A depressão afeta aproximadamente 280 milhões de pessoas no
mundo, segundo a Organização Mundial da Saúde, mas sua identificação precoce
continua sendo um dos maiores desafios da saúde pública. Muitas vezes
silenciosa, ela compromete a vida pessoal e profissional antes mesmo de ser
diagnosticada. Agora, uma pesquisa brasileira publicada na revista PLOS Mental
Health propõe uma solução inovadora: o uso de algoritmos de inteligência
artificial para identificar sinais de depressão em mensagens de voz do WhatsApp.
A lacuna no diagnóstico
A psiquiatria ainda carece de biomarcadores objetivos — como
exames de sangue ou de imagem — para triagens em larga escala. Atualmente, o
diagnóstico depende de entrevistas clínicas e escalas psicométricas. O estudo,
liderado pelo Dr. Victor Henrique Oyamada Otani — psiquiatra, professor da
Faculdade de Ciências Médicas da Santa Casa de São Paulo (FCMSCSP) e
pesquisador da divisão de pesquisa em IA da Infinity Doctor’s Inc. —, busca
preencher esse vazio aplicando técnicas de machine learning à fala cotidiana.
A ciência por trás da voz
A premissa é que a depressão altera a fala de formas
imperceptíveis ao ouvido humano, mas rastreáveis por computadores. Alterações
em prosódia, ritmo, energia vocal e variação tonal funcionam como indicadores
de sofrimento psíquico.
O grande diferencial do estudo é sua validade ecológica: em
vez de gravações em estúdios controlados, foram utilizados áudios enviados
pelos próprios participantes em seus celulares, refletindo o uso cotidiano e
real do aplicativo.
Metodologia e resultados
A pesquisa envolveu 160 participantes divididos em dois
grupos independentes. No grupo de treinamento dos algoritmos (86
participantes), foram analisadas mensagens espontâneas do WhatsApp. No grupo de
validação externa (74 participantes), os voluntários realizaram duas tarefas
estruturadas: contar de 1 a 10 em ritmo de um segundo, e descrever livremente
como havia sido sua semana.
Os pesquisadores testaram sete modelos de inteligência
artificial — incluindo Random Forest, Redes Neurais Artificiais, k-Nearest
Neighbors, AdaBoost, Regressão Logística, Árvore de Decisão e Análise
Discriminante Linear — a partir de 68 características acústicas extraídas de
cada áudio.
Os resultados foram expressivos:
• Mulheres: acurácia de até 91,67%
(AUC 91,9%) na tarefa de descrever a semana, com o modelo LDA (Análise
Discriminante Linear).
• Homens: acurácia de até 80% (AUC
78,33%) na tarefa de contagem numérica.
Triagem, não diagnóstico
Os autores reforçam que a ferramenta não substitui o médico.
Trata-se de uma estratégia de pré-triagem binária — um recurso remoto e de
baixo custo que pode sinalizar quem se beneficiaria de uma avaliação
especializada mais cedo.
Na conclusão do artigo, os pesquisadores ressaltam: “A
acurácia alcançada é comparável à de ferramentas consolidadas como o PHQ-9,
reforçando sua promessa para aplicações práticas.” O PHQ-9 é o questionário
padrão internacionalmente adotado para triagem de depressão na atenção
primária.
Limitações e futuro
O estudo reconhece limitações, como o desequilíbrio entre o
número de homens e mulheres na amostra e a necessidade de validação em
populações mais amplas e linguisticamente diversas. Ainda assim, a pesquisa
demonstra que sinais “invisíveis” da depressão podem estar escondidos em algo
corriqueiro: a voz humana.
Para o Dr. Victor Otani, o trabalho representa um passo
concreto para reduzir o subdiagnóstico e acelerar o acesso ao cuidado em saúde
mental no Brasil — país que, segundo dados citados no próprio artigo, apresenta
uma das maiores prevalências de depressão da América Latina (5,8% da
população).
