USO DA INTELIGÊNCIA ARTIFICIAL NO AUXÍLIO DIAGNÓSTICO E TRATAMENTO DE DISTÚRBIOS PSIQUIÁTRICOS

Ciências da Saúde, Volume 28 – Edição 138/SET 2024 / 23/09/2024

USE OF ARTIFICIAL INTELLIGENCE TO AID DIAGNOSIS AND TREATMENT OF PSYCHIATRIC DISORDERS

USO DE INTELIGENCIA ARTIFICIAL PARA AYUDAR AL DIAGNÓSTICO Y TRATAMIENTO DE TRASTORNOS PSIQUIÁTRICOS

REGISTRO DOI: 10.69849/revistaft/ra10202409152256

Isadora Goldbaum Calil Lopes 1
Amanda Leticia Rainieri1
Marilene Ferraz Cavalieri1
Renato Daniel Ramalho Cardoso2
Paula Souza Lage3

RESUMO

Introdução: Os transtornos psiquiátricos estão entre os maiores desafios para a saúde pública em todo o mundo. O aumento no número de casos de crianças e adolescentes com doenças mentais tem sido observado nos últimos anos e, principalmente após a pandemia da COVID-19, essa faixa etária têm apresentado alta taxa de morbimortalidade prematura. Estudos relataram a dificuldade no diagnóstico e tratamento. Com o avanço da incorporação da Inteligência Artificial (IA) como ferramenta de apoio em saúde, especialmente na análise de dados clínicos e laboratoriais multidimensionais, tornou-se possível identificar rapidamente fatores de risco importantes para diversas doenças, incluindo transtornos psiquiátricos. Isso permite uma identificação precoce dessas condições e a implementação de tratamentos personalizados e oportunos, adaptados ao quadro clínico de cada paciente. Objetivo: o objetivo desse artigo foi unir e analisar as informações sobre o uso da IA nas doenças mentais em crianças e adolescentes. Metodologia:  Foi realizada uma revisão integrativa da literatura e selecionados artigos publicados de revistas indexadas nas bases de dados Scientific Electronic Library Online (SCIELO), National Library of Medicine/NLM (MEDLINE) e National Library of Medicine/NLM (PUBMED). Resultados: os resultados encontrados demonstraram uma relação positiva entre o uso da IA e a psiquiatria, sendo possível os diagnósticos precoces, além de um tratamento mais direcionado e promoção à saúde. Entretanto, ainda há necessidade de estudos futuros, uma vez que o uso da IA deve ser conjunto e secundário ao conhecimento e sensibilidade humana. Conclusão: o presente artigo evidencia que a IA é atualmente uma ferramenta de auxílio na conduta médica e pode ter grande relevância no âmbito da psiquiatria, com ganhos importantes na qualidade de vida dos pacientes. 

Palavras chave: Saúde mental, crianças, adolescentes, Inteligência Artificial

ABSTRACT

Introduction: Psychiatric disorders are among the biggest challenges for public health worldwide. The increase in the number of cases of children and adolescents with metal diseases has been observed in recent years and, especially after the COVID-19 pandemic, this age group has shown a high rate of premature morbidity and mortality. Studies have reported difficulty in diagnosis and treatment. With the advancement of the incorporation of Artificial Intelligence (AI) as a health support tool, especially in the analysis of multidimensional clinical and laboratory data, it has become possible to quickly identify important risk factors for various diseases, including psychiatric disorders. This allows for early identification of these conditions and the implementation of personalized and timely treatments, adapted to each patient’s clinical condition. Objective: The objective of this article was to gather and analyze information about the use of AI in mental illnesses in children and adolescents. Methodology: An integrative review of the literature was carried out and articles published in journals indexed in the Scientific Electronic Library Online (SCIELO), National Library of Medicine/NLM (MEDLINE) and National Library of Medicine/NLM (PUBMED) databases were selected. Results: the results found demonstrated a positive relationship between the use of AI and psychiatry, making early diagnoses possible, in addition to more targeted treatment and health promotion. However, there is still a need for future studies, since the use of AI must be joint and secondary to human knowledge and sensitivity. Conclusion: this article shows that AI is currently an aid tool in medical management and can have great relevance in the field of psychiatry, with important gains in patients’ quality of life. 

