Modelos preditivos de indicativos de saúde mental antes, durante e após pandemia COVID-19 utilizando técnicas de machine learning (ML)

• Processo: 20/11214-5
• Modalidade de apoio: Bolsas no Brasil - Pós-Doutorado
• Data de Início da vigência: 01 de outubro de 2020
• Data de Término da vigência: 30 de setembro de 2022
• Área de conhecimento: Ciências Humanas - Psicologia - Tratamento e Prevenção Psicológica
• Pesquisador responsável: Isabela Judith Martins Bensenor
• Beneficiário: Marina Lopes Moreno
• Instituição Sede: Hospital Universitário (HU). Universidade de São Paulo (USP). São Paulo , SP, Brasil
• Vinculado ao auxílio: 20/05441-9 - Impacto na saúde mental da pandemia do novo Coronavírus (COVID-19) nos participantes do Estudo Longitudinal de Saúde do Adulto (ELSA-Brasil) do estado de São Paulo, AP.R
• Assunto(s): Epidemiologia Saúde mental Impacto psicossocial Distanciamento social Pandemias COVID-19 Infecções por Coronavirus SARS-CoV-2 Modelos preditivos Aprendizado computacional
• Palavra(s)-Chave do Pesquisador: Epidemiologia | Saúde Mental | Epidemiologia em Saúde Mental

Resumo

Desde o final de 2019, o mundo presencia a disseminação do novo coronavírus (COVID-19 ou Sars-CoV-2). Em situações pandêmicas anteriores que contaram com períodos de quarentena como SARS, Ebola, H1N1, MERS e influenza equina, a prevalência de sintomas como estresse agudo, transtorno do estresse pós-traumático (TEPT), ansiedade, depressão, insônia, aumento do uso de substâncias e presença de sentimentos de confusão, raiva, frustração e medo de contágio aumentaram [1]. Efeitos secundários da pandemia, tais como crise econômica, isolamento social, diminuição de grupos de suporte social e diminuição ao acesso à assistência psicológica, podem aumentar os impactos na saúde mental e elevar o número de suicídios [2]. Desta forma, espera-se que haja o aumento de demanda psicológica durante esse período, sendo necessárias ações de ampliação da rede de assistência em saúde mental e correta alocação de recursos visando públicos de maior risco e intervenções com maior custo-benefício frente a necessidades emergenciais. Estratégias pautadas em técnicas de aprendizado de máquina ou machine learning (ML) têm sido aplicadas no campo da saúde mental com o objetivo de auxiliar no diagnóstico, tratamento e planejamento de intervenções [3] [4], podendo aumentar a precisão de aplicação de recursos em situações como a pandemia do COVID-19.O ML é uma técnica dentro do campo da inteligência artificial (IA) e se dá pela construção de algoritmos que "aprendem" a partir dos dados que lhe são imputados, sem que uma hipótese a priori precise ser definida [5]. Essa abordagem é especialmente útil para estudos exploratórios a partir de grande banco de dados ou big data, já que através dela derivam modelos preditivos sem a necessidade de hipóteses iniciais sobre a amostra estudada. Além disso, há possibilidade de predição de desfechos influenciados por grande número de fatores, mesmo que a relação entre eles seja desconhecida ou não suficientemente definida [6]. A utilização da técnica consiste em 4 etapas: o tratamento dos dados, o processo de aprendizagem, a modelagem e a avaliação do poder preditivo do modelo [7]. A vantagem desse tipo de análise é que o modelo preditivo é dinâmico e "aprende" mais a cada entrada de novos dados, tornando o modelo preditivo progressivamente mais robusto e acurado, com mais aprendizado sobre aquele grupo de dados. Essas características tornam o ML uma importante ferramenta de análise e predição frente a complexidade e multifatoriedade dos desfechos de saúde mental como variação de sintomas clínicos, números de internações hospitalares ou número de suicídios. Desta forma o presente estudo propõe analisar, através de técnicas de ML, o comportamento de desfechos relativos à saúde mental e o impacto da pandemia COVID-19 nestes, realizando a identificação de grupos e períodos de alerta. Pretende-se também, a partir dos resultados encontrados e do levantamento de dados na literatura após período pandêmico do COVID-19, propor possíveis medidas para mitigar esses efeitos em futuros cenários similares.