Tecnologia vestível para o transtorno depressivo

Joe, diagnosticado com transtorno depressivo maior, tem consultas quinzenais com sua psiquiatra, Sandy.

“Como você tem se sentido desde a nossa última consulta?” perguntou Sandy.

“Muito melhor”, respondeu Joe. “Tenho sido mais ativo, sociável e estou dormindo muito bem!”

“Isso é maravilhoso”, disse Sandy. “Mas... acho que seu dispositivo vestível deve estar com problemas. Os dados sobre seu sono nas últimas duas semanas parecem muito irregulares.”

“Ah”, disse Joe, “não está quebrado. Na verdade, agora que você mencionou, meu sono tem estado bem bagunçado. Dormi bem só ontem.”

“Bem”, perguntou Sandy, “vamos conversar mais sobre como podemos melhorar seu sono?”

Essa interação é baseada em uma conversa real entre paciente e terapeuta. Nesse caso, os dados da tecnologia vestível serviram como um estímulo para explorar detalhes da vida do paciente que poderiam ter passado despercebidos. As avaliações clínicas tradicionais dependem da memória do paciente, que pode incluir fatores importantes que os dispositivos vestíveis não detectam, como relatos de sofrimento emocional. No entanto, os dispositivos vestíveis, ao fornecerem dados longitudinais da vida diária, podem complementar os métodos de monitoramento e tratamento da depressão, adicionando uma perspectiva objetiva às informações subjetivas fornecidas pelos pacientes.

O tratamento da depressão baseia-se na avaliação da presença e gravidade dos sintomas. O diagnóstico e o monitoramento da depressão são realizados principalmente por meio de avaliações baseadas em entrevistas ou escalas de autorrelato, que incluem perguntas sobre circunstâncias atuais, histórico pessoal e familiar e a frequência de sintomas associados à depressão.

Grande parte dessas informações é subjetiva, ou seja, baseada no relato do paciente e influenciada pelo julgamento do clínico. Por isso, está suscetível a diversos vieses que podem comprometer a qualidade do atendimento.

Escalas de autorrelato têm sido utilizadas para monitorar sintomas de forma remota entre consultas clínicas. Se instrumentos como o Patient Health Questionnaire 9 (PHQ-9), que pontua a gravidade da depressão em uma escala de 0 a 27 — com números mais altos indicando casos mais graves — forem aplicados regularmente, podem reduzir o viés retrospectivo. No entanto, o ônus imposto ao paciente pode limitar a frequência com que os questionários são aplicados. De fato, a adesão tende a diminuir à medida que aumenta a frequência ou o período de administração dos questionários.

Dispositivos vestíveis permitem o monitoramento passivo (ou seja, sem a necessidade de entrada ativa) de fatores comportamentais e fisiológicos. A maior frequência e objetividade das medições realizadas por esses dispositivos ajudam a superar limitações relacionadas à adesão e aos vieses presentes no monitoramento da depressão exclusivamente por meio de autorrelatos.

Medições longitudinais obtidas por dispositivos vestíveis — especialmente quando combinadas com dados contextuais de smartphones — têm o potencial de complementar os processos clínicos de tomada de decisão na psiquiatria. Ao complementar os relatos dos pacientes, essas medições ampliam as informações disponíveis para diagnósticos diferenciais ou planejamento terapêutico.

Os dispositivos vestíveis apoiam abordagens personalizadas para o tratamento da depressão. As medições longitudinais ajudam a estabelecer padrões comportamentais e fisiológicos específicos, permitindo a identificação de fatores personalizados que desviam dessas normas. O clínico pode usar essas informações idiográficas (dentro do indivíduo) em conjunto com evidências nomotéticas (entre indivíduos), provenientes de ensaios clínicos randomizados, para monitorar mudanças na condição do paciente e ajustar o plano de tratamento. Além disso, essas medições podem possibilitar a categorização de pacientes com base em tipos comportamentais ou fisiológicos semelhantes, associando-os posteriormente a desfechos terapêuticos.

