Prediction of Mental Health Disorders: From Markers to Models in Artificial Intelligence

A mente humana é uma paisagem vasta e intrincada e, durante séculos, a compreensão de suas tempestades — depressão, ansiedade e o peso esmagador do estresse — dependeu fortemente da conversa. Um médico ouve um paciente descrever seus sentimentos, observa seu comportamento e aplica diretrizes estabelecidas para fazer um diagnóstico. Este método é profundamente humano, mas possui limites. Ele depende da capacidade de uma pessoa de articular uma dor que muitas vezes é difícil de nomear, e trata a mente como um estado binário: ou uma pessoa está doente ou não está. Nos últimos anos, uma nova ferramenta entrou neste campo, uma que não depende apenas de palavras, mas da linguagem elétrica e silenciosa do próprio corpo. Este é o reino da inteligência artificial, onde computadores são ensidos a encontrar padrões em dados que são sutis demais para o olho humano ver. Ao observar o ritmo de um batimento cardíaco, a atividade elétrica do cérebro ou até mesmo a maneira como uma pessoa dorme, pesquisadores estão começando a verificar se as máquinas podem detectar os sinais precoces de angústia mental antes que ocorra uma crise.

Uma equipe de pesquisadores da Universidade Amity, na Índia, partiu para mapear este território emergente. Eles queriam saber se os computadores poderiam prever essas condições comuns de saúde mental de forma mais confiável do que os métodos tradicionais atualmente em uso. Para fazer isso, eles não realizaram um único experimento em laboratório. Em vez disso, realizaram uma revisão massiva do mundo científico, reunindo e analisando 185 estudos diferentes publicados ao longo da última década. Esses estudos utilizaram uma grande variedade de dados, desde exames cerebrais e monitores cardíacos até questionários e gravações de vídeo. Os pesquisadores observaram como diferentes programas de computador, variando de algoritmos mais antigos e simples a sistemas de aprendizado profundo mais novos e complexos, se saíram ao serem solicitados a identificar sinais de depressão, ansiedade ou estresse. O objetivo deles era descobrir qual abordagem funcionava melhor e entender quais sinais biológicos os computadores estavam realmente utilizando para tomar suas decisões.

Os pesquisadores primeiro organizaram as pistas biológicas que sinalizam o sofrimento mental em quatro grupos distintos. Eles examinaram marcadores eletrofisiológicos, que são os padrões elétricos do cérebro capturados por sensores no couro cabeludo. Eles examinaram marcadores fisiológicos, como mudanças na frequência cardíaca, pressão arterial e a forma como a pele conduz eletricidade quando uma pessoa está emocionada. Eles também consideraram marcadores imunológicos, que são sinais de inflamação no corpo, e marcadores psicológicos, como a qualidade e a duração do sono de uma pessoa. Ao classificar esses sinais, a equipe pôde ver quais deles apareciam com mais frequência em pessoas sofrendo de condições específicas. Por exemplo, descobriram que certas irregularidades nas ondas cerebrais e níveis elevados de proteínas inflamatórias específicas estavam frequentemente ligados à depressão, enquanto mudanças na variabilidade da frequência cardíaca eram comuns na ansiedade e no estresse.

Depois de organizarem os dados biológicos, a equipe comparou o desempenho dos modelos computacionais. Eles testaram quatro tipos principais de algoritmos. O primeiro grupo incluiu ferramentas tradicionais de aprendizado de máquina, como Máquinas de Vetores de Suporte, que atuam como um classificador sofisticado tentando traçar uma linha entre pontos de dados saudáveis e doentes, e Florestas Aleatórias (Random Forests), que constroem muitas pequenas árvores de decisão para chegar a uma conclusão. Eles também testaram K-Vizinhos Mais Próximos (K-Nearest Neighbors), um método que adivinha uma condição com base em quão semelhante um novo caso é em relação a casos passados. O segundo grupo consistiu em modelos de aprendizado profundo (deep learning), que são sistemas avançados projetados para imitar as camadas do céreão humano. Esses sistemas podem processar dados brutos diretamente, aprendendo padrões complexos sem a necessidade de humanos apontarem manualmente cada característica primeiro.

Os resultados dessa comparação foram claros e consistentes. Os modelos de aprendizado profundo provaram ser as ferramentas mais precisas e confiáveis para prever transtornos de saúde mental. Quando testados para depressão, esses modelos avançados alcançaram uma precisão média de 96,04 por cento. Para ansiedade, atingiram 92,31 por cento e, para o estresse, chegaram a 94,14 por cento. Mais importante ainda, esses modelos eram estáveis; seus resultados não oscilavam drasticamente de um estudo para outro, sugerindo que poderiam lidar com os dados desordenados do mundo real que os pacientes realmente fornecem. Em contraste, os modelos tradicionais de aprendizado de máquina, embora ainda úteis, mostraram mais variabilidade. As Florestas Aleatórias tiveram um bom desempenho, particularmente para ansiedade e depressão, mas o método mais simples de K-Vizinhos Mais Próximos teve mais dificuldade, especialmente ao tentar detectar o estresse, produzindo frequentemente resultados inconsistentes. O estudo sugere que a capacidade do aprendizado profundo de encontrar conexões ocultas e complexas nos dados lhe confere uma vantagem significativa sobre os métodos mais antigos.

No entanto, os pesquisadores foram cuidadosos ao apontar que esta tecnologia ainda não é um produto acabado pronto para todos os consultórios médicos. Um grande obstáculo é o próprio dado. Muitos dos estudos que revisaram basearam-se em pequenos grupos de pessoas, frequentemente estudantes ou funcionários de hospitais, o que significa que os modelos computacionais podem não funcionar tão bem para adultos mais velhos, crianças ou pessoas de diferentes contextos culturais. Há também uma falta de dados de longo prazo; a maioria dos estudos observou um momento único no tempo, em vez de rastrear como a saúde mental de uma pessoa muda ao longo de meses ou anos. Além disso, os pesquisadores enfatizaram que essas ferramentas não devem substituir os médicos humanos. Em vez disso, devem atuar como um sistema de suporte, uma forma de captar sinais de alerta precoces que um humano poderia perder.

O caminho a seguir envolve abordar essas lacunas. A equipe sugere que o trabalho futuro deve incluir grupos de pessoas mais diversos e focar no monitoramento contínuo usando dispositivos vestíveis, como smartwatches, que podem rastrear a frequência cardíaca e o sono dia e noite. Eles também destacaram a necessidade de regras éticas rigorosas para proteger os dados sensíveis que esses sistemas coletam. Embora a tecnologia mostre grande promessa para criar planos de tratamento personalizados e reduzir o estigma da doença mental ao tornar o diagnóstico mais objetivo, ela requer um manuseio cuidadoso. O estudo conclui que, embora a inteligência artificial tenha mostrado que pode ver padrões na mente humana que eram anteriormente invisíveis, o verdadeiro valor virá de usar esses insights para ajudar as pessoas de uma forma que seja segura, justa e profundamente humana.