transtornos mentais em grandes coortes.
• Vigilância: Melhorar a detecção de casos de violência em sistemas de saúde.
• Prática Clínica: Potencialmente incentivar uma documentação mais detalhada por parte dos clínicos.

Limitações: O modelo ainda enfrenta desafios na detecção de violência testemunhada (devido à baixa frequência nos dados) e na determinação precisa da temporalidade. Além disso, o modelo anota a menção da violência sem inferir a "veracidade" clínica (ex: não distingue entre uma experiência real e uma alucinação/delírio, a menos que o texto especifique explicitamente a origem da crença).

Em suma, a aplicação desenvolvida oferece uma nova capacidade robusta para a pesquisa e vigilância de violência em registros de saúde mental, preenchendo uma lacuna crítica na literatura atual.