Keywords: Mental health, children, adolescents, Artificial Intelligence

RESUMEN

Introducción: Los trastornos psiquiátricos se encuentran entre los mayores desafíos para la salud pública a nivel mundial. El aumento en el número de casos de niños y adolescentes con enfermedades metálicas se ha observado en los últimos años y, especialmente después de la pandemia de COVID-19, este grupo etario ha mostrado una alta tasa de morbimortalidad prematura. Los estudios han informado dificultades en el diagnóstico y tratamiento. Con el avance de la incorporación de la Inteligencia Artificial (IA) como herramienta de apoyo a la salud, especialmente en el análisis de datos clínicos y de laboratorio multidimensionales, se ha hecho posible identificar rápidamente importantes factores de riesgo para diversas enfermedades, incluidos los trastornos psiquiátricos. Esto permite la identificación temprana de estas condiciones y la implementación de tratamientos personalizados y oportunos, adaptados a la condición clínica de cada paciente. Objetivo: El objetivo de este artículo fue recopilar y analizar información sobre el uso de la IA en enfermedades mentales en niños y adolescentes. Metodología: Se realizó una revisión integradora de la literatura y se seleccionaron artículos publicados en revistas indexadas en las bases de datos Scientific Electronic Library Online (SCIELO), National Library of Medicine/NLM (MEDLINE) y National Library of Medicine/NLM (PUBMED). Resultados: los resultados encontrados demostraron una relación positiva entre el uso de la IA y la psiquiatría, posibilitando diagnósticos precoces, además de tratamientos más específicos y promoción de la salud. Sin embargo, todavía son necesarios futuros estudios, ya que el uso de la IA debe ser conjunto y secundario al conocimiento y la sensibilidad humanos. Conclusión: este artículo muestra que la IA es actualmente una herramienta de ayuda en la gestión médica y puede tener gran relevancia en el campo de la psiquiatría, con importantes ganancias en la calidad de vida de los pacientes. 

Palabras clave: Salud mental, niños, adolescentes, Inteligencia Artificial

1. INTRODUÇÃO

O número global de pessoas com doenças mentais tem aumento significantemente a cada ano, em 2019, 301 milhões de pessoas em todo o mundo viviam com transtornos de ansiedade; e 280 milhões com transtornos depressivos, incluindo transtorno depressivo maior e distimia.  E quase um bilhão de pessoas – incluindo 14% dos adolescentes do mundo – viviam com um transtorno mental, sendo o suicídio o responsável por uma a cada 100 mortes, sendo este a principal causa de morte entre os jovens. Em 2020, estes números aumentaram significativamente em consequência da pandemia da COVID-19, sendo os transtornos mentais a principal causa de incapacidade no mundo [1].    

Dentre os transtornos psiquiátricos, o transtorno depressivo maior e as lesões autoinfligidas estavam em 2º e 14º lugar, respectivamente, como os principais contribuintes para a carga global de doenças em 2020. Apesar dos avanços significativos na pesquisa médica, existe uma deficiência distinta na detecção e tratamento desses, especialmente em crianças e adolescentes [2]. 

Estudos demonstraram que ansiedade e depressão na infância predizem problemas de saúde posteriores, incluindo abuso de substâncias, desenvolvimento de psicopatologias, risco aumentado de suicídio e comprometimento funcional [3,4].

Sendo assim, a Academia Americana de Pediatria e a Força-Tarefa de Serviços Preventivos dos Estados Unidos da América recomendam um rastreio para distúrbios de saúde mental na atenção primária pediátrica [5]. 

As abordagens atuais para a avaliação de transtornos psiquiátricos baseiam-se predominantemente na obtenção da história médico-paciente e em questionários auto-relatados, em vez de testes laboratoriais objetivos com biomarcadores e neuroimagem. Como resultado, as avaliações psiquiátricas contemporâneas são imprecisas e ineficazes no fornecimento de uma avaliação confiável e individualizada dos sintomas [2]. Estudo de 2022, observou que em 10% dos suicídios consumados por adolescentes, esses não tinham diagnósticos psiquiátricos prévios [6].

As tecnologias digitais permitem a análise de Big Data e os avanços na aprendizagem automática e a Inteligência Artificial (IA) permitem uma classificação escalável, rápida e automatizada de condições médicas [7].  

E com a crescente adoção de práticas baseadas em medições na psiquiatria infantil e adolescente, grandes volumes de dados estão sendo gerados a partir de ensaios clínicos e práticas de rotina. Esses dados bem caracterizados podem revelar-se grandes oportunidades para inovações na ciência dos dados e na inteligência artificial para potencialmente minimizar deficiências e, subsequentemente, melhorar o fardo das doenças nessas populações. Assim, a adoção generalizada de dispositivos vestíveis (por exemplo, relógios inteligentes) que conduzem a aplicações de IA para diagnosticar e gerir remotamente distúrbios psiquiátricos em crianças e adolescentes parece promissora [6].

