From Health Checkups to Mental Health Referrals: Developing an AI-Based Depression Screening Model Using Routine Data in Older Adults Living Alone

Resumo Técnico: Desenvolvimento de um Modelo de Rastreamento de Depressão Baseado em IA Utilizando Dados Rotineiros em Idosos que Vivem Sozinhos

Definição do Problema
Idosos que vivem sozinhos enfrentam um risco elevado de depressão devido ao isolamento social, declínio físico e dificuldades econômicas. No entanto, essa população permanece amplamente não diagnosticada devido à consciência limitada dos sintomas, estigma social e sistemas de encaminhamento insuficientes. Na Coreia do Sul, apenas 65% dos pacientes com depressão buscam cuidados de saúde mental de forma independente. Além disso, sintomas somáticos frequentemente mascaram a depressão subjacente, levando à atribuição errônea a doenças físicas. Embora a fenotipagem digital usando dispositivos vestíveis (wearables) seja promissora, ela depende de sinais biométricos não rotineiros e carece de integração com os fluxos de trabalho clínicos padrão. Consequentemente, há uma necessidade crítica de um mecanismo de rastreamento que utilize dados já coletados durante check-ups de saúde geral de rotina para permitir que médicos de cuidados primários identifiquem proativamente indivíduos em risco sem exigir uma avaliação psiquiátrica imediata.

Metodologia
Este estudo empregou um design retrospectivo transversal utilizando o conjunto de dados de Idosos que Vivem Sozinhos (LAOA) ($n=1.087$), coletado a partir do programa de Cuidados Intensivos Gerenciados para Idosos que Vivem Sozinhos (IMCELA) em Cheonan, Coreia do Sul. O conjunto de dados incluiu participantes com 65 anos ou mais que viviam sozinhos e possuíam suporte de cuidados limitados.

• Variável Alvo: O estado de depressão foi definido utilizando a versão curta da Escala de Depressão Geriátrica (SGDS), onde uma pontuação >10 indicava alto risco.
• Engenharia de Atributos (Feature Engineering): O estudo desenvolveu a estrutura DEPACS (Predição de Depressão baseada em Sinais Antropométricos e Clínicos), incorporando 40 atributos em sete domínios:
  1. Status socioeconômico (gênero, idade, status do NHI, educação, estado civil).
  2. Sinais vitais (frequência cardíaca, frequência respiratória).
  3. Medidas antropométricas (circunferência da cabeça, pescoço e cintura).
  4. Função física (audição, visão, olfato, paladar, marcha e desempenho de equilíbrio).
  5. Comportamentos de saúde (frequência de refeições, duração do exercício, consumo de álcool, exposição ao fumo).
  6. Doenças crônicas (12 condições específicas e a Escala de Classificação de Doenças Cumulativas).
  7. Qualidade do sono (sete subcomponentes do Índice de Qualidade do Sono de Pittsburgh).
• Desenvolvimento do Modelo: O conjunto de dados foi dividido em 80:20 entre conjuntos de treinamento e teste. Cinco algoritmos de aprendizado de máquina foram avaliados: Support Vector Machine (SVM), Random Forest (RF), Gradient Boosting, XGBoost e K-Nearest Neighbors (KNN). A otimização de hiperparâmetros foi realizada via busca em grade (grid search) com validação cruzada de 5 dobras (5-fold cross-validation).
• Benchmarking: Um modelo de controle utilizando exclusivamente itens do PHQ-9 foi desenvolvido para estabelecer um teto de desempenho.
• Métricas de Avaliação: Os modelos foram avaliados por meio de sensibilidade, especificidade, acurácia, F1 score, Brier score, Valor Preditivo Positivo (VPP), Área Sob a Curva de Precisão-Recall (AUPRC) e Área Sob a Curva ROC (AUROC).
• Interpretabilidade: A análise SHapley Additive exPlanations (SHAP) foi aplicada aos melhores modelos para identificar as contribuições dos atributos. Uma simulação de remoção de atributos foi conduzida para avaliar o impacto dos principais preditores no desempenho do modelo.

