Aplicativos e Algoritmos de Inteligência

Artificial em Prol de Estratégias em

Serviço de Saúde Mental
Ives Cavalcante Passos, MD, PhD

Professor do Coordenador da
Pós-doutor pela
Professor da Pós Departamento de Residência Coordenador do
University of
PUCPR Digital Psiquiatria – em Psiquiatria Grupo Alliance
Texas
UFRGS HCPA/UFRGS
 Velocidade

Volume Variedade

Veracidade Valor

Passos IC and Kapczinski F, The Lancet Psychiatry, 2016

The Economist, Maio de 2017
1999, IBM ASCI RED 2019, IPHONE X
Two teraflops Two teraflops
150 m2 0.000089 m2
$67,000,000 $899
~100 tons 129 g (0.0001 ton)
Índice H = 237
(Google Scholar)
 Em 2014, havia 3 bilhões e em 2020
6 bilhões de smartphones.

Mais de 70 checagens por dia

Mais de 2600 toques por dia

©2014 Mindstrong. All Rights Reserved. Proprietary and Confidential. Insel TR, JAMA, 2017
 Psicoeducação
Intervenções Móveis
• Psicoeducação
• TCC, DBT

Saúde Mental
Monitoramento Digital Digital Curador
• Preenchimento de • Coordenação
escalas e • Coleta de dados
monitoramento de • Qualidade das
sintomas métricas e do material

• Fenótipo digital:
voz, sensores, IHM Insel TR, World Psychiatry 2019
Passos IC et al., Canadian Journal of Psychiatry, 2021
Os apps poderão prover informações mais
precisas sobre os sintomas dos pacientes
entre as consultas e evitar o viés de
memória?
Semana 1 Semana 2 Semana 3 Semana 4 Semana 5

Passos IC et al., Canadian Journal of Psychiatry, 2021

Hidalgo-Mazzei D et al., Journal of Affective Disorders, 2018
Os apps poderão prover informações mais
precisas sobre os sintomas dos pacientes
entre as consultas e evitar o viés de
memória?

Os clínicos poderão enviar dicas/textos de

psicoeducação e fazer intervenções de
psicoterapia através de aplicativos?
Ritterband et al., JAMA Psychiatry 2016
Christensen H et al., The Lancet Psychiatry, 2016
Ritterband et al., JAMA Psychiatry 2016
Christensen H et al., The Lancet Psychiatry, 2016
- 66 estudos incluídos

- Sintomas depressivos (n=54)

- TAG (n=39)
- Qualidade de vida (n=43)
- Ansiedade social (n=6)

- TEPT (n=4)
- Sintomas de pânico (n=3)

Linardon J et al., World Psychiatry, 2019

Os apps poderão prover informações mais
precisas sobre os sintomas dos pacientes
entre as consultas e evitar o viés de
memória?

Os clínicos poderão enviar dicas/textos de

psicoeducação e fazer intervenções de
psicoterapia através de aplicativos?

Existe evidência que o fenótipo digital nos

ajudará nas decisões clínicas?
Insel TR, JAMA 2017
Cohen J and Torous J, JAMA, 2020
Como o campo está se organizado?
Beth Israel Deaconess
Medical Center
Harvard Medical School
Thomas R. Insel
https://www.psychiatry.org/psychiatrists/practice/mental-health-apps
 Relação médico-
paciente

✓ Autoavaliação ✓ Psicoeducação
/Insights para ✓ Intervenções
o paciente

Curador
✓ Monitoramento em tempo real
✓ Fenótipo digital

Passos IC et al, Personalized Psychiatry, Springer Nature, 2019

Obrigado!
E-mail: ivescp1@gmail.com
Como um aplicativo de saúde mental
funciona?

Ives Cavalcante Passos, MD, PhD

Professor do Coordenador da
Pós-doutor pela
Professor da Pós Departamento de Residência Coordenador do
University of
PUCPR Digital Psiquiatria – em Psiquiatria Grupo Alliance
Texas
UFRGS HCPA/UFRGS
Problema

18,4%
38 milhões

Prevalência da depressão maior em países de baixa e média renda.

