# Modelos de aprendizado de máquina e aprendizado profundo aplicados ao EEG detectam depressão com desempenho confiável?

> A revisão sistemática incluiu 42 estudos, com acurácia relatada entre aproximadamente 76% e 100%. Estudos com aprendizado profundo relataram média maior que os de aprendizado de máquina (93,92% vs. 90,78%), sem significância estatística na comparação exploratória. Valores quase perfeitos concentraram-se em amostras pequenas e validação dependente do sujeito ou apenas interna, sugerindo sobreajuste e generalização limitada.

Estudo citado: Luna-Guevara GR, Vargas-Huicochea I, Rodríguez-Machain AC. Systematic review of machine learning and deep learning models for EEG-based detection of depression. Journal of psychiatric research. 2026. DOI: https://doi.org/10.1016/j.jpsychires.2026.04.030. PubMed: https://pubmed.ncbi.nlm.nih.gov/42056808/

## Resposta

A revisão sistemática comparou, de forma descritiva, metodologias, métricas de desempenho e limitações de modelos de aprendizado de máquina e de aprendizado profundo aplicados a sinais de EEG para detecção de depressão. Foram incluídos 42 estudos, sendo 23 baseados em aprendizado de máquina e 19 em aprendizado profundo. A acurácia de classificação relatada variou de aproximadamente 76% a 100%, faixa ampla que reflete heterogeneidade metodológica entre os estudos.

Os estudos com aprendizado profundo apresentaram média de acurácia relatada superior à dos estudos com aprendizado de máquina (93,92% vs. 90,78%). Contudo, essa diferença não foi estatisticamente significativa na comparação não paramétrica exploratória. Ou seja, o resumo não sustenta a ideia de que uma abordagem seja superior à outra com base apenas nos valores reportados.

Um achado relevante para a interpretação clínica é que valores de desempenho quase perfeitos foram frequentes em estudos com amostras pequenas e com estratégias de validação dependentes do sujeito ou exclusivamente internas. Isso levanta preocupações quanto a sobreajuste e generalização limitada. Estudos que utilizaram conjuntos de dados públicos tenderam a relatar desempenho mais estável, o que sugere influência do desenho e da fonte dos dados sobre os resultados.

A avaliação de risco de viés pela ferramenta QUADAS-2 revelou preocupações recorrentes, especialmente nos domínios de seleção de pacientes e de condução do teste índice. As conclusões apontam que tanto o aprendizado de máquina quanto o aprendizado profundo têm potencial para detecção de depressão baseada em EEG, mas as diferenças de desempenho devem ser interpretadas com cautela, pois são fortemente influenciadas por tamanho amostral, estratégia de validação e desenho metodológico.

Para o futuro, os autores recomendam amostras maiores e mais diversas, estratégias de validação independentes do sujeito ou externas e padrões de relato padronizados, de modo a aumentar o rigor metodológico e a aplicabilidade clínica. O resumo não informa detalhes sobre características clínicas das populações incluídas nem sobre parâmetros específicos de aquisição do EEG além do que foi extraído de forma descritiva.

## O que o estudo mostrou

Revisão sistemática conduzida conforme as diretrizes PRISMA 2020, com busca em sete bases de dados para estudos publicados entre 2020 e 2024. Foram incluídos 42 estudos com participantes humanos, sendo 23 baseados em aprendizado de máquina e 19 em aprendizado profundo. A acurácia relatada variou de aproximadamente 76% a 100%. A média de acurácia dos estudos de aprendizado profundo foi de 93,92%, contra 90,78% dos de aprendizado de máquina, sem significância estatística na comparação exploratória. Valores quase perfeitos foram frequentes em amostras pequenas e com validação dependente do sujeito ou interna. O risco de viés foi avaliado pelo QUADAS-2, com preocupações recorrentes em seleção de pacientes e condução do teste índice.

## Limitações

O resumo não informa detalhes sobre as características das amostras, os protocolos de aquisição de EEG ou os critérios diagnósticos de depressão utilizados nos estudos incluídos. A comparação entre aprendizado de máquina e aprendizado profundo foi exploratória e não estatisticamente significativa. A síntese foi descritiva, sem meta-análise. O risco de viés recorrente em seleção de pacientes e condução do teste índice limita a confiança nos desempenhos relatados, e a heterogeneidade metodológica restringe conclusões sobre superioridade de uma abordagem.

## Aplicação no consultório

Os achados não sustentam, no momento, a incorporação rotineira de modelos de EEG com aprendizado de máquina ou profundo como ferramenta diagnóstica isolada na prática clínica, dado o risco de sobreajuste e a generalização limitada. Para o consultório, isso significa tratar tais ferramentas como promissoras, mas ainda em pesquisa, e não como substitutas da avaliação clínica. Na gestão, convém evitar investimentos em soluções comerciais que apresentem apenas validação interna ou amostras pequenas, priorizando tecnologias com validação independente do sujeito ou externa e relato metodológico padronizado.

## Perguntas para aprofundar

- Qual o impacto da estratégia de validação nos resultados relatados de modelos de EEG para depressão?
- Como o tamanho amostral influencia a acurácia reportada em estudos de aprendizado profundo com EEG?
- Quais domínios do QUADAS-2 concentram maior risco de viés nesses estudos?

Tema: IA em saúde mental. Página: https://alphadoctor.com.br/ciencia/ia-saude-mental/modelos-de-aprendizado-de-maquina-e-aprendizado-profundo-aplicados-ao-eeg/

Conteúdo educacional para profissionais de saúde, baseado no resumo do artigo citado. Não substitui a leitura do estudo original nem avaliação clínica.