Essa abordagem tem potencial de representar uma alternativa de importante impacto no desenvolvimento tecnológico e na área da saúde, interferindo tanto no trabalho do médico, através da economia de tempo e energia, bem como na captação de detalhes imperceptíveis que possam ser efeitos de inúmeros fatores [8,9]. 

Entretanto, as aplicações clínicas da IA em psiquiatria dependem de dados gerados por humanos para prever a experiência ou informar a ação. Por exemplo, como investigadores, pode-se utilizar de registos clínicos para identificar jovens com alto risco de um primeiro episódio de psicose, ou usar dados de avaliações clínicas pré-tratamento para prever a melhoria subsequente dos pacientes com tratamentos específicos para depressão, ou ainda usar dados de interações de pacientes e terapeutas para selecionar respostas úteis para um programa de terapia automatizado. Cada um desses exemplos envolve o upload de grandes bancos de dados de registros para desenvolver modelos de previsão ou ferramentas de apoio à decisão. Em cada caso, contudo, tanto os dados de entrada como o resultado previsto refletem a experiência do profissional [10,11]. 

Neste contexto, levando em consideração que os distúrbios mentais são um problema de saúde pública e que apresenta significativa incidência em crianças e adolescentes e ainda há um desafio no diagnóstico e tratamento dessas enfermidades e tendo em vista que a Inteligência Artificial tem se mostrado útil na área da medicina é uma ferramenta promissora, objetivou-se com esta revisão da literatura, unir e analisar as informações sobre o uso da IA nas doenças mentais em crianças e adolescentes, disponíveis na literatura científica.

2. METODOLOGIA

Para a construção deste artigo, foi realizada uma revisão integrativa da literatura, no qual foram selecionados artigos publicados de revistas indexadas nas bases de dados Scientific Electronic Library Online (SCIELO), National Library of Medicine/NLM (MEDLINE) e National Library of Medicine/NLM (PUBMED) e sites oficiais como o Ministério da Saúde do Brasil, Organização Pan-Americana de Saúde e Organização Mundial de Saúde.

Quanto ao delineamento do estudo, este foi dividido em duas etapas sendo a primeira a busca por artigos nacionais e internacionais nos idiomas português e inglês, utilizando os descritores: inteligência artificial, saúde mental, crianças, adolescentes, psiquiatria, Artificial Intelligence, mental health, psychiatry, child and adolescent, sendo encontrados 563 artigos ao total.  Posteriormente estes foram avaliados por meio de seus títulos e resumos, tendo como base os critérios de inclusão e exclusão estabelecidos. Os critérios de inclusão foram estudos utilizando métodos de revisões, meta-análises e ensaios clínicos controlados, publicados no período de 2014 a 2024. Os critérios de exclusão abrangeram estudos em animais, bem como aqueles que envolvem idosos. 

Os artigos que demonstraram relação ao tema proposto, obedecendo aos critérios, foram adicionados ao estudo. Os textos selecionados para a revisão foram lidos na íntegra, interpretados e foi realizada a elaboração de uma síntese das informações. 

3. RESULTADOS E DISCUSSÃO

Após o término da fase de busca de dados, foram encontrados 563 artigos e após a aplicação dos critérios de inclusão e exclusão foram selecionados 32 para análise. Com o objetivo de consolidar e apresentar de maneira clara as descobertas desses artigos, elaborou-se a Tabela 1, que resume cada artigo com itens: título, autor e ano de publicação, objetivos, resultados e conclusões obtidas a partir da pesquisa.

Tabela 1. Síntese dos trabalhos encontrados relacionando a utilização da IA na saúde mental de crianças e adolescentes. 