Fonte: Costa, L. & Magalhães, P. Epidemiologia do transtorno depressivo maior. In: Quevedo, J e Silva, A. (org) Depressão: teoria
e clínica. Porto Alegre: Artmed, 2013.
THRIVE: Disseminar informações relevantes e estratégias efetivas
para enfrentar a tristeza e combater a depressão

©2014 Mindstrong. All Rights Reserved. Proprietary and Confidential.

Cohen J and Torous J, JAMA, 2020
 Pensamento

Emoção Comportamento
Motivação
Atividade Atividade
Motivação

Gilson M et al., Overcoming Depression. Oxford, 2 edição. 2009

 Situação

Pensamento

Emoção Comportamento
 Inspiração
Apneia

Apneia

Expiração
©2014 Mindstrong. All Rights Reserved. Proprietary and Confidential.
©2014 Mindstrong. All Rights Reserved. Proprietary and Confidential.
Obrigado!
E-mail: ivescp1@gmail.com
Algoritmos de Inteligência Artificial

Ives Cavalcante Passos, MD, PhD

Professor do Coordenador da
Pós-doutor pela
Professor da Pós Departamento de Residência Coordenador do
University of
PUCPR Digital Psiquiatria – em Psiquiatria Grupo Alliance
Texas
UFRGS HCPA/UFRGS
 Machine Inteligência
Deep Learning Learning Artificial
1956 1962 1997 1998 2004 2004 2011
Silver D et al., Nature 2017
Big Data
MATERIAL

Machine learning
METHOD Data science

Knowledge
PRODUCT/VALUE
 Mas como funciona um modelo criado
com algoritmos de inteligência artificial?
 Model Model
A B
Treino
Model Seleção de
Matrix de dados C
variáveis e
ajuste do
modelo
Validação

Avaliação
1. Acurácia
Banco de
Melhor 2. Sensibilidade
Teste modelo 3. Especificidade
dados externo
4. AUC

Librenza-Garcia D, Kotzian BJ, Yang J, Mwangi B, Cao B, Lima LNP, Bermudez MP, Boeira MV,
Kapczinski F, Passos IC. Neuroscience Biobehavior Reviews 2017
©2014 Mindstrong. All Rights Reserved. Proprietary and Confidential.
 Deep Learning
EyePACS-1 Messidor-2
N 4997 874
AUC 0.991 0.990
Sensibilidade 97,5% 96,1%
Especificidade 93,4% 93,9%

©2014 Mindstrong. All Rights Reserved. Proprietary and Confidential. Gulshan V, JAMA 2016
• ICAD Inc – Profound AI – Câncer na Viz.ai Inc – AVC na Tomografia
tomossíntese de mama
• Transpara

Accipio Ix intracranial Apple Watch – Fibrilação

hemorrhage (ICH) detection Atrial
software - Tomografia

©2014 Mindstrong. All Rights Reserved. Proprietary and Confidential.

Deep Learning e ECG

©2014 Mindstrong. All Rights Reserved. Proprietary and Confidential. Zhu H et al., Lancet Digital Health 2020
Dreamed – Administração de
Insulina Arterys – Câncer de Fígado e
de Pulmão na Tomografia

Bay Labs’ EchoMD AutoEF – Imagen – Fratura de

Aferição de Fração de Ejeção punho pelo Raio-X
no Ecocardiograma

©2014 Mindstrong. All Rights Reserved. Proprietary and Confidential.

https://www.fda.gov/MedicalDevices/DigitalHealth/Di
gitalHealthPreCertProgram/default.htm
Janeiro de 2019 Março de 2019
Passos IC, Mwangi B, Kapczinski F, The Lancet Psychiatry 2016
• Predição de resposta ao tratamento
• Predição de efeitos colaterais
• Identificação de um diagnóstico
• Predição de conversão para um diagnóstico
• Explorar a heterogeneidade dos diagnósticos
• Predição de prognóstico, incluindo suicídio
Abbasi J, JAMA 2019
Obrigado!
E-mail: ivescp1@gmail.com
Predição de resposta ao tratamento
e de efeitos colaterais?

