Diagnóstico de depressão por aprendizado profundo usando sinais de EEG: Uma revisão sistemática

A depressão é considerada pela OMS como o principal contribuinte para a incapacidade global e representa ameaças perigosas para quase todos os aspectos da vida humana, em particular à saúde pública e privada. Este transtorno mental é geralmente caracterizado por mudanças consideráveis nas emoções, rotinas ou pensamentos. Em relação ao fato de que o diagnóstico precoce dessa doença seria de importância crítica para um tratamento eficaz, alguns avanços ocorreram com o propósito de detecção da depressão. Os sinais de EEG refletem o estado de funcionamento do cérebro humano, que são considerados as ferramentas mais apropriadas para um diagnóstico de depressão. Algoritmos de aprendizado profundo têm a capacidade de descobrir padrões e extrair características dos dados brutos que são alimentados a eles. Devido a essa característica significativa do aprendizado profundo, esses métodos têm sido intensamente utilizados em diversos campos de pesquisa, especificamente medicina e saúde. Assim, neste artigo, nosso objetivo foi revisar todos os trabalhos concentrados no uso de aprendizado profundo para detectar ou prever indivíduos depressivos com a ajuda de sinais de EEG como dados de entrada. Quanto ao método de busca adotado, finalmente avaliamos 22 artigos entre 2016 e 2021. Este artigo, que está organizado de acordo com o método de revisão sistemática da literatura (RSL), fornece resumos completos de todos os estudos explorados e compara os aspectos notáveis deles. Além disso, algumas análises estatísticas foram realizadas para obter uma percepção mais profunda das ideias gerais das pesquisas mais recentes nesta área. Um padrão de um procedimento em cinco etapas também foi estabelecido pelo qual quase todos os artigos revisados cumpriram o objetivo de detecção da depressão. Por fim, questões abertas e desafios nessa forma de diagnóstico ou previsão da depressão e trabalhos sugeridos como direções futuras foram discutidos.