TítuloICT and autism care: state of the art [12]
Autor/ anoGrossardet Charline et al., 2018.
ObjetivosAvaliar o uso da Tecnologia da Informação e Comunicação (TIC) no tratamento de indivíduos com transtornos do espectro do autismo (TEA)
ResultadosOs conhecimentos mais recentes sobre a utilização das TIC nas formas de jogos sérios e robótica aplicados a indivíduos com PEA demonstraram que o campo dos jogos sérios já alcançou resultados interessantes e promissores, embora as validações clínicas nem sempre sejam completas. No campo da robótica, ainda existem muitas limitações no uso das TIC (por exemplo, a maioria das interações são semelhantes às do mágico de Oz), e permanecem questões relativas à sua eventual eficácia.
ConclusãoA TIC apresentou como uma ferramenta promissora no tratamento da TEA, mas ainda é preciso mais estudos que corroborem com tais achados, principalmente em relação ao uso de robôs.
TítuloEffectiveness of serious games in social skills training to autistic individuals: A systematic review [13]
Autor/ anoAzadboni Tahere Talebi et al.,2024.
ObjetivosIdentificar e categorizar jogos de computadores que têm sido utilizados para ensinar habilidades sociais a indivíduos autistas e avaliar a sua eficácia.
ResultadosApós realização de uma pesquisa abrangente em sete bases de dados, foram identificados e analisados 25 jogos em 26 estudos. Dos 104 critérios avaliados nestes estudos, 57 demonstraram melhorias significativas nos participantes. Além disso, 22 destes estudos relataram melhorias significativas em pelo menos um critério medido, com 13 estudos observando melhorias significativas em todos os resultados avaliados.
ConclusãoEstas descobertas apoiam um impacto positivo das intervenções de jogos baseados em computador no ensino de habilidades sociais a indivíduos autistas.
TítuloA controlled trial using natural language processing to examine the language of suicidal adolescents in the emergency department [14]
Autor/ anoPestian JP,et al.,  2016.
ObjetivosAnalisar o discurso com características suicidas de adolescentes em departamentos de emergência por meio da aplicação de questionários (C-SSRS, SIQ-Jr e UQ)
ResultadosUsando métodos de aprendizado de máquina semi supervisionados, as conversas de 30 adolescentes suicidas e 30 controles correspondentes foram gravadas e analisadas e observou uma diferença significativa entre os grupos.
ConclusãoOs resultados demonstraram que as máquinas distinguiram com precisão entre adolescentes suicidas e não suicidas.
TítuloChat-GPT: Opportunities and Challenges in Child Mental Healthcare [15]
Autor/ anoImran Nazish et al., 2023.
ObjetivosAvaliar a utilização do ChatGPT nas doenças mentais em crianças e adolescentes.
ResultadosChatGPT pode ser usado para analisar uma criança e texto da linguagem do adolescente para padrões e correlações que pode revelar problemas subjacentes de saúde mental. Pode ajudar médicos no fornecimento de acesso rápido a ferramentas de avaliação, novas opções de tratamento baseadas em evidências e melhores resultados clínicos práticas para gerenciar crianças e adolescentes comunsproblemas de saúde mental. Ele também pode sinalizar potenciais medicamentos interações e ajuda na redução de erros de prescrição,enquanto economiza tempo do médico.
ConclusãoO desenvolvimento de Chatbots como o ChatGPT, que é treinado, utilizando grande quantidade de dados textuais da internet, pode revolucionar a saúde mental de crianças e adolescentes, atuando como uma ferramenta de assistência eficaz, mas é necessário muito cuidado e o uso seguro e responsável é a chave para tornar a melhor utilização desta ferramenta auxiliar para promoção da saúde mental de faixas etárias vulneráveis.
TítuloPerformance of Artificial Intelligence in Predicting Future Depression Levels [16]
Autor/ anoAziz Sarah et al., 2023.
ObjetivosExaminar o desempenho de modelos lineares e não lineares simples na predição de níveis de depressão. Comparamos oito modelos lineares e não lineares (Ridge, ElasticNet, Lasso, Random Forest, Gradient Boosting, Decision Trees, Support Vector Machines e Multilayer Perceptron) para a tarefa de prever escores de depressão durante um período usando características fisiológicas, dados de atividade motora. e pontuações MADRAS.
ResultadosModelos lineares e não lineares simples podem estimar efetivamente os escores de depressão para pessoas deprimidas, sem a necessidade de modelos complexos.
