Vocal acoustic parameters as objective biomarkers of major depressive disorder and its severity: a case-control study using WhatsApp audio messages

Resumo Técnico: Parâmetros Acústicos Vocais como Biomarcadores Objetivos do Transtorno Depressivo Maior

Problema
O Transtorno Depressivo Maior (TDM) carece atualmente de biomarcadores validados e objetivos para a prática clínica rotineira, dependendo, em vez disso, de avaliações clínicas subjetivas e escalas psicométas suscetíveis ao viés de memória e ao estigma social. Embora a voz humana seja reconhecida como um sinal moldado por sistemas neuromotores e psicomotores perturbados na depressão, as pesquisas existentes frequentemente dependem de modelos de classificação de aprendizado de máquina que otimizam a discriminação sem elucidar os drivers acústicos específicos do efeito ou sua correlação com a gravidade dos sintomas. Além disso, muitos estudos utilizam ambientes controlados de laboratório, o que limita a validade ecológica, ou não consideram a estrutura hierárquica dos dados quando múltiplas gravações são obtidas do mesmo indivíduo.

Metodologia
Este estudo transversal caso-controle investigou se parâmetros acústicos extraídos de mensagens de áudio naturais do WhatsApp poderiam distinguir adultos com TDM de controles saudáveis e correlacionar-se com a gravidade avaliada por clínicos.

• Participantes: 72 adultos (31 com TDM, 41 controles) recrutados da Santa Casa de São Paulo. O grupo TDM preencheu os critérios do DSM-5 para um episódio depressivo maior atual, confirmado via Entrevista Diagnóstica Internacional Mini (MINI). A gravidade foi quantificada pela Escala de Avaliação de Depressão de Montgomery-Åsberg (MADRS).
• Aquisição de Dados: Os participantes gravaram duas tarefas em seus smartphones pessoais em ambientes naturais:
  1. Contagem Estruturada: Contar de 1 a 10 em um ritmo de um segundo.
  2. Narrativa Espontânea: Descrever a semana anterior.
• Extração de Características: Dois pipelines independentes foram empregados:
  • Praat (v6.3): Extraiu parâmetros de fonação clinicamente estabelecidos, incluindo Frequência Fundamental (F0), Formante 1 (F1), Shimmer, Jitter e Razão Harmônico-Ruído (HNR).
  • PyAudioAnalysis: Extraiu 34 características de base por quadro (incluindo MFCCs, entropia espectral, taxa de cruzamento zero, energia e coeficientes chroma) e suas derivadas de primeira ordem, resultando em 536 características candidatas por participante por tarefa.
• Análise Estatística: As comparações de grupo utilizaram Equações de Estimativas Generalizadas (GEE) com uma estrutura de correlação intercambiável para considerar as correlações intra-participante entre múltiplas gravações. Idade e sexo foram incluídos como covariáveis. A significância estatística foi avaliada pela correção de Taxa de Falsa Descoberta (FDR) de Benjamini-Hochberg ($q < 0,05$). Associações dimensionais com a gravidade da MADRS foram avaliadas por meio de correlações de Spearman e Pearson dentro do grupo TDM.

Principais Resultados
O estudo identificou biomarcadores vocais estatisticamente robustos que distinguem o TDM dos controles e correlacionam-se com a gravidade:

• Diferenciação de Grupo (TDM vs. Controles):
  • Formante 1 (F1): Substancialmente reduzida no TDM em ambas as tarefas e em todas as estatísticas de distribuição. O efeito foi maior na tarefa narrativa (Cohen's $d = -1,03$, $q < 0,001$).
  • Shimmer e Jitter: Marcantemente elevados no TDM, mas exclusivamente durante a tarefa de narrativa espontânea (Shimmer APQ3: $d = +1,14$, $q < 0,001$). Essas características não sobreviveram à correção na tarefa de contagem.
  • Complexidade Espectral: A entropia espectral, o rolloff espectral e a Taxa de Cruzamento Zero (ZCR) foram significativamente reduzidos no TDM durante a tarefa narrativa (ex: média da Entropia Espectral: $d = -1,19$, $q < 0,001$).
  • Sensibilidade da Tarefa: A tarefa de narrativa espontânea rendeu 62 características significativas (PyAudioAnalysis), comparadas a 25 na tarefa de contagem, indicando que a fala não roteirizada elicia uma diferenciação acústica mais rica.
• Correlações de Gravidade (Pontuações MADRS):
  • Máximo de Chroma-11: Apresentou a correlação positiva mais forte com a gravidade da MADRS ($r = +0,73$, $q < 0,001$).
  • IQR de Entropia de Energia: Correlacionou-se fortemente de forma positiva com a gravidade ($r = +0,67$, $q < 0,001$).
  • Shimmer: Mostrou uma correlação negativa com a gravidade (ex: Shimmer local: $r = -0,64$), sugerindo que os indivíduos mais severamente deprimidos podem produzir vocalizações mais estereotipadas e menos perturbadas em comparação aos indivíduos moderadamente deprimidos.
  • MFCC-7: Múltiplas estatísticas mostraram correlações negativas consistentes com a gravidade.

Significância e Alegações
Os autores posicionam este estudo como uma ponte entre o aprendizado de máquina de classificação e a interpretabilidade clínica. Ao aplicar estatística inferencial rigorosa (GEE) em vez de classificação de "caixa preta", o estudo identifica dimensões acústicas específicas responsáveis pela separação de grupos e as rastreia ao longo de um continuum de gravidade.

• Validade Ecológica: Os achados demonstram que biomarcadores robustos podem ser detectados em gravações naturalísticas capturadas em smartphones pessoais sem cabines acústicas, apoiando a viabilidade de triagens escaláveis e não invasivas.
• Design de Tarefa: O estudo alega que as tarefas de narrativa espontânea são superiores à contagem estruturada para detectar assinaturas vocais depressivas, pois permitem a expressão total das alterações psicomotoras sem o suporte de um template lexical fixo.
• Candidatos a Biomarcadores: O artigo identifica a redução da Formante 1, o aumento do Shimmer (na fala espontânea), a redução da Entropia Espectral e alterações na dinâmica de MFCC como uma assinatura vocal multidimensional da depressão.
• Novidade: O estudo fornece a primeira caracterização inferencial do máximo de Chroma-11 e do IQR de Entropia de Energia como correlatos da gravidade da depressão, indo além da simples classificação de grupo para a análise dimensional.

Os autores concluem que, embora esses achados sejam estatisticamente robustos, eles requerem validação longitudinal para determinar se esses biomarcadores acompanham a resposta ao tratamento e predizem a recaída, e alertam que a forte correlação entre o Chroma-11 e a gravidade exige replicação independente e investigação mecanística antes da aplicação clínica.