Principais Resultados

• Desempenho de Referência (Benchmark): O modelo exclusivo de PHQ-9 demonstrou excelente desempenho, com a maioria dos algoritmos alcançando escores de AUROC e AUPRC superiores a 0,96 (SVM, Gradient Boosting e XGBoost atingiram 0,99 de AUROC).
• Desempenho do Modelo DEPACS: O modelo DEPACS, utilizando apenas dados de check-ups de saúde de rotina, alcançou um desempenho preditivo de regular a aceitável. O algoritmo SVM apresentou os melhores resultados com um AUROC de 0,74 e um AUPRC de 0,73. Outros algoritmos (Random Forest, Gradient Boosting, XGBoost) alcançaram escores de AUROC entre 0,71 e 0,73.
• Importância dos Atributos (Análise SHAP):
  • No modelo PHQ-9, "humor deprimido" e "perda de interesse" foram os preditores dominantes.
  • No modelo DEPACS, o poder preditivo foi distribuído entre múltiplos domínios em vez de concentrado em um único atributo. Os principais preditores incluíram índices de qualidade do sono (qualidade subjetiva, latência, distúrbios), circunferência da cintura e da cabeça, função de equilíbrio, frequência cardíaca e frequência de refeições.
  • A análise descritiva confirmou que o grupo com depressão exibiu pior sono, menor frequência de refeições, comprometimento de equilíbrio, frequências cardíacas mais altas e maiores taxas de disfunção sensorial em comparação ao grupo sem depressão.
• Simulação de Remoção de Atributos: A remoção dos atributos classificados no topo do ranking SHAP, como frequência de refeições, disfunção diurna e escores de equilíbrio, diminuiu significativamente o AUROC, confirmando sua utilidade. Por outro lado, a remoção da circunferência da cabeça melhorou ligeiramente o AUROC, sugerindo que ela pode atuar como um atributo de ruído, apesar de seu alto ranking SHAP.

Significância e Alegações
O artigo afirma que a estrutura DEPACS oferece uma ferramenta prática e explicável para ambientes de cuidados primários para identificar o risco de depressão em idosos que vivem sozinhos, sem depender de avaliações específicas de saúde mental.

• Viabilidade: O estudo demonstra que a predição significativa é viável utilizando apenas dados clínicos padrão (sinais vitais, antropometria, função física e métricas de sono), contornando o estigma e as barreções associados ao rastreamento psiquiátrico direto.
• Utilidade Clínica: O modelo posiciona-se não como um substituto para o diagnóstico clínico, mas como um auxílio à decisão suplementar. Ele permite que médicos generalistas recomendem proativamente avaliações de saúde mental para indivíduos de alto risco que, de outra forma, evitariam tais procedimentos.
• Explicabilidade: O uso da análise SHAP valida que as previsões do modelo se alinham com a literatura médica estabelecida (por exemplo, a ligação entre distúrbios do sono, declínio da função física e depressão), fornecendo uma estrutura transparente para a adoção clínica.
• Limitações: Os autores reconhecem limitações relativas à natureza de centro único do conjunto de dados (Cheonan, Coreia do Sul), o que pode afetar a generalização. Eles também observam que, embora o modelo tenha um bom desempenho, seu AUROC (0,74) é inferior ao de ferramentas psiquiátricas especializadas, reforçando seu papel como um instrumento de rastreamento, e não de diagnóstico.

Conclusão
Esta pesquisa valida o potencial de integrar o aprendizado de máquina com dados de check-ups de saúde de rotina para reduzir a lacuna de tratamento da depressão em populações idosas vulneráveis. Ao alavancar os fluxos de trabalho clínicos existentes, o modelo DEPACS oferece um caminho para a detecção precoce e o encaminhamento, abordando a questão crítica do subdiagnóstico em idosos socialmente isolados.