ConclusãoOs dados sugeriram que o desenvolvimento de técnicas mais eficazes e imparciais para identificar a depressão, tratá-la e preveni-la usando tecnologia acessível e simples é possível e isso seria de grande auxílio na prática médica.
TítuloEstimation of the Development of Depression and PTSD in Children Exposed to Sexual Abuse and Development of Decision Support Systems by Using Artificial Intelligence [17]
Autor/ anoUcuz Ilknur et al., 2022.
ObjetivosProjetar um sistema de apoio à decisão para ajudar médicos psiquiatras no tratamento de abuso sexual infantil. Foi projetado um sistema de apoio à decisão auxiliado por computador (CADSS) baseado em RNA, que prevê o desenvolvimento de Transtorno de Estresse Pós-Traumático (TEPT) e Transtorno Depressivo Maior (TDM), usando diferentes parâmetros do ato de abuso e dos pacientes.
ResultadosNo CADDS são usados os seguintes dados: o gênero da vítima, o tipo de abuso sexual, a idade de exposição, da duração até à denúncia, o momento do abuso, a proximidade do agressor à vítima, o número de abusos sexuais, se a criança foi exposta há ameaças e violência durante o abuso, a pessoa que denunciou o evento e o nível de inteligência da vítima são usados ​​como parâmetros de entrada. Os valores médios de precisão para todos os três sistemas projetados foram calculados como 99,2%.
ConclusãoO sistema desenhado a partir desses dados pode ser utilizado com segurança no processo de avaliação psiquiátrica, a fim de diferenciar diagnósticos psiquiátricos no período inicial pós-abuso.
TítuloEffectiveness of artificial intelligence in detecting and managing depressive disorders: Systematic review [18]
Autor/ anoPark Yoonseo et al., 2024.
ObjetivosDescrever a importância de explorar as aplicações criativas da IA ​​no tratamento de perturbações depressivas para revolucionar os cuidados de saúde mental.
ResultadosO estudo revelou que a IA no tratamento da depressão se destacou pela precisão, especialmente no monitoramento e na previsão. Os dados derivados de biomarcadores demonstraram a maior precisão, com o algoritmo CNN se mostrando mais eficaz. As descobertas afirmam os benefícios terapêuticos da IA, incluindo tratamento, detecção e previsão de doenças, destacando o seu potencial na análise de dados monitorizados para a gestão da depressão.
ConclusãoEstas descobertas apoiam uma maior acessibilidade médica através de cuidados de saúde digitais, oferecendo gestão personalizada de doenças para pacientes que procuram tratamento não presencial.
TítuloPrediction of attention deficit hyperactivity disorder based on explainable artificial intelligence [19]
Autor/ anoNavarro-Soria Ignasi et al., 2024.
ObjetivosEm primeiro lugar, prever a probabilidade de um indivíduo receber um diagnóstico de Transtorno de Atenção e Hiperatividade (TDAH) usando algoritmos de uso do aprendizado de máquina (ML) e, em segundo lugar, para oferecer insights interpretáveis ​​sobre o processo de tomada de decisão do modelo de ML.
ResultadosEntre os modelos de ML testados, o algoritmo Random Forest superou os demais na maioria das métricas (ACC = 0,90, AUC = 0,94, Sensibilidade = 0,91, Especificidade = 0,92).
ConclusãoO modelo de ML previu habilmente o diagnóstico de TDAH em 90% dos casos, com potencial para melhorias adicionais com a expansão do banco de dados. Além disso, o uso de técnicas de XAI permite a elucidação de fatores salientes em casos individuais, auxiliando profissionais inexperientes no processo diagnóstico e facilitando a comparação com avaliações de especialistas.
TítuloA Prospective Study of an Early Prediction Model of Attention Deficit Hyperactivity Disorder Based on Artificial Intelligence [20]
Autor/ anoWang Gang et al., 2024.
ObjetivosExplorar a relação entre o Questionário de Sintomas dos Pais (PSQ) e o Transtorno de Déficit de Atenção e Hiperatividade (TDAH) na China, e o valor da aplicação do questionário PSQ.
ResultadosPelo teste U de Mean-Whitney, regressão LASSO e árvore de decisão, 44, 24 e 12 itens foram excluídos do PSQ com alta correlação com TDAH. Em seguida, os itens acima foram classificados e a precisão atingiu mais de 90%. Além disso, os itens do índice de hiperatividade de TDAH do PSQ sob algoritmo de inteligência artificial são diferentes daqueles do PSQ.
ConclusãoExistem algumas diferenças nos itens do índice de hiperatividade entre o PSQ e o TDAH na China. O modelo de algoritmo de inteligência artificial de crianças com TDAH baseado na escala PSQ apresenta alta precisão.

