Quando as pessoas procuram ajuda durante uma crise de saúde mental, uma das principais prioridades dos terapeutas é identificar aquelas com alto risco de suicídio. A linguagem da pessoa em sofrimento contém pistas cruciais, e uma nova ferramenta desenvolvida por cientistas do Instituto McGovern de Pesquisa Cerebral do MIT foi projetada para captar e avaliar rapidamente esses sinais.

A ferramenta de processamento de linguagem foi desenvolvida por Daniel Low, ex-aluno de pós-graduação do Grupo de Inteligência Sensível da pesquisadora sênior Satra Ghosh, que agora é pesquisador no Child Mind Institute , onde lidera o Laboratório de IA, Risco e Ciência Contemplativa , além de pesquisador visitante na Universidade de Harvard. Ela utiliza uma lista personalizada de palavras e frases associadas a 49 fatores de risco de suicídio, buscando esses fatores em textos e usando-os para estimar o risco de um indivíduo.

Ghosh, Low e seus colegas relatam hoje no Journal of Psychopathology and Clinical Science que sua ferramenta prevê com precisão o risco de suicídio a partir de conversas por texto com conselheiros de crise. Ela já está ajudando a esclarecer quais fatores de risco de suicídio são mais relevantes em momentos de crise. Com mais validação, poderá auxiliar na avaliação de risco em contextos clínicos e situações de apoio em crises.

As tentativas de suicídio são notoriamente difíceis de prever. Dezenas de fatores de risco estão associados ao suicídio, e mesmo profissionais clínicos treinados têm dificuldade em identificar quem tentará o suicídio entre aqueles que apresentam algum tipo de ideação suicida. Entre os fatores que podem aumentar a probabilidade de pensamentos e comportamentos suicidas estão certos sintomas e transtornos psiquiátricos, como depressão, transtorno de personalidade borderline e transtorno de estresse pós-traumático, bem como estressores ambientais e sociais, como pobreza, encarceramento, discriminação e solidão.

“Você vê todos esses 50 fatores de risco, e eles estão interagindo de maneiras que realmente não entendemos”, diz Low. “Muitos caminhos diferentes podem levar alguém a sentir vontade de escapar de sua dor interna”, afirma ele — e é difícil saber qual caminho levará a uma tentativa de suicídio ou à morte.

Ghosh e Low queriam entender quais fatores de risco conselheiros e clínicos deveriam observar com mais atenção durante uma crise de saúde mental. Para isso, colaboraram com a Crisis Text Line, cujos voluntários treinados oferecem suporte confidencial por mensagem de texto a pessoas em sofrimento.

A Crisis Text Line, uma organização global sem fins lucrativos de saúde mental que oferece suporte gratuito, confidencial e 24 horas por dia, 7 dias por semana, para pessoas necessitadas, forneceu treinamento especializado e acesso controlado a esse conjunto de dados restrito. Os pesquisadores analisaram textos anonimizados de aproximadamente 16.000 conversas com os conselheiros voluntários da Crisis Text Line. Com base nas avaliações da Crisis Text Line, essas conversas foram agrupadas em três níveis de risco diferentes: não suicida, ideação suicida sem risco iminente e risco iminente. Era esse grupo de risco iminente — aqueles com um plano de suicídio ou que têm a intenção de morrer nas próximas 48 horas — que os pesquisadores mais queriam compreender.

“Queríamos saber que tipo de sintomas predizem o maior risco de suicídio”, diz Low. Essa questão já foi estudada antes, afirma ele — mas normalmente por meio de pesquisas epidemiológicas que pedem à pessoa que relembre seus sintomas e experiências, muitas vezes depois que a crise de saúde mental já passou. Em contraste, diz ele, “a Linha de Texto para Crises nos dá a oportunidade de avaliar muitos sintomas diferentes e potenciais fatores de risco enquanto as pessoas estão vivenciando as crises”.

