A esquizofrenia é um transtorno psiquiátrico grave e frequentemente muito debilitante, caracterizado por emoções distorcidas, padrões de pensamento alterados e percepções da realidade modificadas, além de comprometimento cognitivo. Esse transtorno geralmente surge no final da adolescência ou início da idade adulta e requer tratamento vitalício com medicamentos antipsicóticos.

Os sintomas da esquizofrenia incluem alucinações e crenças falsas ou irracionais sobre si mesmo e o mundo (ou seja, delírios), bem como comprometimento da memória, déficits de atenção e dificuldades de aprendizagem. Atualmente, o diagnóstico de esquizofrenia é feito por psiquiatras ou outros profissionais de saúde mental qualificados, por meio de entrevistas abrangentes e avaliações clínicas.

Identificar as características neurais e mentais da esquizofrenia pode ajudar no desenvolvimento de ferramentas adicionais para diagnosticar e monitorar o transtorno, ou para planejar melhor o tratamento de pacientes individuais. Em um artigo recente publicado na Nature Mental Health , pesquisadores da Universidade de Washington, da Universidade da Califórnia em San Diego, do Sistema de Saúde de Veteranos de San Diego e de outros institutos demonstraram que modelos de aprendizado de máquina podem distinguir com precisão entre pessoas diagnosticadas com esquizofrenia e outras sem transtornos mentais, por meio da análise de dados coletados durante testes neurocognitivos.

"O desenvolvimento de biomarcadores neurocognitivos para esquizofrenia tem se baseado em extensas baterias de testes, inviáveis para aplicação em ambientes clínicos", escreveram Robert Y. Chen, Tiffany A. Greenwood e seus colegas em seu artigo. "Usando aprendizado de máquina, buscamos identificar um subconjunto de domínios neurocognitivos que pudesse distinguir entre pacientes com esquizofrenia e indivíduos saudáveis do grupo de comparação."

Os pesquisadores desenvolveram um modelo de aprendizado de máquina, um modelo computacional capaz de analisar rapidamente grandes quantidades de dados e aprender a reconhecer padrões nesses dados ou prever resultados específicos. Esse modelo foi treinado com dados neurocognitivos coletados de 559 pessoas diagnosticadas com esquizofrenia ou transtorno esquizoafetivo (que combina alguns sintomas de esquizofrenia com um transtorno de humor, como depressão ou transtorno bipolar) e 745 pessoas sem transtornos mentais conhecidos.

Os indivíduos dos quais os dados foram coletados haviam completado 15 testes padronizados que avaliam diferentes funções cognitivas e cerebrais. O modelo de aprendizado de máquina desenvolvido pelos pesquisadores identificou padrões nesses dados que podem ser usados para distinguir pacientes diagnosticados com esquizofrenia ou transtorno esquizoafetivo de pessoas sem transtornos mentais.

"Desenvolvemos um modelo de aprendizado de máquina capaz de separar com precisão pacientes com esquizofrenia de indivíduos saudáveis e que foi replicado em uma coorte independente", escreveram Chen, Greenwood e seus colegas. "A eliminação recursiva de características revelou que apenas dois domínios neurocognitivos — aprendizado verbal e identificação de emoções — foram suficientes para alcançar a mesma precisão de classificação."

Chen, Greenwood e seus colegas demonstraram que seu modelo era capaz de distinguir com notável precisão entre pessoas diagnosticadas com esquizofrenia e aquelas que não receberam nenhum diagnóstico neuropsiquiátrico. Além disso, mostraram que duas capacidades mentais específicas, a saber, a aprendizagem verbal (isto é, a capacidade de aprender e memorizar palavras) e a identificação de emoções (isto é, reconhecer e interpretar as emoções dos outros), eram particularmente cruciais para a previsão da esquizofrenia.

Quando o modelo se concentrou apenas nessas duas habilidades cognitivas, alcançou uma precisão comparável à obtida ao explorar todas as capacidades mentais avaliadas durante os testes neurocognitivos. Isso sugere que déficits nessas duas áreas são os mais preditivos de esquizofrenia e transtorno esquizoafetivo.

No futuro, os resultados deste estudo recente poderão contribuir para o desenvolvimento de novas ferramentas que simplifiquem o diagnóstico de esquizofrenia e transtorno esquizoafetivo, ou que auxiliem profissionais de saúde mental a elaborar planos de tratamento mais adequados a cada paciente. Além disso, poderão orientar pesquisas futuras com o objetivo de identificar, por meio de aprendizado de máquina, as assinaturas cognitivas e neurais mais preditivas de transtornos psiquiátricos específicos.