Aplicação de Aprendizado de máquina na identificação de doenças e transtornos mentais: um mapeamento sistemático

• André A. Arnaldo UFMT
• Leandro M. de Carvalho UFMT
• Patricia C. de Souza UFMT

DOI: https://doi.org/10.5753/ersimt.2025.8772

Resumo

Este artigo apresenta resultados de um Mapeamento Sistemática sobre a utilização de técnicas de aprendizado de máquina(Machine Learning) para o auxílio do diagnóstico de doenças mentais, sejam elas neurodegenerativas ou transtornos mentais. Ter uma base a mais para o diagnóstico de doenças mentais é importante para um tratamento mais preciso e conduzido, além de ser importante para evitar a realização de erros de diagnóstico. E este mapeamento ajudou a solucionar algumas questões e demonstrou a possibilidade de aplicação dessas técnicas de aprendizado de máquina para diagnósticos mais precisos. Além disso, a melhora na velocidade e precisão diagnósticos pode permitir que mais pessoas recebam um tratamento adequado. Embora o foco desta pesquisa seja mais aspectos tecnológicos, seus resultados demonstraram que, no futuro, essas técnicas poderão ser aplicadas para diagnósticos de outras doenças além das mentais.

Referências

Ahmed, Z., Wali, A., Shahid, S., Zikria, S., Rasheed, J., and Asuroglu, T. (2024). Psychiatric disorders from eeg signals through deep learning models. IBRO Neuroscience Reports, 17:300 – 310. Cited by: 0; All Open Access, Gold Open Access.

Baek, J.-W. and Chung, K. (2020). Context deep neural network model for predicting depression risk using multiple regression. IEEE Access, 8:18171–18181.

Basak, M., Maiti, D., and Das, D. (2023). A hybrid approach of differential evolution and multistage lstm for diagnosis of psychiatric disorder using eeg. In 2023 IEEE International Conference on Computer Vision and Machine Intelligence (CVMI), pages 1–6. Madhuchhanda Basak, Diptadip Maiti e Debashis Das.

Chintamaneni, A., Agrawal, S., Yelamancheli, C. S., Archana, G., Reddy, S., and Joy, A. (2022). Early detection of adhd in juveniles using recurrent neural networks. In 2022 3rd International Conference for Emerging Technology (INCET), pages 1–5.

Dermeval, D., Bittencourt, I. I., Marques, L. B., Dellagnelo, L. G. V., and Isotani, S. (2020). Editorial da edição especial "mapeamento sistemático e revisão sistemática da literatura sobre o uso de tecnologias educacionais na educação básica". Revista Brasileira de Informática na Educação, 28:viii–xiv.

J, A. S. P. and K, S. K. (2023). Early detection of anxiety, depression and stress among potential patients using machine learning and deep learning models. In 2023 2nd International Conference on Computational Systems and Communication (ICCSC), pages 1–7.

Jage, S., Chaudhari, S., Jatte, M., Mhatre, A., and Mane, V. (2023). Predicting mental health illness using machine learning. In 2023 3rd Asian Conference on Innovation in Technology (ASIANCON), pages 1–5.

Minissi, M. E., Altozano, A., Marín-Morales, J., Chicchi Giglioli, I. A., Mantovani, F., and Alcañiz, M. (2024). Biosignal comparison for autism assessment using machine learning models and virtual reality. Computers in Biology and Medicine, 171. Cited by: 5; All Open Access, Green Open Access, Hybrid Gold Open Access.

Singh, B., Tatiya, M., Shrivastava, A., Verma, D., Pratap Srivastava, A., and Rana, A. (2022). Detection of alzheimer’s disease using deep learning, blockchain, and iot cognitive data. In 2022 2nd International Conference on Technological Advancements in Computational Sciences (ICTACS), pages 863–869.

Xia, J., Liu, B., Zou, J., and Qu, Q. (2022). Analysis of depression based on improved deep forest. page 392 – 396. Cited by: 0.

Yang, S., Wu, C.-H., Chuang, L.-Y., and Yang, C.-H. (2024). Forecasting the incidence frequencies of schizophrenia using deep learning. Asian Journal of Psychiatry, 101. Cited by: 0.