Ives Cavalcante Passos, MD, PhD

Professor do Coordenador da
Pós-doutor pela
Professor da Pós Departamento de Residência Coordenador do
University of
PUCPR Digital Psiquiatria – em Psiquiatria Grupo Alliance
Texas
UFRGS HCPA/UFRGS
Medicina Moderna Análise de Big Data

Estatística Tradicional Machine Learning

Identificação de
padrões não lineares
Evidência no nível de Evidência no Nível
grupos Individual

Predição com um único Predição com Múltiplos

biomarcador Marcadores de Diversos
Níveis Biológicos
 Tratamento Personalizado

Como prever a resposta a Como prever efeitos

um tratamento? colaterais?
Population

Clinical and
demographic
Resposta

Neuroimaging

Sem resposta
Molecular

Genetics

Passos IC and Mwangi B. Molecular Psychiatry , 2018

fMRI predizendo resposta a TCC na ansiedade
social

Mansson KNT et al., Translational Psychiatry 2015

fMRI predizendo resposta a TCC na ansiedade
social

Support Vector Machine

Acurácia de 92%; Sensibilidade: 83,3%; Especificidade: 100%; AUC: 0,91
Mansson KNT et al., Translational Psychiatry 2015
 Model Model
A B
Treino
Model Seleção de
Matrix de dados C
variáveis e
ajuste do
modelo
Validação

Avaliação
1. Acurácia
Banco de
Melhor 2. Sensibilidade
Teste modelo 3. Especificidade
dados externo
4. AUC

Librenza-Garcia D, Kotzian BJ, Yang J, Mwangi B, Cao B, Lima LNP, Bermudez MP, Boeira MV,
Kapczinski F, Passos IC. Neuroscience Biobehavior Reviews 2017
 Matrix de Confusão

Valores Valores preditos

reais pelo modelo
Valores preditos pelo modelo
Sim Não

Valores Reais
Sim VP FN

Não FP VN
 Acurácia

Valores preditos pelo modelo

Sim Não
Valores Reais

Sim VP FN

Não FP VN

Acurácia = VP + VN / VP + VN + FP + FN
 Sensibilidade (Recall)

Valores preditos pelo modelo

Sim Não
Valores Reais

Sim VP FN

Não FP VN

A proporção de exemplos positivos que

foram corretamente classificados
Sensibilidade= VP / VP + FN
 Especificidade

Valores preditos pelo modelo

Sim Não
Valores Reais

Sim VP FN

Não FP VN

A proporção de exemplos negativos que

foram corretamente classificados
Especificidade= VN / VN + FP
 Valor Preditivo Positivo (Precisão)

Valores preditos pelo modelo

Sim Não
Valores Reais

Sim VP FN

Não FP VN

É a proporção de verdadeiros positivos em

relação a todas as predições positivas
VPP= VP / VP + FP
Lantz B., Machine Learning with R 2015, second edition
 Valor Preditivo Negativo

Valores preditos pelo modelo

Sim Não
Valores Reais

Sim VP FN

Não FP VN

É a proporção de verdadeiros negativos em

relação a todas as predições negativas
VPN= VN / VN + FN
Lantz B., Machine Learning with R 2015, second edition
 Curva ROC

A curva é definida em um gráfico com a

proporção de VP no eixo vertical (sensibilidade)
e a proporção de FP (1-especificidade) no eixo
horizontal

Lantz B., Machine Learning with R 2015, second edition

 Curva ROC

Sensibilidade

1-especificidade
Lantz B., Machine Learning with R 2015, second edition
 Area Under the ROC Curve (AUC)

Excepcional: 0.9 – 1.0

Excelente: 0.8 – 0.9
Regular: 0.7 – 0.8
Baixa: 0.6 – 0.7
Sem discriminação: 0.5 – 0.6

Lantz B., Machine Learning with R 2015, second edition

fMRI para predizer resposta ao ECT em pacientes
com depressão refratária

Remitiu
(MADRS<10)

2 semanas

fMRI 18 sessões de Não remitiu

ECT unilateral

N= 45
Support Vector Machine

van Waarde JA et al., Molecular Psychiatry 2014

fMRI predicting the outcome of ECT in treatment-
resistant depression

Model Signature Parâmetros Performance do

modelo

- Dorsolateral Sensitivity 84%

Prefrontal
Cortex
- Orbitofrontal Specificity 85%
Cortex
- Posterior
Cingulate Balanced 84.5%
Cortex Accuracy

van Waarde JA et al., Molecular Psychiatry 2014

Predição de Resposta ao Lítio

N= 1266 pacientes - multicêntrico

Random Forest

180 preditores clínicos

AUC: 0.80

Nunes A et al, Acta Psychiatrica Scandinavica 2020

Predição de Resposta ao Lítio

N= 20 pacientes com primeiro

episódio de mania receberam lítio por
8 semanas

fMRI e spectroscopy pré-tratamento

Accuracy: 80%

Fleck DE et al, Bipolar Disorders 2017

 Estratificando o risco de insuficiência renal entre
os pacientes em tratamento com lítio