De acordo com Minh e colaboradores, 2022 [21], avanços exponenciais nos últimos anos nos campos de capacidade computacional, incluindo aqueles relacionados ao aprendizado de máquina (machine learning, em inglês), aliados à ampla quantidade de dados disponíveis, acarretaram desenvolvimentos significativos na tecnologia de IA. Isso levou ao desenvolvimento de aplicações práticas que pudessem ser usadas amplamente no cotidiano de milhares de pessoas, oferecendo benefícios importantes em diversas áreas da esfera pessoal e profissional [21, 22, 23]. 

As pesquisas em IA demonstraram relevância clínica significativa para aplicações terapêuticas em serviços de saúde mental, ou seja, em psiquiatria, psicologia e psicoterapia [24,25]. Atualmente, a IA é utilizada para facilitar a detecção precoce de doenças, compreender a progressão das doenças, otimizar a seleção e dosagem de medicamentos e descobrir novos tratamentos [26, 27]. 

Além disso, as tecnologias de IA apresentam a capacidade de desenvolver melhores ferramentas de rastreio pré-diagnóstico e elaborar modelos de risco para determinar a predisposição ou possibilidade de um indivíduo desenvolver doença mental [28, 29]. 

Cada vez mais, agentes virtuais e robóticos com inteligência artificial não estão apenas disponíveis para elementos de apoio à saúde mental de nível relativamente baixo, como conforto ou interação social, mas também realizam intervenções terapêuticas de alto nível que costumavam ser oferecidas exclusivamente por profissionais de saúde altamente treinados e qualificados [30].

A IA não só tem sido utilizada para detectar depressão [31], mas também comprovou a sua eficácia na classificação da gravidade da depressão [32]. 

Entretanto, considerando a aplicação de ferramentas de IA incorporadas na prática de saúde mental, é necessário ter em mente uma série de desafios específicos, como a responsabilidade ética que os profissionais têm de informar outros prestadores de serviços, bem como terceiros ou autoridades, se um paciente indicar que é uma ameaça para si ou para outro indivíduo. Ainda não se sabe como isso funcionaria em intervenções com inteligência artificial, especialmente quando não há supervisão da interação entre o agente de IA e o paciente por um profissional de saúde qualificado. Não está claro quando e como os robôs de assistência que os pacientes têm em suas casas, ou os agentes virtuais e chatbots disponíveis gratuitamente, conectariam efetivamente indivíduos em risco com serviços apropriados, incluindo hospitalização e outras proteções [25]. 

Ademais, preocupações metodológicas relacionadas com a avaliação do desempenho do modelo em vários estudos, o uso generalizado de pequenos conjuntos de dados de treino e o pouco valor clínico de alguns modelos sugerem que alguns destes resultados devem ser tomados com cautela.

4. CONCLUSÕES

Com base nos dados expostos é possível concluir que o futuro da IA ​​na psiquiatria parece ter um grande potencial com a crescente necessidade de sua utilização na gestão de sintomas psiquiátricos e no aumento dos tratamentos terapêuticos, uma vez que os transtornos mentais continuam sendo um problema grave de saúde pública. Sendo assim, a inteligência artificial tem imenso potencial para redefinir o diagnóstico e ajudar na melhor compreensão das doenças mentais. Intervenções baseadas em IA, como as discutidas neste artigo, poderiam ser de grande importância no direcionamento do médico e em um acompanhamento mais individualizado e integral ao paciente. 

