Desempenho de modelos de inteligência artificial para monitoramento de estresse psicológico utilizando sinais fisiológicos sem contato: revisão sistemática e metanálise

Revisão sistemáticaNível 1 · Evidência consolidadaFrontiers in psychiatry19 ago 20260 citações

O que aconteceu

O estresse psicológico é uma preocupação comum e dinâmica em saúde mental, mas os métodos de avaliação convencionais muitas vezes dependem de questionários de autorrelato, entrevistas clínicas ou sensores fisiológicos baseados em contato, o que pode limitar o monitoramento contínuo e discreto no cotidiano. As tecnologias de detecção sem contacto combinadas com inteligência artificial (IA) fornecem uma abordagem potencial para uma avaliação de baixo peso, captando informações fisiológicas ou relacionadas com a fisiologia, sem contacto direto com o corpo. Esta revisão sistemática e metanálise teve como objetivo avaliar o desempenho de modelos de IA utilizando sinais fisiológicos sem contato para o reconhecimento do estresse psicológico, resumir as abordagens atuais de sensoriamento e modelagem e identificar limitações metodológicas que afetam a tradução prática. Pesquisamos PubMed, IEEE Xplore, Web of Science, Embase e APA PsycINFO desde o início até 6 de maio de 2026, e realizamos uma busca por citações atrasadas. Estudos elegíveis utilizaram modalidades de detecção sem contato, incluindo fotopletismografia remota ou por imagem, imagem térmica ou radar sem fio, combinadas com aprendizado de máquina ou métodos de aprendizagem profunda para identificar estresse psicológico. A síntese narrativa foi realizada para todos os estudos incluídos, e a metanálise quantitativa foi realizada para tarefas de classificação de estresse binário.

O que encontraram

Foram incluídos 21 estudos, sendo a maioria conduzidos em ambiente laboratorial ou controlado. Para classificação de estresse binário, 8 estudos que contribuíram com 17 estimativas de nível de modelo e 13.910 instâncias amostrais foram incluídos na meta-análise primária. A acurácia agrupada foi de 81,3% (IC 95% 68,4%-91,5%), com heterogeneidade substancial. Análises complementares mostraram valores agrupados de F1, sensibilidade e especificidade de 0,791, 0,809 e 0,697, respectivamente. Análises exploratórias de subgrupos sugeriram que as fontes de etiqueta de estresse estavam associadas ao desempenho do modelo, enquanto modalidade de sensoriamento, categoria de sinal, abordagem de validação e tipo de modelo não apresentaram diferenças estatisticamente significativas.

Por que isso importa

As evidências atuais suportam a viabilidade técnica de abordagens baseadas em IA sem contato para o reconhecimento de estresse psicológico. No entanto, os estudos disponíveis permanecem limitados por pequenas amostras, rótulos de estresse heterogêneos, validação independente do participante insuficiente, relato de desempenho incompleto e avaliação limitada em ambientes reais. Pesquisas futuras devem priorizar rotulagem padronizada de estresse, validação de modelo transparente, relato abrangente de métricas de desempenho e avaliação naturalística para melhorar a confiabilidade e aplicabilidade de abordagens de monitoramento de saúde mental baseadas em IA sem contato.

Tradução automática do resumo original, publicado em Frontiers in psychiatry sob licença CC BY. Os números são conferidos contra o original; siglas e termos técnicos podem variar.