Acceptability and implementation feasibility of a mobile application powered by generative artificial intelligence for mental health screening and referral in Uganda

Resumo Técnico: Aceitabilidade e Viabilidade de Implementação de um Aplicativo Móvel de IA Generativa para Saúde Mental em Uganda

Declaração do Problema

Uganda enfrenta uma crise crítica de saúde mental, com um número estimado de 14 milhões de pessoas afetadas por transtornos de depressão e ansiedade. Este fardo é exacerbado pela severa escassez de especialistas (aproximadamente um psiquiatra por milhão de pessoas), financiamento limitado (1% do orçamento nacional de saúde) e o estigma generalizado. Embora ferramentas de saúde digital e intervenções baseadas em IA mostrem promessa globalmente, há uma falta de evidências sobre sua aceitabilidade e viabilidade de implementação em contextos africanos de baixa renda. As ferramentas de IA para saúde mental existentes são predominantemente desenvolvidas para populações ocidentais de alta renda e que falam inglês, o que levanta preocupações sobre adequação cultural, viés algorítmico e desempenho em línguas locais. Além disso, restrições infraestruturais, como internet não confiável, altos custos de dados e propriedade limitada de smartphones, ameaçam o acesso equitativo.

Metodologia

Este estudo empregou um design de prova de conceito de métodos mistos conduzido entre janeiro e maio de 2026, em Kampala, Uganda.

• Participantes: Uma amostra por conveniência de 50 participantes foi recrutada, consistindo em 25 membros do público em geral e 25 profissionais de saúde (incluindo psiquiatras, oficiais clínicos psiquiátricos, enfermeiros e médicos generalistas).
• Intervenção: O estudo avaliou um aplicativo móvel baseado em IA generativa projetado para triagem de saúde mental, autocuidado e encaminhamento.
  • Arquitetura Técnica: O aplicativo utiliza um Modelo de Linguagem Grande (LLM) integrado com ferramentas de triagem validadas: o Questionário de Saúde do Paciente (PHQ-4, PHQ-9) e a escala de Transtorno de Ansiedade Generalizada (GAD-7).
  • Mecanismo de IA: Diferente dos chatbots tradicionais baseados em regras, o sistema utiliza um sistema de conhecimento baseado em documentos. Ele recupera e interpreta informações de protocolos pré-alimentados (diretrizes PHQ/GAD) para gerar respostas dinâmicas, sensíveis ao contexto e em linguagem natural. Embora o sistema seja projetado para construir respostas com base em um conjunto curado de arquivos, em vez de depender da internet para gerar o texto em si, a aplicação ainda requer conectividade com a internet para transmissão de dados e interação, uma dependência explicitamente identificada como um principal barreira de implementação.
  • Recursos de Segurança: A aplicação inclui lógica de encaminhamento automático para sintomas graves, incluindo uma função de discagem automática para instalações de saúde próximas em casos de suicidalidade. Não é explicitamente uma ferramenta de diagnóstico ou prescrição.
  • Segurança: Os dados são protegidos via TLS 1.2+ e criptografia AES-256 em repouso. A identificação do usuário é minimizada, utilizando números de celular como identificadores únicos com registro de nome opcional.
• Coleta de Dados: O estudo utilizou uma avaliação pré e pós-implementação.
  • Quantitativa: Pesquisas de linha de base e de encerramento mediram percepções, aceitabilidade e padrões de uso.
  • Qualitativa: Foram realizadas Entrevistas com Informantes-Chave (KIIs) e feedbacks abertos para explorar experiências dos usuários e barreiras.
• Estruturas Analíticas:
  • Aceitabilidade: Avaliada usando o Modelo de Aceitação de Tecnologia (TAM), focando em Utilidade Percebida (UP) e Facilidade de Uso Percebida (FUP).
  • Viabilidade: Avaliada usando a estrutura de viabilidade de Bowen, cobrindo cinco domínios: demanda, implementação, praticidade, integração e expansão.

Principais Resultados

O estudo demonstrou alta aceitabilidade e viabilidade, embora barreiras infraestruturais significativas permaneçam.

