Este projeto de pesquisa de doutorado visa avançar metodologias diagnósticas inovadoras fundamentadas em aprendizado de máquina, utilizando dados coletados por meio de pesquisa de campo sistemática em contextos clínicos e comunitários. O estudo identifica padrões e estabelece associações entre condições de vida sócio-históricas e patologias específicas de saúde mental — uma linha de investigação desenvolvida continuamente ao longo de 15 anos. O objetivo aplicado é o desenvolvimento de software de inteligência artificial capaz de formular estratégias mais eficazes de prevenção e intervenção, operacionalizadas por meio de indicadores biopsicossociais.
A fundamentação teórica integra a psicologia sócio-histórica à epidemiologia computacional, tratando a subjetividade não como uma variável isolada, mas como produto dinâmico de condições estruturais, trajetória biográfica e constituição biológica. O aprendizado de máquina é aplicado na análise de grandes conjuntos de dados para identificar padrões e associações entre fatores sociais, condições de vida e desfechos de saúde que permanecem invisíveis às abordagens estatísticas clássicas.
Entrevistas estruturadas são realizadas em campo por assistentes de pesquisa treinados, com os dados posteriormente harmonizados, normalizados semanticamente e projetados em um espaço de atributos padronizado para modelagem. As variáveis abrangem três domínios analíticos — biológico (idade de início, cronicidade, comorbidades), psicológico (perfil sintomático, afeto, cognição) e social (redes comunitárias, vulnerabilidade socioeconômica, barreiras de acesso, eventos adversos). Todas as variáveis são normalizadas para uma escala contínua de [0, 100] com a direção do efeito preservada, permitindo comparação entre domínios dentro do modelo preditivo.
Este estudo transversal analítico desenvolve e valida internamente o Índice de Risco Psicossocial (IRP) — um instrumento composto projetado para traduzir a complexidade dos determinantes biopsicossociais em um único escore operacional de risco aplicável na triagem clínica e na priorização em saúde pública. O banco de dados compreende 1.155 entrevistas estruturadas coletadas entre outubro de 2024 e janeiro de 2026 em 83 municípios de 12 países, abrangendo unidades de atenção primária, centros de atenção psicossocial, hospitais e serviços comunitários de assistência social.
A variável desfecho é operacionalizada em três níveis: ausência de diagnóstico, diagnóstico clínico geral e diagnóstico de saúde mental — utilizado como proxy de risco clínico na regressão logística multinomial. As variáveis independentes são derivadas da entrevista estruturada, cobrindo dimensões biológicas, psicológicas e sociais. Após padronização semântica, variáveis categóricas são recodificadas como atributos binários ou ordinais; variáveis contínuas são normalizadas para [0, 100] com a direção do efeito preservada.
O IRP organiza os determinantes em seis domínios operacionais: Estrutural, Traumático, Estigma e Acesso, Internalizante, Funcional e Protetivo. Os escores por domínio são calculados como compostos ponderados das variáveis constituintes, com pesos derivados de coeficientes de regressão multinomial padronizados e termos de interação que capturam efeitos de co-ocorrência não lineares. A validação interna combina reamostragem bootstrap (1.000 iterações) com validação cruzada de 5 folds, avaliada por AUC-ROC, sensibilidade e especificidade. O pipeline analítico completo é implementado em Python 3.11 com pandas, numpy, statsmodels, scikit-learn e matplotlib.
Este estudo desenvolve e valida um modelo de IA multimodal capaz de diferenciar pseudoprogressão de progressão tumoral real em gliomas de alto grau — um dos desafios diagnósticos mais críticos da neuro-oncologia, onde a classificação incorreta leva diretamente a decisões terapêuticas inadequadas e procedimentos invasivos desnecessários. Utilizando dados de aproximadamente 900 pacientes (2015–2025), o modelo integra radiômica por RM multiparamétrica com variáveis clínico-demográficas e fatores psicossociais, testando a hipótese de que a fusão multimodal proporciona certeza diagnóstica substancialmente superior às abordagens baseadas apenas em imagem.
O estudo envolve a construção de um banco de dados multimodal, extração e harmonização de atributos radiômicos com uso de segmentação avançada e pré-processamento padronizado segundo as diretrizes do Radiomics Quality Score (RQS), além da aplicação de arquiteturas de deep learning com estratégias de fusão precoce, intermediária e tardia. O desfecho é definido por revisores especialistas cegos às saídas do modelo, garantindo rotulagem imparcial da verdade-referência.
O desempenho do modelo é avaliado por AUC-ROC, sensibilidade e especificidade, com análises adicionais de equidade algorítmica entre subgrupos demográficos. A interpretabilidade é assegurada por métodos de IA explicável, incluindo Grad-CAM++ para atribuição espacial de atributos nos dados de imagem e valores SHAP para a contribuição das variáveis clínicas. O estudo segue as diretrizes de relato TRIPOD-ML e contribui com dados de uma população latino-americana sub-representada na literatura internacional. Os objetivos secundários incluem a simulação de cenários de decisão terapêutica para estimar o impacto clínico na redução de biópsias desnecessárias e protocolos de tratamento inadequados.
A capacidade de compreender e interpretar emoções humanas é uma dimensão crítica da interação interpessoal e da comunicação. Por meio dos avanços em inteligência artificial — particularmente em visão computacional — as máquinas podem agora desempenhar um papel significativo na detecção e análise de emoções humanas a partir de expressões faciais e outros sinais visuais. Este estudo explora a aplicação da visão computacional à detecção de emoções a partir de uma perspectiva informada pela teoria psicológica, com o objetivo de aproximar as dimensões técnica e humanística da computação afetiva em contextos clínicos de saúde mental.
O objetivo primário é explorar a viabilidade e a eficácia de técnicas de visão computacional para a detecção de emoções humanas, traduzindo expressões faciais e visuais em dados numéricos estruturados por meio de um framework de quantificação em escala Likert. A interface proposta processa entradas visuais em tempo real, classificando estados emocionais em categorias discretas e dimensionais fundamentadas em teorias psicológicas das emoções — incluindo modelos de emoções básicas e abordagens dimensionais de valência-ativação.
A pesquisa adota uma metodologia interdisciplinar que integra arquiteturas de redes neurais convolucionais (CNNs) treinadas em conjuntos de dados de expressões faciais anotadas com frameworks conceituais psicológicos. Os vetores de emoção detectados são mapeados para perfis de saída em escala Likert, permitindo sua integração em avaliações clínicas estruturadas e ferramentas de monitoramento longitudinal. Uma preocupação central do projeto é a explicabilidade: o sistema expõe os atributos visuais que orientam suas classificações, sustentando a confiança clínica e permitindo que profissionais avaliem o raciocínio do modelo — alinhado ao compromisso mais amplo com uma IA transparente e auditável na saúde.