Aprendizado de máquina aplicado no diagnóstico de transtorno depressivo e transtorno bipolar: um estudo com pacientes reais

• Larissa Mitie Curi Hirai UFT
• Alexandre Tadeu Rossini da Silva UFT

DOI: https://doi.org/10.5753/sbsc_estendido.2025.8612

Resumo

Este artigo apresenta uma comparação entre três algoritmos de aprendizado de máquina aplicados ao diagnóstico de transtornos mentais (depressão, bipolar tipo I e II) com base em dados de pacientes reais. Foram utilizados os métodos random forest, KNN e rede neural, avaliados por métricas de acurácia, matriz de confusão e AUC. A rede neural com codificação OneHotEncoder apresentou o melhor desempenho, com acurácia superior a 95%, destacando o potencial da IA para apoiar o diagnóstico de transtornos mentais.

Referências

APA, A. P. A. (2014). DSM-5: Manual diagnóstico e estatístico de transtornos mentais. Artmed Editora.

Dattani, S., Rodés-Guirao, L., Ritchie, H., and Roser, M. (2023). Mental health. Our World in Data. [link].

IHME (2024). Global burden of disease. Disponível em: [link]. Acessado em: 5 mai. 2024.

Karbalaeipour, H., Damari, S., Zolfagharnasab, M. H., and Haghdadi, A. (2023). A collection of 120 psychology patients with 17 essential symptoms to diagnose mania bipolar disorder, depressive bipolar disorder, major depressive disorder, and normal individuals.

OMS, O. (2023a). Depressive disorder (depression). Disponível em: [link]. Acessado em: 09 jun. 2024.

OMS, O. (2023b). International Classification of Diseases, 11th Revision (ICD-11). Retrieved from [link].

Shearer, C. (2000). The crisp-dm model: the new blueprint for data mining. Journal of data warehousing, 5(4):13–22.