Os dados ajudam os clínicos a ter uma visão mais abrangente da condição e a identificar alvos potenciais para intervenção, mas não determinam quais devem ser priorizados. O julgamento clínico permanece essencial para decisões terapêuticas adequadas. Por exemplo, no caso de Joe, o dispositivo indicou distúrbios no sono. Melhorá-lo pode reduzir significativamente os sintomas. Contudo, se Joe for pai de um recém-nascido, o foco no sono pode não ser o ideal. Assim, o contexto do paciente deve sempre ser considerado.

Ademais, quando apresentados a essas medições, Joe e seu médico concordaram sobre a necessidade de melhorar a gestão do sono. Esse exemplo ilustrou como dados objetivos podem envolver os pacientes, melhorar sua compreensão sobre a condição e potencialmente motivá-los a aderir a um tratamento. Pacientes em tratamentos prolongados também podem ser beneficiados por dispositivos vestíveis, uma vez que tendências objetivas, como dados de sono e atividade, podem mostrar melhorias clínicas e motivar a continuidade do tratamento.

Ao combinar medições de sensores com autorrelatos, os clínicos podem reduzir imprecisões causadas por vieses. Os dados de dispositivos vestíveis permitem um monitoramento mais preciso de mudanças no comportamento e nos sintomas entre consultas, indicando se o paciente respondeu à medicação, aderiu à terapia ou sofreu uma recaída.

O acesso a dados interpretáveis dos dispositivos vestíveis pode influenciar como os clínicos estruturam o tempo com os pacientes. A avaliação psiquiátrica inicial pode durar até 2 horas. Parte desse tempo é dedicada à coleta de informações sobre sintomas nas semanas anteriores. Contudo, dados como padrões de sono e níveis de atividade poderiam ser coletados pelos dispositivos vestíveis e disponibilizados ao clínico já na primeira consulta. Essas informações poderiam ser integradas aos registros clínicos de forma automatizada ou semiautomatizada. Isso permitiria ao clínico acessar rapidamente os dados mais relevantes e focar em aspectos que o dispositivo não aborda, fortalecendo a relação terapêutica e fornecendo um tratamento personalizado.

Os sistemas vestíveis avaliados para monitorar a depressão geralmente incluem vários componentes em camadas, conforme ilustrado na Figura 1. O objetivo é transformar medições brutas dos sensores em informações significativas que apoiem as decisões clínicas. As medições são normalmente recebidas por um smartphone sincronizado, que fornece contexto adicional (por exemplo, localização, uso de aplicativos e atividade em sites). Muitos sinais de interesse para o monitoramento podem ser rastreados em cenários do mundo real com o uso da tecnologia vestível atual; esses incluem aceleração, localização, atividade em telas, uso de aplicativos, pagamentos realizados por dispositivos vestíveis e registros de chamadas e mensagens de smartphones. Diversos desses sinais podem ser diretamente relevantes para a personalização do tratamento (por exemplo, visualizar e discutir comportamentos sociais ou de consumo como parte da terapia cognitivo-comportamental [TCC]).

Figura 1: Camadas de Dados Fornecidas por Dispositivos Vestíveis. Imagem retirada de Fedor e colaboradores (2023).

Além disso, dispositivos vestíveis podem coletar medições fisiológicas longitudinais, como a atividade eletrodérmica, geralmente avaliada pela condutância da pele, e sinais cardíacos (por exemplo, variabilidade da frequência cardíaca) por meio da fotopletismografia. Essas medições podem fornecer insights sobre alterações no ritmo circadiano ou na atividade do sistema nervoso autônomo do paciente (por exemplo, devido ao estresse ou disfunção autonômica). Historicamente, os estudos desses sinais têm sido limitados a medições breves realizadas durante visitas laboratoriais que podem ser influenciadas por eventos de curto prazo, como um trajeto estressante. Sensores autonômicos confortáveis, capazes de coletar esses dados de forma confiável no dia a dia, minimizando artefatos, foram recentemente aprovados pela Food and Drug Administration (FDA) e podem ser utilizados para coleta de dados longitudinais. Informações fisiológicas confiáveis podem aprimorar a gestão e a compreensão da depressão, ao oferecer maior insight sobre a dinâmica dos fatores psicofisiológicos na vida diária dos pacientes. No entanto, essas medições fisiológicas baseadas em dispositivos vestíveis ainda não foram testadas em ensaios controlados para confirmar seu potencial benefício clínico.