1. Aceitabilidade (Achados do TAM):

• Utilidade Percebida: Após a implementação, 95,6% dos participantes do público em geral consideraram a informação relevante para suas necessidades, e 90,9% afirmaram que recomendariam o aplicativo. Profissionais de saúde (HCWs) viram a ferramenta como um valioso mecanismo de suporte à decisão que reduz a carga de trabalho e melhora a precisão diagnóstica para não especialistas.
• Facilidade de Uso Percebida: 90,9% concordaram que os recursos eram fáceis de usar, e 77,3% conseguiram usar o app sem assistência de terceiros. No entanto, falhas técnicas (perguntas repetitivas) e barreiras linguísticas (interface apenas em inglês) foram apontadas como pontos de fricção.

2. Viabilidade (Achados da Estrutura de Bowen):

• Demanda: Houve uma demanda latente substancial; 100% dos participantes da linha de base expressaram disposição para usar o app. Após a implementação, 56,7% do público em geral usou o app para triagem ou autocuidado dentro de um mês.
• Implementação: As principais barreiras identificadas foram a dependência de internet, altos custos de dados móveis e falta de funcionalidade multilíngue. 40% dos participantes do encerramento citaram os custos de dados como um grande obstáculo.
• Praticidade: O app foi considerado prático para ambientes clínicos e comunitários, com 45,45% dos usuários completando uma sessão de triagem em 5 a 10 minutos.
• Integração: 96% dos participantes na linha de base preferiam que o app fosse vinculado a instalações de saúde. No encerramento, 36,4% dos usuários realizaram o acompanhamento de um encaminhamento recomendado pelo app.
• Expansão: 100% dos participantes estavam dispostos a recomendar o app a outros. No entanto, 76% dos participantes da linha de base indicaram que a funcionalidade bilíngue (Inglês + línguas locais) é essencial para um alcance mais amplo.

Principais Contribuições

• Validação Contextual: Este é o primeiro estudo a avaliar uma ferramenta de saúde mental baseada em IA generativa especificamente no contexto de Uganda, fornecendo evidências de que tais tecnologias podem ser aceitáveis e viáveis em ambientes de baixa renda.
• Aplicação de IA Generativa: O estudo demonstra a utilidade de LLMs na entrega de triagem de saúde mental estruturada e baseada em protocolos (PHQ/GAD) com a flexibilidade de conversação em linguagem natural, indo além dos chatbots rígidos de árvore de decisão.
• Suporte ao Compartilhamento de Tarefas: Os achados sugerem que a ferramenta pode apoiar efetivamente o compartilhamento de tarefas, capacitando provedores não especialistas e o público geral para realizar triagens iniciais e autocuidado, potencialmente aliviando a carga sobre os escassos recursos especializados.
• Insights de Implementação: A pesquisa identifica barreiras específicas e acionáveis para a escala em África subsariana, a saber, a necessidade de capacidades offline, acesso a dados com tarifa zero e localização para línguas locais.

Significância e Alegações

O artigo alega que um aplicativo móvel baseado em IA generativa é uma solução viável e altamente aceitável para triagem, autocuidado e encaminhamento de saúde mental em Uganda. Os autores afirmam que o aplicativo mostra promessa para:

• Reduzir o Estigma: Ao oferecer anonimato e privacidade, a ferramenta incentiva a revelação entre indivíduos relutantes em buscar cuidado presencial.
• Melhorar o Acesso: Aborda barreiras estruturais como custos de viagem, tempos de espera e escassez de especialistas.
• Fortalecer o Cuidado por Não Especialistas: Serve como um recurso de capacitação para profissionais de saúde, fornecendo orientação estruturada e reduzindo a carga cognitiva.

No entanto, os autores mantêm uma postura modesta quanto à escalabilidade. Eles concluem que, embora a prova de conceito seja bem-sucedida, o sucesso da escala está condicionado ao enfrentamento de barreiras estruturais relacionadas à conectividade de internet, custos de dados, acessibilidade linguística e propriedade de smartphones. O artigo afirma explicitamente que estudos maiores são necessários para avaliar a eficácia a longo prazo, a relação custo-benefício e a integração do app em sistemas de saúde rotineiros antes de uma implementação nacional ampla.