Aplicação da Inteligência Artificial em transtornos mentais: uma revisão sistemática
DOI:
https://doi.org/10.34119/bjhrv7n4-214Keywords:
psiquiatria, inteligência artificial, transtornos mentaisAbstract
Introdução: A saúde mental, influenciada por complexos fatores genéticos, ambientais e neurobiológicos, enfrenta desafios significativos no diagnóstico e tratamento de transtornos. Objetivo: Analisar a aplicação da Inteligência Artificial (IA) em transtornos mentais. Métodos: Trata-se de uma revisão sistemática, seguindo os critérios estabelecidos pelo guia PRISMA. A base de dados utilizada foi a National Library of Medicine (NLM), incluindo apenas artigos publicados entre 2019 e 2023. A pesquisa foi orientada pelos termos descritos (DeCs/MeSH) da Biblioteca Virtual em Saúde (BVS). Foram aplicados filtros para ensaios clínicos e testes randomizados ao tipo de artigo. A seleção foi conduzida com base em um protocolo, e o processo de seleção compreendeu quatro etapas: identificação, seleção, elegibilidade e inclusão. Resultados: A pesquisa revelou 19 estudos. A análise cronológica destacou uma concentração de publicações em 2019. Os resultados indicam que a IA desempenha um papel crucial no avanço do tratamento e diagnóstico dos transtornos mentais, fornecendo uma abordagem inovadora para processar informações complexas. Conclusão: A IA se destaca como uma ferramenta promissora no enfrentamento dos transtornos mentais. Além disso, seus resultados oferecem insights cruciais para profissionais de saúde mental e pesquisadores, indicando um caminho promissor para o futuro da psiquiatria.
References
AMARAL, Leticia H.; CAPONI, Sandra. Novas abordagens em psiquiatria no século XXI: a escola como lócus de prevenção e promoção em saúde mental. Revista Ibero-Americana de Estudos em Educação, p. 2820–2836, 2020. https://doi.org/10.21723/riaee.v15iesp5.14560. Acesso em: 2 fev. 2024.
BRASIL, Ministério da Justiça e Segurança Pública. Caderno Técnico de Tratamento do Transtorno de Estresse Pós-Traumático-TEPT. Secretaria Nacional de Segurança Pública. Brasília: MJSP, 2019a. Disponível em: https://www.gov.br/mj/pt-br/assuntos/sua-seguranca/seguranca-publica/pro-vida/caderno-tecnico-de-tratamento-do-transtorno-de-estresse-pos-traumatico. Acesso em: 4 fev. 2024.
BRASIL, Ministério da Saúde. Programa aborda mitos e verdades sobre déficit de atenção. Brasília: MS, 2023b. Disponível em: http://portal.mec.gov.br/ultimas-noticias/33491-tv-escola/68431-mitos-e-verdades-sobre-deficit-de-atencao-e-hiperatividade. Acesso em: 4 fev. 2024.
BYUN, Sangwon. et al. Detection of major depressive disorder from linear and nonlinear heart rate variability features during mental task protocol. Computers in Biology and Medicine, v. 112, p. 103381, 2019. https://doi.org/10.1016/j.compbiomed.2019.103381 Acesso em: 2 fev. 2024.
CHAMBERLAIM, Alessandra. et al. Inteligência Artificial (IA) e suas aplicações em exames de imagem: uma nova era para diagnósticos na área da saúde. Cuadernos de Educación y Desarrollo, v. 15, n. 12, p. 17605–17624, 2023. https://doi.org/10.55905/cuadv15n12-134. Acesso em: 5 fev. 2024.
COSTA, Pietra G. et al. Aplicação de Inteligência Artificial em diagnóstico médico. Brazilian Journal of Health Review, v. 7, n. 3, p. e69616–e69616, 13 maio 2024. Disponível em: https://doi.org/10.34119/bjhrv7n3-063. Acesso em: 3 fev. 2024.
CURTISS, Joshua E. et al. Predictors of pharmacotherapy outcomes for body dysmorphic disorder: a machine learning approach. Psychological Medicine, p. 1–11, 2022. https://doi.org/10.1017/s0033291721005390. Acesso em: 2 fev. 2024.
EBDRUP, Bjorn H. et al. Accuracy of diagnostic classification algorithms using cognitive-, electrophysiological-, and neuroanatomical data in antipsychotic-naïve schizophrenia patients. Psychological medicine, v. 49, n. 16, p. 2754–2763, 2019. https://doi.org/10.1017/s0033291718003781. Acesso em: 5 fev. 2024.
FARAONE, Stephen V. et al. Predicting efficacy of viloxazine extended-release treatment in adults with ADHD using an early change in ADHD symptoms: Machine learning Post Hoc analysis of a phase 3 clinical trial. Psychiatry Research, v. 318, p. 114922, 2022. https://doi.org/10.1016/j.psychres.2022.114922. Acesso em: 6 fev. 2024.
