“O fato de não podermos encontrar diferenças neurobiológicas significativas (univariadas ou multivariadas) a nível do indivíduo para um dos transtornos mentais mais prevalentes deveria nos fazer pensar”. – Pesquisador principal Nils R. Winter
Os pesquisadores sugeriram que o Aprendizado de Máquina – uso de inteligência artificial para investigar um fenômeno complexo – pode ser melhor para identificar quais medidas neurobiológicas são importantes e como usá-las para prever diagnósticos psiquiátricos. Infelizmente, até agora, essas tentativas atingiram uma precisão pouco melhor do que o puro acaso.
No entanto, muitas pesquisas anteriores usaram um único tipo de medida neurobiológica (como um tipo de varredura cerebral) para tentar prever diagnósticos psiquiátricos.
Em um novo estudo, os pesquisadores tentaram algo diferente. Eles criaram um algoritmo de Aprendizado de Máquina para combinar todas as medidas neurobiológicas concebíveis para prever a depressão.
Mas seus resultados foram igualmente abaixo do esperado:
“Treinando e testando um total de 2,4 milhões de modelos de AM, encontramos precisões para classificação de diagnóstico entre 48,1% e 62,0%”, escrevem eles.
Para comparação, eles observam que as variáveis sociais/ambientais de apoio social e maus-tratos na infância predizem a depressão com mais de 70% de precisão. Combinar variáveis socioambientais e incluir mais do que apenas essas duas pode trazer uma precisão ainda maior.
Legenda: Este gráfico do artigo demonstra que a precisão até mesmo dos mais robustos algoritmos de Aprendizado de Máquina e com base em todas as informações neurobiológicas possíveis chega a 62%, enquanto as variáveis ambientais atingem mais de 70% de precisão cada.
Em suma, eles escrevem:
“Embora os marcadores multivariados de neuroimagem aumentem o poder preditivo em comparação com análises univariadas, a classificação de um único sujeito – mesmo sob condições de otimização extensa e de melhor prática de Aprendizado de Máquina em uma amostra grande e harmonizada de pacientes diagnosticados usando avaliações clínicas de última geração – não atinge desempenho clinicamente relevante.”
A pesquisa foi conduzida por Nils R. Winter na Universidade de Münster, Alemanha. O artigo foi publicado antes da revisão por pares no servidor de pré-impressão medRxiv.org. No Twitter, Winter escreveu sobre o estudo:
“O fato de não podermos encontrar diferenças neurobiológicas significativas (univariadas ou multivariadas) a nível do indivíduo para um dos transtornos mentais mais prevalentes deveria nos fazer pensar”.
O estudo anterior deste grupo chegou a um resultado semelhante. Os pesquisadores descobriram que não havia diferenças individuais na neurobiologia entre pessoas com diagnóstico de depressão e as do grupo controle saudável.
Nesse estudo, os pesquisadores escreveram que:
“participantes saudáveis e depressivos são notavelmente semelhantes no nível do grupo e virtualmente indistinguíveis no nível individual em um conjunto abrangente de modalidades de neuroimagem”.
Um olhar mais profundo sobre o estudo atual
O estudo atual do grupo de Winter incluiu 1.801 pessoas de três grupos: aqueles que atualmente atendiam aos critérios para o diagnóstico de depressão, aqueles com histórico de depressão e o grupo controle saudável. Eles foram recrutados por meio do Marburg-Münster Affective Disorders Cohort Study (MACS) na Alemanha.
Estudos anteriores levantaram preocupações sobre a confiabilidade do diagnóstico de depressão, uma vez que os pacientes listados como “deprimidos” são frequentemente definidos com base em questionários de triagem ou outras medidas menos confiáveis. O estudo atual usou o padrão clínico de uma Entrevista Clínica Estruturada do DSM-IV para diagnosticar a depressão, garantindo que o diagnóstico fosse o mais confiável possível.
As medidas neurobiológicas incluíram várias formas de ressonância magnética estrutural, funcional e baseada em tarefas, bem como a pontuação de risco poligênico (uma medida teórica do risco genético para depressão).
Os pesquisadores observam que não há nenhuma teoria aceita ligando a depressão à neurobiologia:
“Como não existe uma teoria formal estabelecida da neurobiologia da depressão, é incerto quais métodos de neuroimagem serão mais adequados para capturar informações clinicamente relevantes”.
Seu estudo confirmou essa falta de conexão entre o diagnóstico de depressão e a neurobiologia, uma vez que nenhuma das medidas neurobiológicas testadas – mesmo quando combinadas – conseguiram atingir um valor preditivo clinicamente relevante.
Assim, eles escrevem:
“Como a Psiquiatria de Precisão biológica poderia fornecer previsões individualizadas mais precisas para melhorar o tratamento e o atendimento ao paciente permanece uma questão central em aberto neste momento.”
No entanto, as variáveis sociais/ambientais de apoio social e maus-tratos na infância foram individualmente capazes de prever a depressão com mais de 70% de precisão.
Os pesquisadores escrevem que os algoritmos foram um pouco melhores na classificação de pessoas com depressão crônica grave que foram hospitalizadas e tomavam vários medicamentos. Ou seja, os algoritmos não eram muito bons em identificar pessoas que poderiam passar despercebidas por um clínico humano, mas eram um pouco melhores em identificar o grupo que também é mais fácil para os humanos diagnosticarem.
Mas o pior é que quando os pesquisadores restringiram a análise apenas a este grupo – supostamente o mais fácil para o algoritmo diagnosticar – isso não aumentou substancialmente a precisão:
“Nossas análises complementares de subgrupo com foco em pacientes com depressão aguda e recorrente, respectivamente, não aumentaram o desempenho preditivo”, escrevem eles.
Uma explicação que eles propõem é que o diagnóstico de “depressão” é tão amplo que não faz um bom trabalho de capturar experiências individuais. Assim, eles sugerem que o diagnóstico de depressão em si não representa uma única “doença mental” ligada à neurobiologia, mas sim uma categoria ampla que contempla uma variedade de experiências, estados mentais e níveis de funcionamento que variam amplamente entre os indivíduos.
Eles sugerem que pode haver uma maneira melhor de categorizar as pessoas com base em seus “sintomas” específicos e níveis de funcionamento. No entanto, como eles não conseguiram encontrar tais subcategorias teóricas, isso permanece sem comprovação.
Em última análise, eles escrevem,
“A complexidade do fenótipo da depressão grave pode exigir uma abordagem mais abrangente que incorpore interações entre a neurobiologia, o corpo inteiro e o ambiente”.
Leticia Paladino : Graduada em Psicologia pela UERJ, doutoranda em Saúde Pública pela ENSP/Fiocruz, mestre em Saúde Pública pela ENSP/Fiocruz e especialista em Saúde Mental e Atenção Psicossocial pela ENSP/Fiocruz. Pesquisadora e Colaboradora do Laboratório de Estudos e Pesquisas em Saúde Mental e Atenção Psicossocial (LAPS/ENSP/Fiocruz).
•••
Winter, N. R., Blanke, J., Leenings, R., Ernsting, J., Fisch, L., Sarink, K., . . . & Hahn, T. (2023). A Systematic Evaluation of Machine Learning-based Biomarkers for Major Depressive Disorder across Modalities. medRxiv.org. doi: https://doi.org/10.1101/2023.02.27.23286311 (Link)
