A crescente rotina de vida agitada, marcada por pressões diárias e incertezas, tem impulsionado estudos voltados ao entendimento dos fatores que influenciam a saúde mental. Uma dessas investigações, conduzida por pesquisadores do Instituto de Computação da Universidade Federal Fluminense (UFF), busca avaliar se os movimentos do corpo, captados por dispositivos vestíveis como smartwatches, podem indicar diferentes níveis de ansiedade de forma contínua e não invasiva.
A ansiedade, caracterizada por preocupação excessiva, inquietação, alterações na atenção e no sono, entre outros sintomas, é uma das condições de saúde mental mais comuns globalmente. Segundo dados da Organização Mundial da Saúde (OMS) publicados em 2017, o Brasil possui uma das maiores prevalências de transtornos de ansiedade no mundo, atingindo aproximadamente 9,3% da população — cerca de 18,7 milhões de pessoas. A incidência é maior entre mulheres na região das Américas, o que reforça a importância de métodos inovadores para monitoramento e diagnóstico.
Em busca de alternativas que possam facilitar o acompanhamento contínuo desses transtornos, os pesquisadores desenvolveram uma metodologia que utiliza dados de movimento coletados por smartwatches durante a rotina diária dos participantes. Diferentemente de estudos anteriores, que muitas vezes dependiam de ambientes controlados de laboratório, essa abordagem visa captar comportamentos naturais, evitando o efeito de observação que pode alterar as ações dos indivíduos.
A pesquisa contou com 41 voluntários universitários, com idades entre 17 e 60 anos, média de 26 anos, sendo 18 mulheres e 23 homens. Os níveis de ansiedade foram avaliados por meio do Inventário de Ansiedade Traço-Estado (IDATE), uma escala psicométrica que mede diferentes graus de ansiedade, embora sem um ponto de corte definitivo para classificar os indivíduos como ansiosos ou não ansiosos. A média dos escores na amostra foi de 53 pontos, indicando um nível moderado de ansiedade, sem participantes com escores baixos, o que limita a generalização dos resultados para toda a população.
Para análise dos dados, foi empregada inteligência artificial, especificamente redes neurais profundas, com destaque para a arquitetura LSTM (Long Short-Term Memory). Essa técnica é capaz de aprender padrões complexos em sequências temporais, permitindo que o sistema reconheça associações entre os movimentos registrados e os níveis de ansiedade. Os sensores utilizados foram acelerômetros, que medem variações de aceleração em três eixos, fornecendo uma série de dados ao longo de 24 horas, que foi então processada pelo modelo.
A abordagem adotada não busca identificar movimentos específicos associados à ansiedade, mas sim estabelecer uma estimativa contínua dos níveis de ansiedade com base nos padrões de movimento. A equipe planeja, em etapas futuras, aprofundar a interpretabilidade do modelo, identificando quais características do movimento contribuem para as previsões.
Entretanto, o estudo apresenta limitações importantes. A principal delas refere-se à amostra, que não incluiu participantes com níveis baixos de ansiedade, o que restringe a abrangência dos resultados. Além disso, a necessidade de ampliar a diversidade dos participantes e testar o método em grupos maiores é fundamental para validar a eficácia da abordagem.
Os resultados abrem possibilidades promissoras para o uso de dispositivos vestíveis no monitoramento de saúde mental, permitindo acompanhar mudanças comportamentais ao longo do tempo sem a necessidade de ambientes controlados ou visitas frequentes a clínicas. Ainda que esses sistemas não substituam avaliações clínicas, eles podem fornecer informações complementares que auxiliem na identificação de alterações relevantes, contribuindo para intervenções mais precoces.
A pesquisa também contempla o desenvolvimento de modelos voltados à detecção de outros transtornos, como depressão e Alzheimer, com coleta de dados de diferentes populações. O desafio atual é transformar grandes volumes de dados de movimento em informações compreensíveis e úteis para o entendimento do comportamento humano, sempre reforçando que a tecnologia deve atuar como uma ferramenta de apoio ao diagnóstico, e não como substituta da avaliação clínica especializada.
Este estudo contou com o apoio da Fundação de Amparo à Pesquisa do Estado do Rio de Janeiro (Faperj) e foi conduzido por Taiane Coelho Ramos, professora do Instituto de Computação da UFF, e Raphael Mendes, estudante de Sistemas de Informação da mesma universidade.