FORREST, Lauren N.; IVEZAJ, Valentina; GRILO, Carlos M. Machine learning v. traditional regression models predicting treatment outcomes for binge-eating disorder from a randomized controlled trial. Psychological Medicine, p. 1–12, 2021. https://doi.org/10.1017/s0033291721004748. Acesso em: 2 fev. 2024.
FRANCA, Emanuele J. et al. Importância do diagnóstico precoce em crianças com Transtorno do Déficit de Atenção com Hiperatividade: revisão narrativa. Revista Eletrônica Acervo Científico, v. 35, p. e7818, 2021. https://doi.org/10.25248/reac.e7818.2021. Acesso em: 4 fev. 2024.
GOMÉNI, Roberto; BRESSOLLE-GOMENI, Françoise; FAVA, Maurizio. Artificial intelligence approach for the analysis of placebo-controlled clinical trials in major depressive disorders accounting for individual propensity to respond to placebo. Translational Psychiatry, v. 13, n. 1, 2023. https://doi.org/10.1038%2Fs41398-023-02443-0. Acesso em: 4 fev. 2024.
JACOBSON, Nicholas C; NEMESURE, Matthew D. Using Artificial Intelligence to Predict Change in Depression and Anxiety Symptoms in a Digital Intervention: Evidence from a Transdiagnostic Randomized Controlled Trial. Psychiatry Research, p. 113618, 2020. https://doi.org/10.1038%2Fs41398-023-02443-0. Acesso em: 6 fev. 2024.
JOISON, Agustín N. et al, La inteligencia artificial en la educación médica y la predicción en salud. Methodo. Investigación Aplicada a las Ciencias Biológicas, v. 6, n. 1, 2021. https://doi.org/10.22529/me.2021.6(1)07. Acessol em: 4 fev. 2024.
LIM, Sang H. et al. Reproducibility of automated habenula segmentation via deep learning in major depressive disorder and normal controls with 7 Tesla MRI. Scientific Reports, v. 11, n. 1, 2021. https://doi.org/10.1038%2Fs41598-021-92952-z . Acesso em: 6 fev. 2024.
LIU, Yuelu. et al. Machine Learning Identifies Large-Scale Reward-Related Activity Modulated by Dopaminergic Enhancement in Major Depression. Biological Psychiatry: Cognitive Neuroscience and Neuroimaging, v. 5, n. 2, p. 163–172, 2019. https://doi.org/10.1016%2Fj.bpsc.2019.10.002. Acesso em: 6 fev. 2024.
MAGLANOC, Luigi A. et al. Multimodal fusion of structural and functional brain imaging in depression using linked independent component analysis. Human Brain Mapping, v. 41, n. 1, p. 241–255, out. 2019. https://doi.org/10.1002/hbm.24802. Acesso em: 6 fev. 2024.
MAZZAIA, Maria C. Needs in Mental Health and Research. Revista Brasileira de Enfermagem, v. 71, n. suppl 5, p. 2077–2078, 2018. https://doi.org/10.1590/0034-7167-2018-0363. Acesso em: 4 fev. 2024.
MEDINA, Rafael. et al. Electrophysiological Brain Changes Associated With Cognitive Improvement in a Pediatric Attention Deficit Hyperactivity Disorder Digital Artificial Intelligence-Driven Intervention: Randomized Controlled Trial. Journal of Medical Internet Research, v. 23, n. 11, p. e25466, 2021. https://doi.org/10.2196/25466. Acesso em: 7 fev. 2024.
MOURA, Francielle F. et al. Prevalência de sintomas de transtornos mentais comuns em pacientes internados em um Hospital Geral do Sul do Brasil. Revista da SBPH, v. 23, n. 2, p. 139–148, 1 dez. 2020. Disponível em: http://pepsic.bvsalud.org/scielo.php?pid=S1516-08582020000200013&script=sci_arttext. Acesso em 3 fev. 2024.
OMS, Organização Mundial de Saúde. Depressão – OPAS/OMS. Paho org. 2022. Disponível em: https://www.paho.org/pt/topicos/depressao. Acesso em: 8 fev. 2024.
PAIXÃO, G. M. DE M. et al. Machine Learning na Medicina: Revisão e Aplicabilidade. Arquivos Brasileiros de Cardiologia, v. 118, n. 1, p. 95–102, jan. 2022. Disponível em: https://www.scielo.br/j/abc/a/WMgVngCLbYfJrkmC65VFCkp/?format=html. Acesso 5 fev. 2024.
PLANA-RIPOLL, Oleguer. et al. A comprehensive analysis of mortality-related health metrics associated with mental disorders: a nationwide, register-based cohort study. The Lancet, v. 394, n. 10211, p. 1827–1835, 2019. https://doi.org/10.1016/S0140-6736(19)32316-5. Acesso em 6 fev. 2024.
