Aplicabilidade da inteligência artificial na psiquiatria: uma revisão de ensaios clínicos
DOI:
https://doi.org/10.25118/2236-918X-10-1-2Palavras-chave:
Inteligência artificial, psiquiatria, ensaios clínicosResumo
A inteligência artificial (IA), possibilitada pelo avanço tecnológico e aperfeiçoamento dos sistemas computadorizados, visa permitir que as máquinas mimetizem capacidades humanas com mais rapidez e acurácia e tem se mostrado uma ferramenta útil e eficiente dentro da area da saúde, representando potencial de aplicabilidade significativa na psiquiatria. O objetivo deste estudo foi apresentar e discutir ensaios clínicos que tenham estudado a IA, especificamente na área de psiquiatria, para esclarecer sua relevância na prática médica. Realizou-se um levantamento de ensaios clínicos publicados a partir do século XXI nas bases de dados PubMed, Biblioteca Virtual de Saúde e MEDLINE com o uso da IA na psiquiatria. Observou-se que os ensaios clínicos utilizando a IA foram realizados principalmente na área de predição de tratamento farmacológico, seguida de outras areas, como no desenvolvimento de habilidades sociais e análise de alterações estruturais do sistema nervoso central. A aplicação da IA na medicina representa inovações e avanços significativos na área da psiquiatria, no entanto não substitui a avaliação clínica até o presente momento.
Downloads
Métricas
Referências
Brasil, Ministério da Saúde. Saúde mental: o que é, doenças, tratamentos e direitos [Internet]. [cited 2019 Apr 24]. https://saude.gov.br/saude-de-a-z/saude-mental
Falceto OG, Busnello ED, Bozzetti MC. Validação de escalas diagnósti cas do funcionamento familiar para utilização em serviços de atenção primária à saúde. Rev Panam Salud Publica. 2000;7:255-63.3. Del-Ben CM, Rufino AC, Azevedo-Marques JM, Menezes, PR.[Differential diagnosis of first episode psychosis: importance of optimal approach in psychiatric emergencies]. Braz J Psychiatry. 2010;32 Suppl 2:S78-86.
Araújo AC, Lotufo Neto F. A nova classificação americana para os transtornos mentais – o DSM-5. Rev Bras Ter Comp Cogn. 2014;16:67-82.
Insel T. Thomas Mental Health Information: transforming diagnosis [Internet]. 2013 Apr 29 [cited 2019 Apr 25]. www.nimh.nih.gov/about/directors/thomas-insel/blog/2013/transformingdiagnosis.shtml
Lobo Luiz Carlos Inteligência artificial, o Futuro da Medicina e a Educação Médica. Rev Bras Educ Med. 2018; 42: 44-46.
Scott IA. Machine learning and evidence-based medicine. Ann Intern Med. 2018;169:44-6.
Albu A, Stanciu L. Benefits of using artificial intelligence in medical predictions [Internet]. 2015 [cited 2019 Apr 27]. ieeexplore.ieee.org/document/7391610
Dawes TJ, de Marvao A, Shi W, Fletcher T, Watson GM, Wharton J, et al. Machine learning of threedimensional right ventricular motion enables outcome prediction in pulmonary hypertension: a cardiac MR imaging study. Radiology. 2017;283:381-90.
Cheung CY, Tang F, Ting DS, Tan GS, Wong TY. Artificial intelligence in diabetic eye disease screening. Asia Pac J Ophthalmol (Phila). 2019;8:158-64.
Esteva A, Kuprel B, Novoa RA, Ko J, Swetter SM, Blau HM, et al. Dermatologist-level classification of skin cancer with deep neural networks. Nature. 2017;542:115-8.
Saba L, Biswas M, Kuppili V, Cuadrado Godia E, Suri HS, Edla DR, et al. The present and future of deep learning in radiology. Eur J Radiol. 2019;114:14-24.
Kim JW, Sharma V, Ryan ND. Predicting methylphenidate response in ADHD using machine learning approaches. Int J Neuropsychopharmacol. 2015 May 10;18(11):pyv052. doi: 10.1093/ijnp/pyv052.
