Avaliação do estadiamento do transtorno de estresse pós-traumático : um estudo com aprendizado de máquina

Abstract

Os transtornos de estresse relacionados a um evento traumático, como o transtorno de estresse agudo (TEA) e o transtorno de estresse pós-traumático (TEPT), são caracterizados por alta morbidade e prejuízo social significativo. No Brasil, estima-se que 80% da população já foi exposta a pelo menos um evento traumático ao longo da vida em grandes centros urbanos, como São Paulo e Rio de Janeiro; o crescente problema da violência urbana mostra-se fator importante para a gênese dos transtornos relacionados ao trauma. Devido à etiologia do TEPT ser multicausal e complexa, técnicas de Machine Learning (Aprendizado de Máquina – ML) tem sido usadas para desenvolver escores de risco, para predição diagnóstica e para definição de tratamento. Contudo, considerando sua heterogeneidade clínica e etiológica, realizar o diagnóstico e definir um tratamento adequado pode ser muitas vezes desafiador. O uso do estadiamento clínico surge como um método mais refinado de diagnóstico, procurando definir a progressão do transtorno em momentos específicos durante o continuum da enfermidade. Esta abordagem pode auxiliar em um diagnóstico mais aprimorado, conhecer melhor o prognóstico e escolher o melhor tratamento de acordo com o estágio do transtorno. Assim, o TEPT aparece como um exemplo importante de como um método de estadiamento pode trazer benefícios. O objetivo desta tese é avaliar como os aspectos pessoais, clínicos e relacionados ao trauma dos pacientes atendidos em ambulatórios especializados em trauma psíquico podem estar relacionados à predição do estadiamento clínico de TEPT usando técnicas de ML.

Stress disorders related to a traumatic event, such as acute stress disorder (ASD) and posttraumatic stress disorder (PTSD), are characterized by high morbidity and significant social impairment. In Brazil, it is estimated that 80% of the population has already been exposed to at least one traumatic event throughout life in large urban centers, such as São Paulo and Rio de Janeiro; the growing problem of urban violence proves to be an important factor in the genesis of trauma-related disorders. The etiology of PTSD is multicausal and complex; techniques of Machine Learning (ML) have been used to develop PTSD risk scores, to predict its diagnosis and to choose better treatments. However, considering its clinical and etiological heterogeneity, making the diagnosis and defining an appropriate treatment can often be challenging. The use of clinical staging appears as a refined method of diagnosis, aiming to define the progression of the disorder at specific times during the continuum of the illness. This approach may provide improved diagnosis, better understand the prognosis and choose the best treatment according to the stage of the disorder. Thus, PTSD appears as an important example of how a staging method can bring benefits. The objective of this thesis is to evaluate how the personal, clinical and trauma-related aspects of patients who sought care at outpatient clinics specialized in emotional trauma can be related to the prediction of the PTSD staging using ML techniques.