Biomarcadores digitais, baseados em dados comportamentais e fisiológicos de vestíveis (wearables) podem detectar risco aumentado de depressão, além de ter potencial de auxiliar na triagem da doença. No entanto, as evidências atuais apontam capacidade preditiva limitada. A boa notícia é que modelos de aprendizado de máquina que combinam esses biomarcadores digitais podem discriminar entre indivíduos com alto risco de depressão e indivíduos sem risco.
Yuri Rykov e equipe, autores do estudo Biomarcadores digitais para rastreamento de depressão com dispositivos portáteis: estudo transversal com modelagem de aprendizado de máquina, chegaram a estas conclusões através do resultados publicados no periódico JMIR mHealth e uHealth.
A depressão é um transtorno mental prevalente que não é diagnosticado e não tratado em metade de todos os casos. Yuri e a equipe destacam que os rastreadores de atividade vestíveis coletam dados de sensores refinados que caracterizam o comportamento e a fisiologia dos usuários (ou seja, biomarcadores digitais), que podem ser usados para triagem de depressão oportuna, discreta e escalável.
O estudo transversal contou com 290 adultos trabalhadores saudáveis. Os participantes usaram dispositivos Fitbit Charge 2 por 14 dias consecutivos e completaram uma pesquisa de saúde, incluindo triagem de sintomas depressivos usando Questionário de Saúde do Paciente de 9 itens (PHQ-9).
Foram extraídos biomarcadores digitais conhecidos e inovadores que caracterizam atividade física, padrões de sono e ritmos circadianos usando passos, frequência cardíaca, gasto de energia e dados de sono.
As associações entre a gravidade dos sintomas depressivos e biomarcadores digitais foram examinadas com correlação de Spearman e análises de regressão múltipla ajustadas para possíveis fatores de confusão, incluindo características sociodemográficas, consumo de álcool, tabagismo, autoavaliação da saúde, características subjetivas do sono e solidão.
O aprendizado de máquina supervisionado com biomarcadores digitais estatisticamente selecionados foi usado para prever o risco de depressão (ou seja, gravidade dos sintomas e status de triagem).
Yuri e a equipe usaram pontuações de corte variadas para definir o grupo de depressão e diferentes subamostras para classificação. A média de idade dos participantes foi de 33 anos, com leve viés feminino. A maioria dos participantes eram chineses, solteiros e tinham diploma universitário.
Com o estudo, a equipe descobriu que uma maior gravidade dos sintomas depressivos estava fortemente associada a maior variação da frequência cardíaca noturna entre 2h e 4h e entre 4h e 6h. Em subamostras equilibradas e contrastadas compostas por participantes deprimidos e saudáveis sem risco de depressão (ou seja, nenhum ou sintomas depressivos mínimos), o modelo alcançou uma precisão de 80%, uma sensibilidade de 82% e uma especificidade de 78% em detectar indivíduos com alto risco de depressão.
Fonte
https://mhealth.jmir.org/2021/10/e24872