Clinical - Tobacco use

Variables - Clinical
comorbidities Renal
- Schizoaffective Insufficiency
- SAH

No renal
Demographic - Age insufficiency
Variables - Gender

N = 4306
Sensibilidade= 80%
Especificidade= 68% Castro VM et al., Neuropsychopharmacology 2015
 Relação médico-
paciente

✓ Autoavaliação ✓ Psicoeducação
/Insights para ✓ Intervenções
o paciente

Curador
✓ Calculadoras clínicas
✓ Monitoramento em tempo real
✓ Fenótipo digital

Passos IC et al, Personalized Psychiatry, Springer Nature, 2019

Obrigado!
E-mail: ivescp1@gmail.com
 Diagnóstico com técnicas de
inteligência artificial

Ives Cavalcante Passos, MD, PhD

Professor do Coordenador da
Pós-doutor pela
Professor da Pós Departamento de Residência Coordenador do
University of
PUCPR Digital Psiquiatria – em Psiquiatria Grupo Alliance
Texas
UFRGS HCPA/UFRGS
Era sanitária (1840-1890)

Chapin JB, Am. J Insan. 1863

Era das doenças infecciosas (1890-1950)

Ehrlich P and Hata S, JAMA 1911

Era dos fatores de risco (1950-presente)

Endocrine and
Cardiovascular
Metabolic
Diseases
Diseases

Mental
Disorders

Susser E et al., Psychiatric Epidemiology 2006

 Quarta Era?
Medicina de Precisão

RNA e
DNA
Proteinas

Populacional
Social

Integração?

Susser E et al., Psychiatric Epidemiology 2006

Population

Individual

Organs and Systems

Proteins

RNA e DNA

Susser E et al., Psychiatric Epidemiology 2006

Identificação de padrões de um
determinado diagnóstico
 Diagnóstico de TEPT com técnicas de ML

> 1 Milhão de biomarcadores Feature Selection: Algoritmo de Machine

(metilação de DNA, proteômica, 28 variáveis Learning – Random Forest
metabolômica, miRNAs, dados selecionadas
clínicos)

Dean KR et al., Molecular Psychiatry 2019

 Diagnóstico de TEPT com técnicas de ML

Modelo com 28 Fase de teste em coorte independente Performance do

variáveis (29 TEPT vs 29 controles ) modelo
Desfecho Predição
real do modelo

Acurácia 81%
Sensibilidade 85%
Especificidade 77%

Dean KR et al., Molecular Psychiatry 2019

Diagnóstico de TEPT com técnicas de ML

Dean KR et al., Molecular Psychiatry 2019

Abbasi J, JAMA 2019
 Diferenciando pacientes com transtorno
depressivo maior de controles

Cortex
Orbitofrontal

Insula

Lobo Cerebelo
Temporal
Acurácia de 90%

Mwangi B et al., Brain 2012

Neuroimagem para o Diagnóstico de Transtorno
Bipolar

N= 256 (128 BD and

128 HC)

Accuracy: 70.3%;

p<0.001

Cingulate
Gyrus

Midbrain Cerebelum

Mwangi B, Wu MJ, Cao B, Passos IC et al., Biological Psychiatry: CNNI 2016

 Enigma – Transtorno bipolar

- N: 3020
- 13 locais
- RNM estrutural
- AUC = 0.71 (0.69 – 0.74)

Nunes A et al. Molecular Psychiatry 2018

 Meta-Analysis: summary Receiver Operating
Characteristic (sROC) curve

AUC: 0.698 AUC: 0.754

Librenza-Garcia D, Kotzian BJ, Yang J, Mwangi B, Cao B, Pereira Lima LN, Bermudez MB, Boeira
MV, Kapczinski F, Passos IC. Neuroscience Biobehavior Reviews 2017
Diagnóstico: transtorno bipolar vs controles
saudáveis

