Modelos Preditivos sobre Perfil Psicossocial, Fadiga e Qualidade do Sono

A fibromialgia (FM) é uma condição caracterizada por dor musculoesquelética crónica, cuja fisiopatologia permanece pouco clara. Além disso, esta perturbação está frequentemente associada a distúrbios do sono, fadiga pronunciada, rigidez matinal, baixa qualidade de vida, alterações cognitivas (principalmente problemas relacionados com a memória) e perturbações psicológicas, incluindo depressão, ansiedade e stresse.

A FM é significativamente mais prevalente em mulheres, com uma proporção estimada de mulheres para homens de aproximadamente 3:1. A sua prevalência na população adulta é estimada em 2-3%, aumentando com a idade e atingindo o pico entre os 45 e os 65 anos. O impacto socioeconómico e na saúde desta condição é substancial, uma vez que a FM está associada a elevadas taxas de consultas médicas, desemprego, incapacidade laboral e necessidade de apoio financeiro relacionado com a incapacidade.

A FM tem sido associada a níveis mais elevados de afeto negativo, definido como um estado geral de angústia que engloba emoções aversivas como tristeza, medo, raiva e culpa. Os doentes com FM apresentam frequentemente níveis elevados de ansiedade, depressão, catastrofização da dor e stresse, que estão associados ao agravamento dos sintomas, incluindo défices cognitivos.

Nos últimos anos, técnicas de aprendizagem automática, mineração de dados e inteligência artificial (IA) têm sido aplicadas com sucesso no desenvolvimento de sistemas de diagnóstico assistido por computador (DAC) para a identificação de condições de saúde complexas, alcançando bons níveis de precisão e eficiência através do reconhecimento de padrões potencialmente significativos em dados relacionados com a saúde. Consequentemente, estas tecnologias fornecem ferramentas poderosas para a análise multivariável de dados, permitindo previsões baseadas em modelos e oferecendo uma vantagem clara na avaliação de risco numa ampla gama de doenças. Além disso, estas abordagens não só apoiam o desenvolvimento de modelos preditivos clínicos, como também melhoram a capacidade dos clínicos para interpretar e aplicar os seus resultados na prática.

Os modelos de aprendizagem automática explicáveis permitem que os especialistas clínicos tomem decisões baseadas em dados e administrem tratamentos personalizados, mantendo um elevado padrão de cuidados. Estes modelos inserem-se no campo da inteligência artificial explicável (XAI), que visa desenvolver modelos interpretáveis que preservem uma elevada precisão preditiva, melhorando a transparência, a compreensão e a confiabilidade dos resultados dos modelos.

Uma publicação anterior do nosso grupo de investigação demonstrou, utilizando modelos de aprendizagem automática, uma forte associação entre factores de saúde mental – particularmente ansiedade e depressão – e a gravidade da fibromialgia, com uma influência maior do que a própria intensidade da dor. Outros sintomas prevalentes da fibromialgia, como a fadiga e os distúrbios da qualidade do sono, são também considerados pelos doentes como principais contribuintes para a redução da qualidade de vida, frequentemente percebidos como mais impactantes do que a dor.

Consequentemente, o presente estudo visa desenvolver modelos preditivos da gravidade da fibromialgia utilizando técnicas de aprendizagem automática e de inteligência artificial explicável, incorporando a fadiga e a qualidade do sono como novas variáveis na análise.

A compreensão da relevância individual e combinada destes componentes psicossociais na determinação do estado clínico dos doentes pode contribuir para uma melhor gestão da doença e estratégias de tratamento mais personalizadas, melhorando, em última análise, a qualidade dos cuidados.