A chegada de um bebê é frequentemente celebrada como um momento de alegria. No entanto, para muitas mulheres, esse período pode ser marcado por sentimentos de tristeza, ansiedade e exaustão extrema — sintomas característicos da depressão pós-parto (DPP). Apesar de sua alta incidência, a DPP muitas vezes permanece sem diagnóstico ou tratamento adequado, especialmente em comunidades com acesso limitado a serviços de saúde mental.
A inteligência artificial (IA) tem se mostrado uma aliada promissora na identificação e apoio a mulheres com DPP. Duas abordagens distintas têm sido exploradas: sistemas baseados em aprendizado de máquina e sistemas baseados em regras pré-definidas. Vamos explorar essas abordagens por meio de dois estudos recentes.
Em 2021, foi realizada uma revisão sistemática de 565 estudos, cobrindo dados de mais de 1,2 milhão de mulheres, em 80 países, sobre a prevalência global da depressão pós-parto. A intenção foi mapear a distribuição geográfica, e entender os fatores contributivos. Os pesquisadores concluíram uma prevalência mundial estimada em 17,22%, equivalente a uma mulher afetada em cada cinco após o parto.
No mapa de calor, as cores mais escuras representam maior prevalência de DPP, e as mais claras, menor. A África do Sul revelou a maior taxa (38,79%), e a Dinamarca, a menor (6,48%). Os números apresentados pelo Brasil ficaram em 24,3%, consideravelmente acima da média global. Isso é consistente com os achados do estudo, que concluiu ligação direta da depressão pós-parto com estado civil, apoio social, violência doméstica, dificuldades financeiras e aleitamento materno.
Como funcionam as IAs desenvolvidas?
Aprendizado de Máquina (Machine Learning)
O estudo “MOMCare with AI: A Dual Embedding-based RAG-LLM Chatbot for Postpartum Depression” apresenta um chatbot desenvolvido com técnicas avançadas de aprendizado de máquina. Utilizando uma arquitetura de Recuperação Aumentada por Geração (RAG) e modelos de linguagem de grande escala (LLMs), o sistema é capaz de compreender e responder de forma empática às preocupações das usuárias. Ele incorpora mecanismos de verificação dupla e reclassificação específica do domínio médico para garantir respostas precisas e relevantes.
Verificação dupla em um sistema de IA significa que a resposta gerada é verificada duplamente antes de ser entregue ao usuário, garantindo qualidade, precisão e segurança. Já a reclassificação específica do domínio médico se refere a um filtro clínico, pelo qual a resposta também passa, avaliando se está adequada ao contexto da saúde antes de ser entregue.
Sistemas Baseados em Regras Pré-definidas
Por outro lado, o estudo “Chatbot to Support the Mental Health Needs of Pregnant and Postpartum Women (Moment for Parents): Design and Pilot Study” explora um chatbot desenvolvido com base em regras pré-definidas. Esse sistema utiliza scripts e fluxos de conversa estabelecidos por especialistas para fornecer suporte às usuárias. Embora menos flexível que os sistemas baseados em aprendizado de máquina, essa abordagem permite maior controle sobre as respostas fornecidas.
Como foram os testes das IAs?
MOMCare with AI
O MOMCare foi testado com mães que apresentavam sintomas de DPP. O chatbot demonstrou capacidade de fornecer respostas empáticas e contextualmente relevantes, auxiliando as usuárias a compreenderem e gerenciarem seus sentimentos. A integração de técnicas avançadas de IA permitiu que o sistema aprendesse e se adaptasse às necessidades individuais das usuárias ao longo do tempo.
Moment for Parents
O chatbot Moment for Parents foi implementado como um piloto para avaliar sua eficácia no apoio a mulheres grávidas e no pós-parto. Utilizando fluxos de conversa baseados em regras, o sistema forneceu informações e suporte emocional às usuárias. Embora tenha mostrado potencial, a abordagem baseada em regras apresentou limitações na personalização das interações.
Impacto na saúde e nos pacientes
MOMCare with AI
- Vantagens: Alta capacidade de personalização, respostas empáticas e adaptativas, aprendizado contínuo com base nas interações.
- Desvantagens: Necessidade de grandes volumes de dados para treinamento, complexidade na implementação e manutenção.
Moment for Parents
- Vantagens: Facilidade de implementação, maior controle sobre as respostas, menor risco de respostas inadequadas.
- Desvantagens: Limitações na personalização, potencial para respostas genéricas que podem não atender às necessidades específicas das usuárias.
O que dizem os estudos ou especialistas?
O estudo do MOMCare destaca a eficácia de sistemas baseados em aprendizado de máquina na oferta de suporte personalizado e empático para mulheres com DPP. A capacidade do sistema de aprender e se adaptar às necessidades das usuárias é apontada como um diferencial significativo.
Por outro lado, o estudo do Moment for Parents enfatiza a importância de abordagens baseadas em regras, especialmente em contextos onde a segurança e o controle sobre as respostas são prioritários. Embora menos flexíveis, esses sistemas oferecem uma base sólida para fornecer informações consistentes e confiáveis.
Desafios e limitações
- Privacidade e segurança dos dados: Ambas as abordagens devem garantir a confidencialidade das informações das usuárias.
- Acesso e equidade: É crucial garantir que essas ferramentas sejam acessíveis a todas as mulheres, independentemente de sua localização ou condição socioeconômica.
- Integração com serviços de saúde: Para maximizar o impacto, os chatbots devem ser integrados aos sistemas de saúde existentes, permitindo encaminhamentos e suporte adicional quando necessário.
Tendências e próximos passos
O futuro aponta para a integração de abordagens híbridas, combinando o aprendizado de máquina com regras pré-definidas para equilibrar personalização e controle. Além disso, a colaboração entre desenvolvedores de IA, profissionais de saúde e usuárias será essencial para criar ferramentas eficazes e centradas no usuário.
Conclusão
A IA oferece oportunidades promissoras para apoiar mulheres com depressão pós-parto. Tanto sistemas baseados em aprendizado de máquina quanto aqueles baseados em regras têm seus méritos e desafios. A escolha da abordagem deve considerar o contexto, os recursos disponíveis e as necessidades específicas das usuárias.
Referências
- MOMCare with AI: A Dual Embedding-based RAG-LLM Chatbot for Postpartum Depression – ResearchGate – Link
- Chatbot to Support the Mental Health Needs of Pregnant and Postpartum Women (Moment for Parents): Design and Pilot Study – JMIR Formative Research – Link
- Mapping global prevalence of depression among postpartum women – Translational Psychiatry – Link