Figure 1. Bipolar disorder vs Healthy controls

Acurácia: 72,5%
Pinto JV, Passos IC, Gomes FG, Reckziegel R, Kapczinski F, Mwangi B,
Kauer-Sant’Anna M, Schizophrenia Research 2017
Depressão bipolar vs unipolar

AUC: 0.69; p<0.05

Wollenhaupt-Aguiar et al., ANZJP 2020

Limitação: Falta de Validade Externa
Identificação de conversão para um
diagnóstico
Predição de transtorno bipolar na população geral

Coorte de Pelotas de 1993

Visita 22 anos
11 anos 15 anos 18 anos
Perinatal (desfecho)

Modelo 4

Modelo 3

Modelo 2

Modelo 1

Tamanho amostral: 3748 pacientes 220 pacientes com TB aos 22 anos

Rabelo-da-Ponte FD, Feiten JG, Victoria C, Barros FC, Menezes AM, Gonçalves H, Kapczinski F,
Passos IC, Kunz M. Acta Psychiatrica Scandinavica, 2020
 Performance dos modelos

Performance do modelo
criado aos 18 anos
AUC 0,82

Sensibilidade 0,72

Especificidade 0,77

Acurácia 0,75
Balanceada
NPV 0,97 Algoritmo
elastic net
PPV 0,18

Rabelo-da-Ponte FD, Feiten JG, Victoria C, Barros FC, Menezes AM, Gonçalves H, Kapczinski F,
Passos IC, Kunz M. Acta Psychiatrica Scandinavica, 2020
 Variáveis mais importantes para o modelo

Rabelo-da-Ponte FD, Feiten JG, Victoria C, Barros FC, Menezes AM, Gonçalves H, Kapczinski F,
Passos IC, Kunz M. Acta Psychiatrica Scandinavica, 2020
Predição da incidência de depressão

Coorte ocupacional

15,105 participantes

Librenza-Garcia D, Passos IC Feiten J, Lotufo PA, Goulart AC, Santos IS,

Viana MC, Bensenor IM Brunoni A et al., Psychological Medicine 2021
 Sem vs. Depressão
depressão incidente

Librenza-Garcia D, Passos IC Feiten J, Lotufo PA, Goulart AC, Santos IS,

Viana MC, Bensenor IM Brunoni A et al., Psychological Medicine 2021
Prevendo incidência de depressão

Librenza-Garcia D, Passos IC Feiten J, Lotufo PA, Goulart AC, Santos IS,

Viana MC, Bensenor IM Brunoni A et al., Psychological Medicine 2021
Desconstruindo o diagnóstico
Insel TR and Cuthbert TM., Science 2015
 Predictive models
RESPONSIVE

NON-RESPONSIVE

Relevant phenotypes
CLUSTER A

CLUSTER B

CLUSTER C
Subgrupos de TB usando a bateria CANTAB

Wu MJ, Mwangi B, Bauer IE, Passos IC et al., Neuroimage 2016

Subgrupos de TB usando a bateria CANTAB

Subgroup 1
Accuracy of 94%
Subgroup 2

Wu MJ, Mwangi B, Bauer IE, Passos IC et al., Neuroimage 2016

 Diagnóstico dos Subgrupos Usando DTI

Comparação Acurácia Valor P

Subgruop 1 vs Subgroup 2 0.76 0.0001
Subgrupo 1 vs controles 0.57 0.2802
Subgrupo 2 vs controles 0.92 < 0.0001

Wu MJ, Mwangi B, Bauer IE, Passos IC et al., Neuroimage 2016

Decomposition of DTI data uncovers latent
schizophrenias with distinct patterns

Subgroup Patterns of low Clinical Features

Fractional Anisotropy
1 Genu of Corpus Callosum Bizarre Behavior

2 Fornix + external capsule Prominent Delusions

3 Splenium of Corpus Negative symptoms

Callosum +
retrolenticular limb +
posterior limb of the
internal capsule

Arnedo J et al., Neuroimage 2015

Obrigado!
E-mail: ivescp1@gmail.com
Predição de suicídio com algoritmos
de inteligência artificial

Ives Cavalcante Passos, MD, PhD

Professor do Coordenador da
Pós-doutor pela
Professor da Pós Departamento de Residência Coordenador do
University of
PUCPR Digital Psiquiatria – em Psiquiatria Grupo Alliance
Texas
UFRGS HCPA/UFRGS
 Epidemiologia

