Os transtornos de saúde mental representam um crescente desafio global de saúde, frequentemente caracterizados por sintomas complexos e multifatoriais que complicam o diagnóstico e tratamento oportunos. Avanços em inteligência artificial (IA), especialmente em aprendizado de máquina e análises baseadas em dados, oferecem ferramentas promissoras para detecção precoce e intervenções personalizadas. Este estudo explora abordagens de modelagem preditiva que utilizam tanto marcadores biológicos (biomarcadores) quanto dados comportamentais para aprimorar a precisão diagnóstica para condições de saúde mental, como depressão, ansiedade e transtorno bipolar. Investigamos a integração de sinais fisiológicos (por exemplo, EEG, variabilidade da frequência cardíaca) com indicadores comportamentais (por exemplo, padrões de fala, atividade social, pegadas digitais) usando modelos de aprendizado supervisionado. Os resultados indicam que combinar conjuntos de dados multimodais melhora significativamente o desempenho dos modelos de IA na classificação de estados de saúde mental, alcançando maior precisão e sensibilidade em diversos perfis de pacientes. Nossas descobertas destacam o potencial de estruturas aprimoradas por IA para apoiar clínicos no diagnóstico objetivo, planejamento de cuidados individualizados e estratégias de intervenção precoce. Trabalhos futuros se concentrarão na validação longitudinal e na implantação ética em ambientes de saúde reais.
Momand et al. (Mon,) estudaram essa questão.