PROCHASKA, Judith J. et al. A Therapeutic Relational Agent for Reducing Problematic Substance Use (Woebot): Development and Usability Study. Journal of Medical Internet Research, v. 23, n. 3, p. e24850, 2021. https://doi.org/10.2196/24850. Acesso em: 3 fev. 2024.
RAJKOMAR, Alvin; DEAN, Jeffrey; KOHANE, Isaac. Machine Learning in Medicine. New England Journal of Medicine, v. 380, n. 14, p. 1347–1358, 2019. https://doi.org/10.1056/nejmra1814259. Acesso em: 3 fev. 2024.
RAJPURKAR, Pranav. et al. Evaluation of a Machine Learning Model Based on Pretreatment Symptoms and Electroencephalographic Features to Predict Outcomes of Antidepressant Treatment in Adults With Depression. JAMA Network Open, v. 3, n. 6, p. e206653, 2020. https://doi.org/10.1001/jamanetworkopen.2020.6653. Acesso em: 6 fev. 2024.
RIBEIRO, Natasha C. R; MARTELETO, Regina M. O Manual Diagnóstico e Estatístico de Transtornos Mentais enquanto um dispositivo info-comunicacional. Inovação, tecnologia e Sustentabilidade, v. 28, p. 1–16, 2023. https://doi.org/10.5007/1518-2924.2023.e90801. Acesso em: 8 fev. 2024.
SANTOS, Andressa M. J; DEL VECHIO, Gustavo H. Inteligência Artificial, definições e aplicações. Revista Interface Tecnológica, v. 17, n. 1, p. 129–139, 2020. https://doi.org/10.31510/infa.v17i1. Acesso em: 4 fev. 2024.
SANTOS, Herzon S. et al. A utilização dos medicamentos psicotrópicos e seus fatores associados. Revista de iniciação científica e extensão, v. 1, ed. 1, p. 51-56, jan-jun 2018. Disponível em: https://revistasfacesa.senaaires.com.br/index.php/iniciacao-cientifica/article/view/48. Acesso em: 6 fev. 2024.
SELCUK, Ayse A. A Guide for Systematic Reviews: PRISMA. Turkish Archives of Otorhinolaryngology, v. 57, n. 1, p. 57–58, 2019. https://doi.org/10.5152%2Ftao.2019.4058. Acesso em:3 fev. 2024.
SILVA Filho, W. S.; DE OLIVEIRA, R. M. S. A importância da inteligência artificial na radiologia: uma revisão sistemática da literatura / Importance of artificial intelligence in radiology: a systematic literature review. Brazilian Journal of Health Review, v. 5, n. 4, p. 12638–12649, 13 jul. 2022. Disponível em: https://doi.org/10.34119/bjhrv5n4-056. Acesso em: 6 fev. 2024.
SILVA, Gabriel A. C, et al. Causas de depressão em crianças e adolescentes. Revista educação em saúde. v. 7, n.1, p. 189-199. 03 jul, 2019. Disponível em: https://core.ac.uk/reader/234552450. Acesso em: 7 fev. 2024.
SOLOMONOV, Nili. et al. Modifiable predictors of nonresponse to psychotherapies for late-life depression with executive dysfunction: a machine learning approach. Molecular Psychiatry, v. 26, n. 9, p. 5190–5198, 2020. https://doi.org/10.1038/s41380-020-0836-z. Acesso em: 4 fev. 2024.
UPTHEGROVE, Rachel. et al. The Psychopathology and Neuroanatomical Markers of Depression in Early Psychosis. Schizophrenia Bulletin, v. 47, n. 1, p. 249–258, 7 jul. 2020. Disponível em: https://www.ncbi.nlm.nih.gov/pmc/articles/PMC7825071/. Acesso em: 4 fev. 2024.
VOSS, Catalin. et al. Effect of Wearable Digital Intervention for Improving Socialization in Children With Autism Spectrum Disorder. JAMA Pediatrics, v. 173, n. 5, p. 446, 1 maio 2019. https://doi.org/10.1001%2Fjamapediatrics.2019.0285. Acesso em: 6 fev. 2024.
WEBB, Christian A. et al. Personalized prediction of antidepressant v. placebo response: evidence from the EMBARC study. Psychological Medicine, v. 49, n. 07, p. 1118–1127, 2018. https://doi.org/10.1017%2FS0033291718001708. Acesso em: 6 fev. 2024.
ZANDVAKILI, Amin. et al. Use of machine learning in predicting clinical response to transcranial magnetic stimulation in comorbid posttraumatic stress disorder and major depression: A resting state electroencephalography study. Journal of Affective Disorders, v. 252, p. 47–54, 2019. https://doi.org/10.1016/j.jad.2019.03.077. Acesso em: 5 fev. 2024.
