Aplicabilidade de Machine Learning na Predição Precoce de Recaídas em Transtorno Bipolar
Revisão sistemática sobre o uso de modelos de aprendizado de máquina para prever recaídas em pacientes com transtorno bipolar, destacando multimodalidade e biomarcadores digitais.
Aplicabilidade de Modelos de Machine Learning na Predição Precoce de Recaídas em Transtorno Bipolar
Introdução
O Transtorno Bipolar (TB) é uma condição crônica marcada por episódios recorrentes de mania, hipomania e depressão. A imprevisibilidade do curso clínico torna difícil detectar precocemente recaídas. Nesse contexto, algoritmos de Machine Learning (ML) e Inteligência Artificial (IA) oferecem novas possibilidades para transformar o cuidado em saúde mental, permitindo monitoramento contínuo e predições personalizadas.
Objetivo
Avaliar a aplicabilidade e a precisão de modelos de ML na detecção precoce de recaídas em pacientes com TB, por meio de uma revisão sistemática de estudos recentes.
Metodologia
- Bases consultadas: Scopus, Web of Science, IEEE Xplore, ACM Digital Library, PubMed e BVS.
- Critérios de inclusão: estudos primários com dados clínicos, neuroimagem, biomarcadores digitais ou redes sociais.
- Amostra consolidada: 16.684 participantes e 105.000 postagens em redes sociais.
Resultados
- Modelos multimodais (dados clínicos + biomarcadores digitais + neuroimagem) tiveram desempenho superior (AUC-ROC 0.80–0.88).
- Biomarcadores digitais passivos (padrões de sono, actigrafia) identificaram transições críticas em média 13,5 dias antes da recaída clínica.
- Transformers (BERT, RoBERTa) aplicados a textos de redes sociais alcançaram 92–99% de precisão na discriminação de estados de humor.
- Limitações: amostras pequenas em alguns estudos, falta de validação externa e desbalanceamento de classes em desfechos graves (como tentativas de suicídio).
Discussão
- A fusão de dados multimodais captura melhor a complexidade do TB do que abordagens unimodais.
- Biomarcadores digitais e históricos clínicos são os preditores mais fortes para curto prazo.
- Neuroimagem contribui para riscos de longo prazo, mas é menos sensível para recaídas iminentes.
- Redes sociais oferecem uma fonte escalável de dados, com Transformers traduzindo alterações linguísticas em indicadores objetivos de humor.
Conclusão
Modelos de ML demonstram grande potencial como Sistemas de Alerta Precoce (EWS) para recaídas em TB.
Para aplicação clínica, é necessário:
Para aplicação clínica, é necessário:
- ampliar bases de dados abertas e diversas,
- investir em IA explicável (XAI) para aumentar a confiança médica,
- estabelecer diretrizes éticas e de privacidade.
Palavras-chave: Transtorno Bipolar, Machine Learning, Predição de Recaídas, Biomarcadores Digitais
Enjoyed reading this content? Let the author know!
Your likes, comments, shares, and saves help creators reach more builders.
Loading recommendations
Loading article