As medições brutas precisam ser limpas antes do processamento dos dados. A limpeza consiste em remover amostras registradas enquanto o dispositivo não estava sendo usado, filtrar sinais de má qualidade (por exemplo, aqueles com artefatos de movimento) e reduzir o ruído nos dados.

Após a limpeza, os sinais brutos são processados por meio de algoritmos de extração de características para obter dados significativos, chamados de características de baixo nível. Por exemplo, o acelerômetro de uma pulseira mede a aceleração linear do pulso. Esse sinal pode ser processado para extrair métricas mais interpretáveis, como a intensidade do movimento (por exemplo, para avaliação de comprometimento psicomotor e padrões de sono). Devido à alta dimensionalidade e complexidade, as características de baixo nível, que consistem em longas séries temporais amostradas frequentemente a partir de medições multimodais, geralmente são muito detalhadas para informar decisões clínicas diretamente. No entanto, garantir a integridade dessas características é fundamental para fornecer a qualidade de dados necessária para obter insights mais elevados.

As características de baixo nível são combinadas de diferentes maneiras e, em seguida, agregadas para representar métricas clinicamente relevantes, como o tempo total de sono ou a atividade vigorosa. Essas métricas, denominadas informações de alto nível, são agrupadas por constructos em categorias clinicamente significativas (por exemplo, atividade, sono, estresse e comunicação). Estimativas de estresse podem ser calculadas a partir de uma combinação de medições fisiológicas, como atividade eletrodérmica ou variabilidade da frequência cardíaca, e informações contextuais, como movimento, temperatura e localização. Padrões de comunicação podem ser medidos por métricas de atividade do smartphone, incluindo o número de chamadas iniciadas e atendidas e a quantidade de mensagens enviadas e recebidas.

A agregação pode resultar em uma característica como o número de horas de sono por dia. Alternativamente, a agregação pode combinar características de baixo nível (por exemplo, sono e frequência cardíaca, para uma linha de base de sono e contexto).

O progresso acelerado no aprendizado de máquina aplicado a grandes conjuntos de dados gerou otimismo de que algoritmos possam, no futuro, estimar automaticamente os valores de estados clínicos relacionados ao transtorno depressivo maior. Por exemplo, um algoritmo poderia usar medições brutas de dispositivos vestíveis junto com outros dados contextuais (como condições climáticas, horário do dia e informações fornecidas pelo paciente) como entradas, gerando um escore para a gravidade dos sintomas depressivos. Contudo, esses ainda não são validados para uso clínico. Sua validação exige grandes conjuntos de dados, com informações rotuladas com precisão de populações diversas de pacientes e diagnósticos, para alcançar níveis de precisão clinicamente úteis.

Houve avanços significativos na estimativa automática de alguns estados de alto nível, como o sono. No entanto, outros, como a suicidabilidade, ainda carecem de estimadores confiáveis e permanecem áreas ativas de pesquisa. De forma mais ampla, melhorias adicionais na precisão, explicabilidade e generalização desses métodos são necessárias antes de sua aplicação na prática clínica. Além disso, algoritmos de aprendizado de máquina podem amplificar vieses presentes nos dados de treinamento, que podem, por exemplo, não incluir informações de pacientes com características demográficas diversas. É essencial detectar e corrigir esses vieses algorítmicos, além de torná-los transparentes quando existentes. Portanto, estudos amplos, com populações de pacientes suficientemente diversas, são necessários antes que esses algoritmos possam ser avaliados para uso clínico.

Um desafio notável no processamento de dados de dispositivos vestíveis é a heterogeneidade entre os pacientes. O mesmo valor obtido de um sensor específico pode ter significados diferentes para pessoas distintas. Por exemplo, indivíduos sedentários e atletas geralmente possuem frequências cardíacas de repouso muito diferentes. Métodos de normalização de dados geralmente são necessários para permitir comparações entre diferentes pessoas. A normalização também pode ser necessária para comparações dentro de um mesmo indivíduo, especialmente quando mudanças significativas ocorrem e afetam as linhas de base das medições. Por exemplo, um paciente pode apresentar um nível reduzido de atividade física devido a uma lesão, e não à depressão.

Considere os dados de uma pulseira vestível de Maria (Figuras 2, 3 e 4), uma mulher de 21 anos com diagnóstico de transtorno depressivo maior, que começou a tomar estrogênio para tratar a depressão duas semanas antes de iniciar a coleta de dados vestíveis em um estudo.