Koutsouleris N, Kahn RS, Chekroud AM, Leucht S, Falkai P, Wobrock T, et al. Multisite prediction of 4-week and 52-week treatment outcomes in patients with first-episode psychosis: a machine learning approach. Lancet Psychiatry. 2016;3:935-46.
Chekroud AM, Zotti RJ, Shehzad Z, Gueorguieva R, Johnson MK, Trivedi MH, et al. Cross-trial prediction of treatment outcome in depression: a machine learning approach. Lancet Psychiatry. 2016;3:243-50.
Bak N, Ebdrup BH, Oranje B, Fagerlund B, Jensen MH, Düring SW, et al. Two subgroups of antipsychotic-naive, first-episode schizophrenia patients identified with a Gaussian mixture model on cognition and electrophysiology. Transl Psychiatry. 2017;7:e1087.
Lenhard F, Sauer S, Andersson E, Månsson KN, Mataix-Cols D, Rück C, et al. Prediction of outcome in internet-delivered cognitive behaviour therapy for paediatric obsessive-compulsive disorder: a machine learning approach. Int J Methods Psychiatr Res. 2018 Mar;27(1). doi: 10.1002/mpr.1576. Epub 2017 Jul 28.
Carrillo F, Sigman M, Fernández Slezak D, Ashton P, Fitzgerald L, Stroud J, et al. Natural speech algorithm applied to baseline interview data can predict which patients will respond to psilocybin for treatment-resistant depression. J Affect Disord. 2018;230:84-6.
Pestian JP, Grupp-Phelan J, Bretonnel Cohen K, Meyers G, Richey LA, Matykiewicz P, et al. A controlled trial using natural language processing to examine the language of suicidal adolescents in the emergency department. Suicide Life Threat Behav. 2016;46:154-9.
Dazzan P. Neuroimaging biomarkers to predict treatment response in schizophrenia: the end of 30 years of solitude? Dialogues Clin Neurosci. 2014;16:491-503.
Zhang W, Yang X, Lui S, Meng Y, Yao L, Xiao Y, et al. Diagnostic prediction for social anxiety disorder via multivariate pattern analysis of the regional homogeneity. Biomed Res Int. 2015;2015:763965.
Schnack HG, Nieuwenhuis M, van Haren NE, Abramovic L, Scheewe TW, Brouwer RM, et al. Can structural MRI aid in clinical classifi cati on? A machine learning study in two independent samples of pati ents with schizophrenia, bipolar disorder and healthy subjects. Neuroimage. 2014; 84:299-306.
Redlich R, Opel N, Grotegerd D, Dohm K, Zaremba D, Bürger C, et al. Predicti on of individual response to electroconvulsive therapy via machine learning on structural magneti c resonance imaging data. JAMA Psychiatry. 2016;73:557-64.
Yun SS, Choi J, Park SK, Bong GY, Yoo H. Social skills training for children with auti sm spectrum disorder using a roboti c behavioral interventi on system. Auti sm Res. 2017;10:1306-23.
Voss C, Schwartz J, Daniels J, Kline A, Haber N, Washington P, et al. Eff ect of wearable digital interventi on for improving socializati on in children with auti sm spectrum disorder: a randomized clinical trial. JAMA Pediatr. 2019;173:446-54.
Mengoni SE, Irvine K, Thakur D, Barton G, Dautenhahn K, Guldberg K, et al. Feasibility study of a randomized controlled trial to investi gate the eff ecti veness of using a humanoid robot to improve the social skills of children with auti sm spectrum disorder (Kaspar RCT): a study protocol. BMJ Open. 2017;7:e017376.
Wesemann U, Kowalski JT, Jacobsen T, Beudt S, Jacobs H, Fehr J, et al. Evaluati on of a technologybased adapti ve learning and preventi on program for stress response -- a randomized controlled trial. Mil Med. 2016;181:863-71.
Downloads
Publicado
Como Citar
Edição
Seção
Licença
Este trabalho está licenciado sob uma licença Creative Commons Attribution-NonCommercial 4.0 International License.
Debates em Psiquiatria permite que o (s) autor (es) mantenha(m) seus direitos autorais sem restrições. Atribuição-NãoComercial 4.0 Internacional (CC BY-NC 4.0) - Debates em Psiquiatria é regida pela licença CC-BY-NC