• Ocorrem 800.000 suicídios anualmente

• A taxa foi 10,7 suicídios por 100.000 habitantes
em 2015. ♀: 8 ♂: 15
• 2,7% das pessoas tentam suicídio na vida
• 83% dos que se suicidam buscam atendimento 1
ano antes do evento
• 45% consultam um centro de atenção primária

Turecki G and Brent AD, The Lancet 2016

http://www.who.int/gho/mental_health/suicide_rates/en
Adolescentes e adultos jovens

Segunda causa de morte

entre os 15 e 29 anos.

Naghavi M, The Lancet 2017

Patton GC et al, The Lancet 2009
Entre 2007 e 2016, as taxas de
suicídio aumentaram em 18%

Ministério da Saúde, 2018

CDC, 2018
https://www.cdc.gov/vitalsigns/suicide/infographic.html#graphic1
 Mudança rápidas Suicídio
Crise econômica Isolamento Social
na estrutura social

Comportamento
Suicida

Traumas na Prejuízo
História Familiar
infância cognitivo
Ideação suicída
Ansiedade Comportamento
Desinibido
Desenvolvimento
de traços de Desesperança,
Epigenética personalidade humor deprimido
Impulsividade
Uso agudo de
substâncias

Genética Psicopatologia
Transtorno por
uso de
substâncias
Eventos da Vida

Acesso pobre aos

Relatos da Mídia Acesso aos meios cuidados de saúde
mental

Turecki G and Brent AD, The Lancet 2016

Esketamine

Anvisa, 2020
FDA, 2019
Lítio

Cipriani A et al., British Medical Journal 2013

Terapia cognitiva para prevenir tentativa de
suicídio

Brown GK et al., JAMA 2005

 Predição de tentativas de suicídio

Acurácia: 71.5%

Passos IC, Mwangi B, Cao B, Hamilton JE, Wu MJ, Zhang XY, Zunta-Soares GB, Quevedo J,
Kauer-Sant'Anna M, Kapczinski F, Soares JC, Journal of Affective Disorders 2016
 Predição de tentativas de suicídio

Passos IC, Mwangi B, Cao B, Hamilton JE, Wu MJ, Zhang XY, Zunta-Soares GB, Quevedo J,
Kauer-Sant'Anna M, Kapczinski F, Soares JC, Journal of Affective Disorders 2016
NESARC: Longitudinal study with the mean interval between Wave 1 and Wave 2 of
3 years.

WAVE 2
2004-2005
N= 34.653

WAVE 1
2001-2002
N= 43.093

Machado CDS, Ballester PL, Cao B, Mwangi B, Caldieraro MA, Kapczinski F, Passos
IC. Psychological Medicine 2021
Variables Aim 1

Sociodemo- Psychiatric
Stressful events
graphic Factors Disorders

Machado CDS, Ballester PL, Cao B, Mwangi B, Caldieraro MA, Kapczinski F, Passos
IC. Psychological Medicine 2021
Performance measures - Aim 1 (n = 32700)

Performance measures of the model with all subjects (n = 32700)

Elastic Net Random Forest Neural Network

Balanced accuracy 0.8186 0.8339 0.8244
Specificity 0.8922 0.8443 0.8449
Sensitivity 0.7451 0.8235 0.8039
Negative predictive value 0.9980 0.9985 0.9984
Positive predictive value 0.0455 0.0352 0.0345
AUC 0.89 0.89 0.86

Machado CDS, Ballester PL, Cao B, Mwangi B, Caldieraro MA, Kapczinski F, Passos
IC. Psychological Medicine 2021
Variables importance – aim 1

Machado CDS, Ballester PL, Cao B, Mwangi B, Caldieraro MA, Kapczinski F, Passos
IC. Psychological Medicine 2021
Predição de suicídio nos que tinham depressão (n=
6350)

Elastic Net Random Forest Neural Network

Balanced accuracy 0.8164 0.8211 0.8045
Specificity 0.8586 0.8034 0.7703
Sensitivity 0.7742 0.8387 0.8387
Negative predictive 0.9944 0.9957 0.9955
value
Positive predictive value 0.1048 0.0836 0.0724
AUC 0.89 0.89 0.88