Figura 2: Dados de atividade e depressão por 16 dias em uma paciente real. Imagem retirada de Fedor e colaboradores (2023).

Figura 3: Dados de atividade e depressão ao longo de 6 semanas na mesma paciente. Imagem retirada de Fedor e colaboradores (2023).

A Figura 2 apresenta 16 dias de padrões de atividade de Maria, desde níveis baixos até altos, processados a partir do acelerômetro da pulseira. As setas na Figura 2A destacam um padrão de atividade moderada regular, que ocorre em intervalos semanais, nos fins de semana e durante as manhãs. Na Figura 2B, as setas apontam para dias com menos de 5 minutos totais de atividade moderada ou vigorosa. Ao comparar os padrões das Figuras 2B e 2C, não há correlação visível entre o nível de atividade e os sintomas depressivos nesse curto período. Entretanto, ao observar os mesmos dados em um período de 6 semanas (Figura 3), percebe-se que o padrão de atividade de Maria tornou-se mais consistente e está associado a uma redução nos sintomas depressivos. Essa correlação entre mudanças na depressão autorrelatada e no nível de atividade é consistente, mas não implica causalidade.

Figura 4: Nível de atividade, tempo de sono e escore de depressão ao longo de 6 semanas. Imagem retirada de Fedor e colaboradores (2023).

A Figura 4 mostra os padrões de sono de Maria. Como a Figura 4A apresenta regiões de dados ausentes, não é possível afirmar conclusivamente que seu sono seja tão regular quanto aparenta. No entanto, os dados ao longo de 6 semanas (Figura 4B) sugerem uma melhora em sua hipersonia, com níveis de sono mais normais (7 a 8 horas por noite). A terapia cognitivo-comportamental para insônia ou hipersonia (TCC-I) pode reduzir significativamente os sintomas depressivos em muitos pacientes. Assim, revisar gráficos como esses pode ser útil tanto para identificar a necessidade de terapia do sono quanto para monitorar a adesão e os resultados após seu início.

Embora seja tentador buscar conexões simples entre sintomas autorrelatados diários e dados vestíveis que possam ser generalizados a todos os pacientes, essas conexões muitas vezes são difíceis de encontrar. Em uma análise de vários estudos baseada em comparações entre grupos (ou entre pacientes), De Angel et al. descobriram que o tempo total de sono diário apresentou significância com direcionalidade mista. Isso é esperado, dado que algumas pessoas com o transtorno dormem menos, enquanto outras dormem mais. Entre 12 estudos que mediram "níveis de atividade como característica da atividade física" como índice de depressão, três mostraram que essa característica em dados de dispositivos vestíveis ou smartphones correlacionava-se com a gravidade da depressão. Isso sugeriu que o retardo psicomotor observado na depressão pode ser capturado por medidas objetivas de dispositivos vestíveis em certos cenários. No entanto, como os transtornos mentais são frequentemente idiossincráticos, ensaios clínicos randomizados (RCTs) que buscam fatores causais em grupos podem não produzir resultados aplicáveis a cada paciente individual.

Em contraste, os dispositivos vestíveis permitem o monitoramento longitudinal de alta frequência de pacientes individuais, e os dados podem ser usados para reunir evidências sobre sintomas relacionados e eficácia do tratamento 1. Esses podem, por exemplo, buscar correlações específicas de pacientes entre métricas objetivas de dispositivos vestíveis, decisões de tratamento (como medicação ou psicoterapia recomendada) e resultados desejados (como níveis gerais de depressão). Embora os métodos idiográficos tenham limitações, os médicos defendem o seu uso em conjunto com fontes convencionais de evidências nomotéticas em ensaios clínicos randomizados, já que os dados longitudinais objetivos podem produzir descobertas mais alinhadas à experiência individual do paciente.

