Cartas e diários de Virginia Woolf inspiram estudo sobre prevenção do suicídio

Pesquisadores utilizaram algoritmos de computador para prever padrões de comportamento suicida em textos da escritora
Virginia Woolf
Virginia Woolf sofria de transtorno bipolar e suicidou-se em 1941, aos 59 anos - Foto: divulgação

Um grupo de pesquisadores da UFRGS analisou a viabilidade de se usar algoritmos de classificação de texto para prever padrões de comportamento suicida. A partir de cartas e diários da escritora britânica Virginia Woolf, o programa de computador foi capaz de identificar com considerável acurácia – 80,45% de acerto – os textos escritos nos meses imediatamente anteriores a seu suicídio. Os resultados do estudo foram publicados na revista científica Plos One nesta quarta-feira, 24 de outubro, e demonstram o potencial das técnicas de machine learning para a detecção de situações de risco e a prevenção do suicídio.

O machine learning, ou aprendizado de máquina, é um ramo da inteligência artificial focado em algoritmos capazes de aprender com dados e extrair padrões para fazer previsões. São técnicas próprias para analisar grandes quantidades de dados e identificar relações não lineares entre eles. Nesse estudo, foi utilizado o algoritmo Naive Bayes. Amplamente empregado para a filtragem de spams, o método estima a probabilidade de ocorrência de um evento a partir da análise de textos. “Diante disso, nós tivemos a ideia de analisar cartas e diários da famosa romancista Virginia Woolf. Ela era bem produtiva e escrevia com frequência, inclusive nos dias que antecediam tentativas de suicídio. Basicamente, criamos um modelo utilizando os textos dela e o algoritmo Naive Bayes para identificar textos que sinalizariam que ela iria tentar suicídio”, explica o professor da Faculdade de Medicina da UFRGS Ives Cavalcante Passos, um dos autores da pesquisa.

Virginia Woolf deixou um vasto material em seus diários, nos quais escreveu livremente sobre seus sentimentos, fornecendo um registro de seus estados de humor. Segundo biógrafos e pesquisadores, a escritora sofria de transtorno bipolar e teve vários episódios depressivos e maníacos, até que tirou sua própria vida em 28 de março de 1941, durante uma crise depressiva. Ela tentou suicídio em pelo menos em três ocasiões. Inclusive, uma semana antes de morrer, chegou em casa encharcada depois de ter sobrevivido a uma dessas tentativas.

“Cerca de 90% das pessoas que cometem suicídio têm alguma doença psiquiátrica. Embora seja um evento trágico, existem diversas formas de prevenir o suicídio. A literatura científica, portanto, tem buscado cada vez mais modelos que possam prever esse evento para identificar quais as pessoas que estão sob maior risco”, afirma Passos. Há outros estudos que também utilizaram machine learning para prever o suicídio, incluindo alguns feitos pelo mesmo grupo de pesquisa, como um que utilizou algoritmos para prever tentativas de suicídio em pacientes com transtornos de humor a partir de variáveis clínicas, como a presença de sintoma psicóticos ou de transtorno de estresse pós-traumático. O publicado nesta quarta-feira, entretanto, foi o primeiro a usar dados em texto para identificar padrões em escritos anteriores ao suicídio.

A análise compreendeu 46 textos escritos nos dois meses anteriores ao suicídio de Virginia e 54 escolhidos aleatoriamente entre os produzidos em outros períodos de sua vida. Integraram a pesquisa somente cartas e diários; livros, romances, contos e artigos foram excluídos. “Compilamos esses textos numa planilha de Excel e utilizamos um pacote chamado Caret de um software chamado R para fazer as análises. O algoritmo de machine learning Naive Bayes foi selecionado para análise pois ele consegue classificar com uma boa acurácia quando dados de texto são utilizados. O modelo é primeiro treinado e criado num banco de dados de treino e depois testado em cartas que não foram utilizadas no processo de treino”, esclarece o pesquisador.

É a partir da identificação de padrões textuais que o algoritmo estima se um determinado documento estaria ou não relacionado ao suicídio. Alguns termos apareceram exclusivamente nos textos que Virginia escreveu pouco antes de suicidar-se, como blue (azul ou triste), miss (sentir falta), e war (guerra). Outros só apareceram fora desse período, a exemplo de better (melhor), good (bom), hope (esperança) e Virginia. Há também aqueles que, apesar de aparecerem em ambos os períodos, foram mais frequentes em uma ou outra fase. São essas presenças ou ausências de determinadas palavras que o computador avalia.

O algoritmo foi capaz de identificar corretamente se um texto estava ou não relacionado ao suicídio em 80,45% dos casos – um resultado bastante positivo. Foram 69,23% de textos relacionados ao suicídio corretamente classificados, e 91,67% não relacionados com o suicídio adequadamente identificados como tal. O estudo foi feito em nível individual e possui, portanto, suas limitações. Mas os resultados são promissores.

Conforme explica Passos, algoritmos de machine learning podem ser aplicados a pacientes com transtornos psiquiátricos a partir de dados coletados em tempo real em redes sociais, mensagens e e-mails, entre outros.  “Por exemplo, quando um evento adverso é sinalizado como um resultado de interesse pelo médico (como tentativa de suicídio, recaída de episódio de humor ou sintomas psicóticos), o algoritmo pode analisar os dados de texto para encontrar padrões que permitam prever quando esses eventos são prováveis de ocorrer novamente. Isso pode melhorar a avaliação do paciente, possibilitando a intervenção precoce, e fornecer insights em tempo real para os médicos sobre o estado de humor e o risco de suicídio. Além disso, tais modelos podem ser personalizados para o paciente, criando um ciclo de inteligência artificial que se adapta à medida que os dados são coletados ao longo do tempo”, destaca o professor. Para ele, as técnicas de machine learning, com suas capacidades de capturar sinais não lineares e lidar com grande quantidade de dados, irão revolucionar as ciências da saúde e a saúde mental.

 

Artigo científico

BERNI, Gabriela de Ávila et al. Potential use of text classification tools as signatures of suicidal behavior: a proof-of-concept study using Virginia Woolf’s personal writings. Plos One, 2018.

Leia também: