Saúde Desvendada

A identificação e o manejo da depressão apresentam desafios únicos, impactando o bem-estar e o funcionamento diário dos indivíduos. Questionários de autoavaliação são ferramentas comuns em ambientes clínicos para auxiliar na triagem de transtornos mentais. No entanto, esses questionários dependem da resposta subjetiva do indivíduo, que pode ser influenciada por diversos fatores, limitando sua precisão.

Diante desse cenário, pesquisadores exploraram o potencial dos Modelos de Linguagem Amplos (LLMs) para aprimorar a triagem da depressão. O estudo utilizou o framework RISEN para avaliar a eficácia dos LLMs na previsão de sintomas depressivos, com base em itens individuais do PHQ-8, um questionário amplamente utilizado para rastrear a depressão. Diversos LLMs foram avaliados, incluindo modelos GPT, Llama3_8B, Cohere e Gemini.

Os resultados indicaram que os modelos GPT, especialmente o GPT-4o, superaram consistentemente os demais LLMs em precisão e pontuação F1 em todos os oito itens da escala PHQ-8. O Llama 3_8B demonstrou melhor detecção de sintomas relacionados à anedonia, enquanto o Cohere LLM se destacou na identificação e previsão de sintomas de atividade psicomotora. Esses resultados promissores sugerem que os LLMs podem ser ferramentas valiosas na triagem da depressão, auxiliando na identificação precoce de indivíduos que podem precisar de apoio e tratamento. No entanto, mais pesquisas são necessárias para determinar qual LLM é mais adequado para cada sintoma específico e para outros transtornos mentais.

Origem: Link