Limitações a serem superadas

Diversos obstáculos ainda dificultam a adoção de tecnologias vestíveis na prática clínica. Uma dessas é a interpretabilidade clínica dos resultados. Frequentemente, essas medições longitudinais amostradas com alta frequência são de alta dimensionalidade e interagem de maneira complexa. Sua associação com a depressão é heterogênea e pode ser difícil de interpretar. Várias estratégias, ainda não testadas, podem melhorar a utilidade das medições vestíveis. Primeiramente, características de alto nível devem ser projetadas em conjunto com clínicos para garantir seu significado clínico. Por exemplo, a intensidade do movimento pode ser apresentada em diferentes métricas, como a norma euclidiana (ou seja, a raiz quadrada da soma dos quadrados dos valores do acelerômetro nos três eixos) ou o tempo médio gasto em níveis de atividade vigorosa. Esta última é provavelmente mais relevante para um clínico, que pode recomendar um aumento na duração da atividade vigorosa e, em seguida, monitorar se o paciente segue a recomendação e apresenta melhora clínica. Em segundo lugar, ferramentas de visualização que mostrem o padrão longitudinal de informações clinicamente relevantes devem ser desenvolvidas. Por exemplo, os clínicos podem se interessar pelos padrões de atividade de um paciente e como esses mudam ao longo das visitas e tratamentos.

A adesão ao monitoramento longitudinal é frequentemente um desafio. Nos estudos, nos quais os participantes foram instruídos a usar sensores em ambos os pulsos continuamente por até 8 semanas, a adesão foi de cerca de 70%. Em outro, no qual os participantes foram monitorados com um dispositivo vestível por até 24 meses, a adesão não foi afetada pela gravidade da depressão. No entanto, os participantes da pesquisa muitas vezes são remunerados por usar os sensores, e tais incentivos financeiros não fazem parte da prática clínica. Embora a sua aceitabilidade tenha sido demonstrada em várias populações, mais pesquisas são necessárias para determinar como aumentar a adesão ao uso desses na prática clínica.

Outra limitação dos dispositivos vestíveis que tem levado ao atraso de sua implementação na psiquiatria é que frequentemente eles fornecem apenas informações de alto nível, como o tempo diário de sono, sem que os fabricantes divulguem os algoritmos ou os dados brutos utilizados para gerar esses resultados. A falta de acesso aos dados brutos de alta qualidade impede a avaliação sistemática pela comunidade científica da precisão e robustez dos algoritmos usados para estimar características de baixo nível por esses dispositivos. Outro problema é que os fabricantes dos dispositivos vestíveis frequentemente oferecem o processamento de dados como parte da funcionalidade do dispositivo, mas podem não notificar os clínicos ou pesquisadores caso atualizem seus algoritmos de processamento, o que pode alterar os resultados dos estudos.

Aspectos éticos no uso de dispositivos vestíveis para depressão

O uso ético de dispositivos vestíveis na prática clínica exige considerações cuidadosas e a implementação de salvaguardas para minimizar riscos. Na prática clínica, é razoável limitar o uso a dispositivos aprovados pela FDA ou por outras organizações reguladoras de prestígio. Esses passam por verificações de qualidade relacionadas aos dados listados em suas indicações aprovadas pela FDA, além de testes de biocompatibilidade, segurança, usabilidade e cibersegurança que, geralmente, não são exigidos para dispositivos de consumo. Outros fatores importantes incluem o suporte técnico para usuários, pesquisadores e clínicos, além de aspectos como vida útil da bateria, custo, tamanho, interoperabilidade com diferentes plataformas de smartphone e o estigma associado à aparência de dispositivos visíveis.

A equidade, segurança e privacidade dos dados são de suma importância, uma vez que os dispositivos vestíveis medem diversos sinais relacionados à saúde, considerados sensíveis. É necessário garantir que os dados dos permaneçam seguros, utilizando, por exemplo, criptografia, desidentificação e equipes dedicadas para gerenciar as informações e monitorar possíveis violações de segurança. Além disso, é essencial forneçam resultados equitativos para populações heterogêneas.

Finalmente, o consentimento informado e a transparência são fundamentais para o uso ético de dispositivos vestíveis. Os pacientes têm o direito de escolher se desejam utilizar um dispositivo vestível em seu tratamento e de saber como seus dados serão utilizados, caso optem por usá-lo. Esses fatores são essenciais tanto para o uso futuro dos dispositivos vestíveis no tratamento clínico da depressão quanto para a realização dos grandes estudos necessários para aprofundar a compreensão dos dados gerados e seu potencial para melhorar os resultados dos pacientes.