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).