REFERÊNCIAS

  1. World Health Organization, World mental health report: transforming mental health for all. Disponível:  https://iris.who.int/bitstream/handle/10665/356119/9789240049338-eng.pdf?sequence=1. Acesso em jun 2024. 
  2. Fakhoury Marc. Artificial intelligence in psychiatry. Adv Exp Med Biol. 2019; 1192:119-125. DOI: 10.1007/978-981-32-9721-0_6.
  3. McGinnis Ellen W., Scism Jordyn, Hruschak Jessica, Muzik Maria, Rosenblum Katherine L., Fitzgerald Kate, Copeland William,  McGinnis Ryan S., Digital Phenotype for Childhood Internalizing Disorders: Less Positive Play and Promise for a Brief Assessment Battery. IEEE J Biomed Health Inform. 2021; 25(8): 3176–3184. DOI: 10.1109/JBHI.2021.3053846.
  4. Craske Michelle G, Stein Murray B. Anxiety.  Lancet. 2016; 17;388(10063):3048-3059. DOI: 10.1016/S0140-6736(16)30381-6. 
  5. Weitzman Carol, Wegner Lynn.  Promoting Optimal Development: Screening for Behavioral and Emotional Problems Pediatrics. 2015;135(2):384-95. DOI: 10.1542/peds.2014-3716. 
  6. Welch Victoria, Wy Tom Joshua, Ligezka Anna, Hassett Leslie C, Croarkin Paul E, Athreya Arjun P, Romanowicz Magdalena. Use of Mobile and Wearable Artificial Intelligence in Child and Adolescent Psychiatry: Scoping Review. J Med Internet Res 2022;24(3):e33560. DOI: 10.2196/33560.
  7. Washington Peter, Park Natalie, Srivastava Parishkrita, Voss Catalin, Kline Aaron, Varma Maya, Tariq Qandeel, Kalantarian Haik, Schwartz Jessey, Patnaik Ritik, Chrisman Brianna, Stockham Nathaniel, Paskov Kelley, Haber Nick, Wall Dennis P, Data-Driven Diagnostics and the Potential of Mobile Artificial Intelligence for Digital Therapeutic Phenotyping in Computational Psychiatry. Biol Psychiatry Cogn Neurosci Neuroimaging. 2020; 5(8): 759–769. DOI:10.1016/ j.bpsc.2019.11.015.
  8. Oliveira Luiza Megid De, Cantanhê de Luiz Carlos Fernandes Junior. Aplicabilidade da Inteligência Artificial na Psiquiatria: Uma Revisão de Ensaios Clínicos. Debates em Psiquiatria. 2020. DOI: org/10.25118/2236-918X-10-1-2. 
  9. Voss Catalin, Schwartz Jessey, Daniels Jena, Kline Aaron, Haber Nick, Washington Peter, Tariq Qandeel, Robinson Thomas N, Desai Manisha, Phillips Jennifer M, Feinstein Carl, Winograd Terry, Wall Dennis P. Effect of  wearable  digital interventi on for improving socializati on in children with  autism  spectrum  disorder:  a  randomized clinical trial. JAMA Pediatr. 2019; 1;173(5):446-454. DOI: 10.1001/jamapediatrics.2019.0285.
  10. Kim  JW,  Sharma  V,  Ryan  ND.  Predicting methylphenidate response in ADHD using machine learning approaches. Int J Neuropsychopharmacol. 2015; 10;18(11):pyv052. DOI: 10.1093/ijnp/pyv052.
  11. Simon Gregory E, Yarborough Bobbi Jo. Good News: Artificial Intelligence in Psychiatry Is Actually Neither.  Psychiatr Serv. 2020; 1;71(3):219-220. DOI: 10.1176/appi.ps.201900464.
  12. Grossard Charline, Palestra Giuseppe, Xavier Jean, Chetouani Mohamed, Grynszpan Ouriel, Cohen David. ICT and autism care: state of the art. Curr Opin Psychiatry. 2018; 31(6):474-483. DOI: 10.1097/YCO.0000000000000455.
  13. Azadboni Tahere Talebi, Nasiri Somayeh, Khenarinezhad Sahar, Sadoughi Farahnaz. Effectiveness of serious games in social skills training to autistic individuals: A systematic review. Neurosci Biobehav Rev. 2024;161:105634. DOI: 10.1016/j.neubiorev.2024.105634.
  14. Pestian John P, Grupp-Phelan Jacqueline, Cohen Kevin Bretonnel, Meyers Gabriel, Richey Linda A, Matykiewicz Pawel, Sorter Michael T. A Controlled Trial Using Natural Language Processing to Examine the Language of Suicidal Adolescents in the Emergency Department. Suicide Life Threat Behav. 2016;46(2):154-9. DOI: 10.1111/sltb.12180.
  15. Imran Nazish, Hashmi Aateqa, Imran Ahad. Chat-GPT: Opportunities and Challenges in Child Mental Healthcare. Pak J Med Sci. 2023;39(4):1191-1193. DOI: 10.12669/pjms.39.4.8118.
  16. Aziz Sarah, Alsaad Rawan, Abd-Alrazaq Alaa, Arfan Ahmed, Javaid Sheikh. Performance of Artificial Intelligence in Predicting Future Depression Levels. Stud Health Technol Inform. 2023; 29:305:452-455. DOI: 10.3233/SHTI230529.
