Pesquisadores usaram inteligência artificial para prever a recuperação de pessoas com Transtorno de Ansiedade Generalizada (TAG) após nove anos. Analisando dados de 126 pacientes, descobriram que fatores como sintomas depressivos, discriminação e consultas médicas frequentes estavam ligados a menor chance de recuperação. Já idade mais avançada, nível superior, suporte de amigos e emoções positivas aumentaram as chances de melhora. Esses achados podem ajudar médicos a criar tratamentos mais personalizados para pessoas com TAG.
O Transtorno de Ansiedade Generalizada (TAG) é uma condição crônica que afeta milhões de pessoas em todo o mundo, causando preocupação excessiva e persistente sobre diversos aspectos da vida.
Identificar fatores que possam prever a trajetória de recuperação dessas pessoas ao longo do tempo pode ser essencial para desenvolver abordagens de tratamento mais personalizadas.
Este estudo utilizou técnicas de aprendizado de máquina para analisar se seria possível prever quais pacientes com Transtorno de Ansiedade Generalizada se recuperariam após um período de nove anos.
O estudo incluiu 126 participantes diagnosticados com Transtorno de Ansiedade Generalizada. Para prever a evolução da condição ao longo do tempo, os pesquisadores coletaram diversas informações sobre os participantes no início do estudo, incluindo aspectos psicológicos (como sintomas depressivos), fatores sociais (como suporte de amigos), dados biológicos (como índice de cintura-quadril), características sociodemográficas (como nível de escolaridade e idade) e informações sobre saúde (como frequência de visitas a profissionais médicos e de saúde mental).
Em seguida, foram aplicados dois modelos de aprendizado de máquina para analisar esses dados e prever se os participantes se recuperariam ou não do Transtorno de Ansiedade Generalizada após nove anos.
Os modelos utilizados foram árvores de decisão impulsionadas por gradiente (gradient boosted trees) e elastic nets, um tipo de regressão estatística que combina diferentes métodos para aumentar a precisão das previsões.
Os resultados mostraram que, ao longo dos nove anos de acompanhamento, 95 dos 126 participantes (75,4%) apresentaram recuperação do Transtorno de Ansiedade Generalizada.
O modelo elastic net obteve um desempenho sólido na previsão dos resultados, atingindo uma pontuação de .81 na métrica chamada "área sob a curva ROC" (AUC), que avalia a capacidade do modelo de distinguir entre indivíduos que se recuperaram e aqueles que não se recuperaram.
Além disso, esse modelo apresentou uma precisão equilibrada de 72%, com uma sensibilidade de 70% (capacidade de identificar corretamente aqueles que não se recuperaram) e uma especificidade de 76% (capacidade de identificar corretamente aqueles que se recuperaram).
Os fatores que mais indicaram uma maior probabilidade de não recuperação foram: maior presença de sintomas depressivos, vivência frequente de discriminação no dia a dia, maior número de consultas com profissionais de saúde mental e maior número de consultas médicas em geral.
Por outro lado, os fatores que aumentaram a chance de recuperação incluíram: ter pelo menos algum nível de ensino superior, idade mais avançada, maior suporte de amigos, maior relação cintura-quadril e maior presença de emoções positivas.
Os achados deste estudo demonstram que é possível prever, com um nível de precisão aceitável, se um indivíduo com Transtorno de Ansiedade Generalizada tem mais ou menos chances de recuperação após nove anos. Isso representa um avanço na pesquisa sobre os desfechos do Transtorno de Ansiedade Generalizada e pode contribuir para o desenvolvimento de estratégias preventivas mais direcionadas.
Com essas informações, profissionais de saúde mental podem criar abordagens personalizadas para cada paciente, focando nos fatores que aumentam as chances de recuperação.
Esse estudo também representa um passo inicial importante para o uso prático de modelos de aprendizado de máquina na previsão da evolução do Transtorno de Ansiedade Generalizada, o que pode melhorar significativamente o atendimento a pessoas que vivem com essa condição.
LEIA MAIS:
Development of a machine learning-based multivariable prediction model for the naturalistic course of generalized anxiety disorder” by Candice Basterfield and Michelle G. Newman, 25 January 2025, Journal of Anxiety Disorders.DOI: 10.1016/j.janxdis.2025.102978
Abstract:
Generalized Anxiety Disorder (GAD) is a chronic condition. Enabling the prediction of individual trajectories would facilitate tailored management approaches for these individuals. This study used machine learning techniques to predict the recovery of GAD at a nine-year follow-up. The study involved 126 participants with GAD. Various baseline predictors from psychological, social, biological, sociodemographic and health variables were used. Two machine learning models, gradient boosted trees, and elastic nets were compared to predict the clinical course in participants with GAD. At nine-year follow-up, 95 participants (75.40 %) recovered. Elastic nets achieved a cross-validated area-under-the-receiving-operator-characteristic-curve (AUC) of .81 and a balanced accuracy of 72 % (sensitivity of .70 and specificity of .76). The elastic net algorithm revealed that the following factors were highly predictive of nonrecovery at follow-up: higher depressed affect, experiencing daily discrimination, more mental health professional visits, and more medical professional visits. The following variables predicted recovery: having some college education or higher, older age, more friend support, higher waist-to-hip ratio, and higher positive affect. There was acceptable performance in predicting recovery or nonrecovery at a nine-year follow-up. This study advances research on GAD outcomes by understanding predictors associated with recovery or nonrecovery. Findings can potentially inform more targeted preventive interventions, ultimately improving care for individuals with GAD. This work is a critical first step toward developing reliable and feasible machine learning-based predictions for applications to GAD.
Comments