Detecção precoce de transtornos de saúde mental em português

• Autor(es): Nagamatu, Bruno ; Paraboni, Ivandré
• Data: 2024
• Origem: Linguamática
• Assunto(s): mental health; depression; anxiety; early risk prediction; social media; saúde mental; depressão; ansiedade; detecção precoce; redes sociais
• Tipo de Documento: Artigo científico
• Idioma: Português

Descrição

The present study focuses on the early detection of mental health disorders along the lines of the eRisk shared task series (originally devoted to online mental health discussion domain in the English language) in general-purpose Portuguese social media. More specifically, we adapt a strategy that has won a number of shared tasks to the case of early detection of depression and anxiety disorders in the Brazilian Twitter/X domain, using for this purpose a novel approach based on LLMs and prompt engineering. Our results indicate that the use of LLMs affords greater power to anticipate diagnosis if compared to traditional approaches in the field, and that detection based on general-purpose social media text is potentially more challenging than in the original problem formulation, being dependent on the proximity of the messages to the moment of diagnosis in the chronological order of the timeline on Twitter/X.

O presente estudo enfoca o problema da detecção precoce de transtornos de saúde mental nos moldes da série de desafios eRisk (originalmente voltado ao domínio de fóruns de discussão sobre saúde mental no idioma inglês) em uma rede social de propósito geral em português. De forma mais específica, propõe a adaptação de uma estratégia vencedora em diversas edições deste shared task para o caso da detecção precoce de depressão e transtorno de ansiedade no domínio do Twitter/X brasileiro, usando para este fim uma abordagem inédita baseada em LLMs com uso de engenharia de prompts. Os resultados obtidos indicam que o uso de LLMs apresenta maior poder de antecipação de diagnóstico em relação a abordagens tradicionais da área, e que a detecção com base em publicações da redes social de propósito geral é potencialmente mais desafiadora do que na formulação original do problema, sendo dependente da proximidade das mensagens do momento do diagnóstico na ordem cronológica da timeline do Twitter/X.

O presente estudo enfoca o problema da detecção precoce de transtornos de saúde mental nos moldes da série de desafios eRisk (originalmente voltado ao domínio de fóruns de discussão sobre saúde mental no idioma inglês) em uma rede social de propósito geral em português. De forma mais específica, propõe a adaptação de uma estratégia vencedora em diversas edições deste shared task para o caso da detecção precoce de depressão e transtorno de ansiedade no domínio do Twitter/X brasileiro, usando para este fim uma abordagem inédita baseada em LLMs com uso de engenharia de prompts. Os resultados obtidos indicam que o uso de LLMs apresenta maior poder de antecipação de diagnóstico em relação a abordagens tradicionais da área, e que a detecção com base em publicações da redes social de propósito geral é potencialmente mais desafiadora do que na formulação original do problema, sendo dependente da proximidade das mensagens do momento do diagnóstico na ordem cronológica da timeline do Twitter/X.