  17. Ucuz Ilknur, Ari Ali, Ozcan Ozlem Ozel, Topaktas Ozgu, M Sarraf erve, Dogan Ozlem. Estimation of the Development of Depression and PTSD in Children Exposed to Sexual Abuse and Development of Decision Support Systems by Using Artificial Intelligence. J Child Sex Abus. 2022;31(1):73-85. DOI: 10.1080/10538712.2020.1841350.
  18.  Park Yoonseo, Park Sewon, Lee Munjae. Effectiveness of artificial intelligence in detecting and managing depressive disorders: Systematic review. J Affect Disord. 2024; 15:361:445-456. DOI: 10.1016/j.jad.2024.06.035.
  19.  Navarro-Soria Ignasi, Rico-Juan Juan Ramón, Mier Rocio Juárez-Ruiz de, Lavigne-Cervan Rocío. Prediction of attention deficit hyperactivity disorder based on explainable artificial intelligence. Appl Neuropsychol Child. 2024; 9:1-14. DOI: 10.1080/21622965.2024.2336019.
  20. Wang Gang, Li Wanyue, Huang Shixiong, Chen Zhuoming. A Prospective Study of an Early Prediction Model of Attention Deficit Hyperactivity Disorder Based on Artificial Intelligence. J Atten Disord. 2024;28(3):302-309. DOI: 10.1177/10870547231211360.
  21. Minh Dang, Wang H. Xiang, Li Y. Fen, Nguyen Tan N. Explainable artificial intelligence: a comprehensive review. Artificial Intelligence Review. 2022; 55:3503–3568. DOI: org/10.1007/s10462-021-10088-y. 
  22. Gunning, D., Stefik, M., Choi, J., Miller, T., Stumpf, S.,Yang, G-Z.  XAI—Explainable artificial intelligence. Science Robotics. 2019; 4 (37): 7120. DOI: 10.1126/scirobotics.aay7120. 
  23. Lippi Flávia Ladeira, Abilio Carolina Cássia Conceição, Lippi José Raimundo, Graglia Marcelo Augusto Vieira. Inteligência Artificial e saúde mental no Brasil: uma revisão sistemática da literatura. Contribuciones a Las Ciencias Sociales, São José dos Pinhais. 2024; 17 (6): 01-19.  DOI: 10.55905/revconv.17n.6-356. 
  24. Martinez-Martin N, Kreitmair K. Ethical issues for direct-to-consumer digital psychotherapy apps: addressing accountability, data protection, and consent. JMIR Ment Health. 2018,23;5(2):e32. DOI: 10.2196/mental.9423. 
  25. Fiske Amelia; Henningsen Peter; Buyx Alena. Our Robot Therapist Will See You Now: Ethical Implications of Embodied Artificial Intelligence in Psychiatry, Psychology, and Psychotherapy. J Med Internet Res 2019;21(5):e13216. DOI: 10.2196/13216.
  26. Topol, Eric J. High-performance medicine: the convergence of human and artificial intelligence. Nat Med. 2019;25(1):44-56. DOI: 10.1038/s41591-018-0300-7.
  27. Sun Jie, Dong Qun-Xi, Wang San-Wang, Zheng Yong-Bo, Liu Xiao-Xing, Lu Tang-Sheng, Yuan Kai, Shi Jie, Hu Bin, Lu Lin, Han Ying. Artificial intelligence in psychiatry research, diagnosis, and therapy. Asian J Psychiatr. 2023; 87:103705. DOI: 10.1016/j.ajp.2023.103705. 
  28. Shatte, Adrian B R,  Hutchinson Delyse M, Teague Samantha J. Machine learning in mental health: a scoping review of methods and applications. Psychol Med. 2019; 49(9):1426-1448. DOI: 10.1017/S0033291719000151.
  29. Ray Adwitiya, Bhardwaj Akansha, Malik Yogender Kumar, Singh Shipra, Gupta Rajiv. Artificial intelligence and Psychiatry: An overview. Asian Journal of Psychiatry,2022,70: 103021. DOI: doi: 10.1016/j.ajp.2022.103021. 
  30. Inkster Becky, Sarda Shubhankar, Subramanian Vinod. An empathy-driven, conversational artificial intelligence agent (Wysa) for digital mental well-being: real-world data evaluation mixed-methods study. JMIR Mhealth Uhealth 2018; 23;6(11):e12106. doi: 10.2196/12106. 
  31.  Ay Betul, Yildirim Ozal, Talo Muhammed, Baloglu Ulas Baran, Aydin Galip, Puthankattil Subha D, Acharya U Rajendra. Automated depression detection using deep representation and sequence learning with EEG signals. J. Med. Syst. 2019; 43 (7), 205. DOI: 10.1007/s10916-019-1345-y.
  32. Mahato Shalini, Goyal Nishant, Ram Daya, Paul Sanchita. Detection of depression and scaling of severity using six channel EEG data. J. Med. Syst. 2020; 44 (7), 118. DOI: 10.1007/s10916-020-01573-y.

1 Pós-Graduanda em Psiquiatria no Hospital Vida- Londrina PR
2 Doutor pelo Programa de Pós-graduação em Patologia Experimental pela Universidade Estadual de Londrina – UEL
3 Doutora em Ciências da Saúde: Infectologia e Medicina Tropical, pela Faculdade de Medicina da Universidade Federal de Minas Gerais/ UFMG.
Email correspondente: paulahuaccho@gmail.com