Machado CDS, Ballester PL, Cao B, Mwangi B, Caldieraro MA, Kapczinski F, Passos
IC. Psychological Medicine 2021
 Identificação de tentativas de suicídio em
estudantes de medicina

Elastic Net Regularization

N= 4840 AUC = 0,83
Sensibilidade = 75%
Especificidade = 73%
VPP: 0.21
VPN: 0.97
Marcon G, Monteiro GMC, Ballester P, Cassidy RM, Zimerman A, von
Diemen L, Hauck S, Passos IC. Acta Psychiatrica Scandinavica, 2020
 BLOOMSBURY GROUP

Da esquerda para a direita: Lady Ottoline Morrell, Maria

Nys, Lytton Strachey, Duncan Grant e Vanessa Bell.

Lytton Strachey e Virginia Woolf

Virginia Woolf e o transtorno bipolar

• Sintomas psicóticos

• Pai, avó paterno e dois irmãos

com transtorno bipolar

• Abuso sexual na infância

• Várias tentativas de suicídio

Caramagno T, 1992
 Word clouds

60 days before suicide Outside of this period

Berne G, Rabelo D, Garcia-Librenza D, Kauer-Sant’Anna M, Passos IC, Kapczinski F, Plos One 2018
 ROC curve

Algoritmo Naïve Bayes

Acurácia: 0.80
Kappa : 0.6032
Sensibilidade: 0.69
Especificidade: 0.91
Acurácia balanceada: 0.80

Berne G, Rabelo D, Garcia-Librenza D, Kauer-Sant’Anna M, Passos IC, Kapczinski F, Plos One 2018
Crítica aos modelos de previsão de suicídio

• Modelos acurados,
mas com baixo
VPP

• Prever TS em
populações
específicas

• Estudos com
maior seguimento
Passos IC and Ballester P et al., JAMA Psychiatry 2019
Belsher BE et al., JAMA Psychiatry, 2019
Obrigado!
E-mail: ivescp1@gmail.com
Quais as limitações do uso dos algoritmos
de inteligência artificial?
 Críticas e limitações

• Alguns estudos não testaram seus modelos

em amostras independentes.

• Falta de um pipeline uniforme para estudos

com machine learning
 • Leads: Ives Cavalcante Passos, Brazil; Flavio Kapczinski,
Canada
The International • Members: Anne Duffy, Canada; Benno Haarman,
Netherlands; Benson Mwangi, USA; Boris Birmaher, USA;
Society for Bipolar Carlos Lopez Jaramillo, Colombia; Danella Hafeman, USA;
Diego Hidalgo-Mazzei, Spain; Eduard Vieta, Spain; Elisa
Disorders Big Data Brietzke, Canada; Erkki Isometsa, Finland; Gerard Anmella,
Spain; Lakshmi Yatham, Canada; Lars Vedel Kessing,
Task Force Denmark; Luciano Minuzzi, Canada; Maria Faurholt-
Jepsen, Denmark; Martin Alda, Canada; Raymond Lam,
Canada; Rodrigo Mansur, Canada; Roger McIntyre,
Canada; Sandra Meier, Canada; Tina Goldstein; Tomas
Hajek, Canada
Passos essenciais para a condução de um estudo
de machine learning com big data

Passos IC et al., Bipolar Disorders 2019

Interpretabilidade

Passos IC et al., Bipolar Disorders 2019

Dados não estacionários
Tempo computacional
 Dilema ético: prejuízo de uma predição

Pode-se argumentar que conhecer todos os desfechos

desfavoráveis de um indivíduo pode permitir algum tipo
de preconceito social em relação aos sujeitos com esses
desfechos
 Prejuízo de uma Predição
Como nossos pacientes podem lidar com tais previsões
sobre o futuro, quanto elas realmente beneficiam? Ou
será que elas prejudicam?
Um paciente em potencial
Dilemas éticos relacionados aos dados

www.datamation.com
Springer Nature, 2019
Book: “Personalized Psychiatry:
Big Data Analytics in Mental Health”
Johns McMaster RWTH Aachen
Hopkins University University

University University
of Alberta of Vienna

Harvard Kings
College

UTHealth

The Mind
Research
Network
Stanford UFRGS
Obrigado!
E-mail: ivescp1@gmail.com