Antes de analisar as mensagens de texto da linha de apoio em crise, a equipe de pesquisa construiu um léxico de risco de suicídio. Recorreram à inteligência artificial para gerar uma lista preliminar de palavras e frases associadas a fatores de risco de suicídio já estabelecidos, incluindo fatores relacionados à ideação suicida, tentativa de suicídio e suicídio consumado. Em seguida, revisaram e refinaram essa lista manualmente. O léxico final inclui cerca de 60 palavras ou frases para cada um dos 49 fatores de risco, com a relevância de cada uma confirmada por especialistas clínicos.

Em seguida, eles treinaram um modelo de aprendizado de máquina para buscar palavras e frases em seu léxico nas conversas de crise e usá-las para prever o risco de suicídio. Como o léxico associa cada palavra ou frase a um fator de risco específico, eles puderam usar esses dados para determinar quais fatores de risco estão mais intimamente ligados ao risco iminente entre pessoas em crise.

O que eles descobriram foi consistente com padrões encontrados em pesquisas anteriores, embora nem sempre intuitivo. Por exemplo, a depressão é um fator de risco conhecido para ideação suicida, mas o modelo deles constatou que menções a meios letais e uso de substâncias eram mais propensas a serem expressas pelo grupo de maior risco do que humor deprimido ou fadiga. Expressões de ideação suicida ativa e automutilação também foram fortes preditores. Predictores intermediários incluíram ansiedade, transtorno de estresse pós-traumático e dor emocional.

O modelo preditivo atribui um peso a cada fator de risco com base em sua contribuição para o risco. Por exemplo, menções a meios letais para suicídio, como "cortar-se" ou "comprimidos", recebem um peso significativo, enquanto termos relacionados à desesperança, como "não sei o que fazer" ou "sem esperança", contribuem em menor grau. Após treinar o modelo, a equipe descobriu que podia usá-lo para prever com precisão a gravidade do risco em novas conversas que o modelo não havia visto anteriormente.

Uma limitação dos léxicos, observam os pesquisadores, é que eles não consideram o contexto dos termos e podem deixar passar termos semelhantes aos presentes no léxico, mas que não foram explicitamente incluídos. Grandes modelos de linguagem possuem capacidade de raciocínio, e Low e seus colegas desenvolveram maneiras de usar esses modelos para detectar risco de suicídio em outros projetos. No entanto, eles afirmam que frequentemente utilizam seu léxico em paralelo para garantir a sinalização de certos termos, bem como para preservar a privacidade dos dados.

Low destaca que, embora a equipe tenha usado o poder de um grande modelo de linguagem para desenvolver seu léxico, seu modelo de previsão é mais simples e "leve". Ao contrário de grandes modelos de linguagem, que exigem enorme poder computacional, ele pode ser executado facilmente em um computador pessoal, reduzindo custos e preocupações com a privacidade. Igualmente importante, ele é interpretável: em vez de simplesmente gerar uma estimativa de risco, como alguns modelos de aprendizado profundo fazem com mais eficácia, ele explica aos usuários como chegou a essa estimativa. Palavras preocupantes podem ser sinalizadas para que os usuários entendam a base de cada avaliação e ajam de acordo com essa informação. Eles estão trabalhando em abordagens de explicabilidade semelhantes com grandes modelos de linguagem.

Isso é crucial, porque as consequências são muito sérias. "Este é um campo tão complexo que ter um ser humano envolvido será, acredito, fundamental por muito, muito tempo", afirma Ghosh, diretor da Iniciativa de Dados Abertos em Neurociência do Instituto McGovern. Da mesma forma, os pesquisadores acrescentam que qualquer modelo preditivo deve ser rigorosamente validado antes do uso clínico e pode precisar ser continuamente aprimorado para acompanhar as mudanças no uso da linguagem ou nas populações-alvo.

Como um léxico confiável abre portas para novas formas de compreender a saúde mental, Ghosh e Low estão compartilhando amplamente não apenas seu léxico de risco de suicídio, mas também o pacote de software que desenvolveram para criá-lo. Pesquisadores podem usar essa ferramenta para construir léxicos para outras condições de saúde mental de forma eficiente. Enquanto isso, Low afirma que o léxico de risco de suicídio já está sendo usado para explorar como dados textuais de diversas fontes, desde mídias sociais até registros eletrônicos de saúde, podem ajudar pesquisadores e clínicos a estimar melhor o risco.