Usando dados de wearables para detectar a gravidade da depressão em amostras clínicas e não clínicas

Por que seu rastreador de atividades pode revelar mais do que passos

Muitas pessoas hoje usam smartwatches ou pulseiras de atividade para contar passos e monitorar o sono. Este estudo faz uma pergunta marcante: esses mesmos aparelhos poderiam sinalizar, de forma discreta, quando alguém talvez esteja enfrentando depressão, mesmo antes de procurar ajuda? Ao analisar padrões cotidianos de frequência cardíaca, movimento e sono, os pesquisadores investigaram se wearables de consumo poderiam ajudar a identificar pessoas com níveis mais altos de sintomas depressivos, tanto entre estudantes universitários quanto entre pacientes em tratamento.

Dois grupos, um mesmo aparelho

Para testar essa ideia, a equipe combinou dados de dois grupos muito diferentes que todos usaram a mesma pulseira Garmin por duas semanas. Um grupo era formado por estudantes universitários na Holanda, a maioria sem tratamento para problemas de saúde mental. O outro vinha de uma clínica universitária na Alemanha, onde pacientes recebiam terapia para depressão diagnosticada. Todos também responderam a um breve questionário padrão sobre humor, e os pesquisadores usaram as pontuações para classificar os participantes como “positivo na triagem para depressão” ou “não positivo na triagem”. Essa configuração permitiu avaliar se sinais vindos do wearable conseguiam distinguir pessoas com níveis mais altos e mais baixos de sintomas em contextos cotidianos e clínicos.

Transformando ritmos diários em sinais

As pulseiras registraram características básicas que muitos rastreadores medem: quantos passos as pessoas deram por dia, quanto tempo dormiram, quando foram para a cama e acordaram, e como o ritmo cardíaco se comportou durante vigília e sono. Em vez de focar em dias isolados, a equipe resumiu duas semanas de dados por pessoa, capturando não apenas médias, mas também quanto esses padrões variavam dia a dia. Em seguida, usaram um tipo de modelo estatístico comumente aplicado em aprendizado de máquina, projetado para lidar com muitos preditores relacionados ao mesmo tempo, para ver se uma combinação dessas características conseguia classificar corretamente quem apresentava pontuação mais alta na triagem para depressão.

O que os wearables revelaram

Entre os 282 participantes, o modelo apresentou bom desempenho: nos dados de teste reservados, distinguiu corretamente os grupos de sintomas mais altos e mais baixos em cerca de quatro em cada cinco casos. Três tipos de sinais se destacaram. Pessoas com sono mais irregular — maiores oscilações na duração do sono a cada noite — tinham maior probabilidade de estar no grupo com sintomas mais elevados. Quem atingia contagens de passos máximas menores nos dias mais ativos também tendia a apresentar sintomas mais graves, ecoando trabalhos anteriores que ligam depressão à redução da atividade física. Por fim, indivíduos cujo menor ritmo cardíaco diurno era especialmente baixo tinham mais probabilidade de estar no grupo com sintomas mais altos, sugerindo alterações na excitação corporal ou na energia que podem acompanhar a depressão.

Além de quem você é, para como você vive

Os pesquisadores também verificaram quanto da previsão vinha simplesmente de saber a qual grupo a pessoa pertencia — estudante ou paciente da clínica. A filiação ao grupo foi, por si só, uma pista forte, já que a amostra ambulatorial tinha, em média, pontuações de depressão bem mais altas do que a amostra de estudantes. Ainda assim, quando características dos wearables foram adicionadas a modelos que já sabiam o grupo da pessoa, o desempenho geral melhorou. Em outras palavras, como alguém dorme, se movimenta e como seu coração se comporta ainda acrescentou informações além de fatores de contexto básicos. Análises complementares que ajustaram por idade, horário de dormir ou limiares ligeiramente diferentes no questionário de humor mostraram resultados semelhantes, embora os sinais mais importantes tenham se deslocado um pouco em direção ao horário do sono e aos padrões de frequência cardíaca em repouso.

Promessa, com ressalvas importantes

Embora os achados sejam encorajadores, os autores enfatizam que os dados de wearables atuais não são uma ferramenta diagnóstica autônoma. Muitos participantes, especialmente no grupo clínico, tiveram de ser excluídos porque seus dispositivos não forneceram dados suficientes, e a amostra final contrastou principalmente pessoas com depressão clara contra estudantes majoritariamente saudáveis. Isso significa que o modelo é menos testado para detectar mudanças sutis ou precoces no humor. Diferenças de idade, estresse acadêmico e outras circunstâncias de vida entre os grupos também podem ter influenciado os padrões. O trabalho mostra que ritmos cotidianos capturados por gadgets comuns podem refletir aspectos relevantes da saúde mental, mas um uso confiável no mundo real exigirá estudos maiores e mais diversos.

O que isso significa para a vida cotidiana

Para o público geral, a principal conclusão é que mudanças na regularidade do sono, na movimentação e no “estado de repouso” do corpo deixam impressões mensuráveis que smartwatches conseguem detectar. Neste estudo, essas impressões ajudaram a identificar pessoas com níveis mais altos de sintomas depressivos tanto entre estudantes quanto entre pacientes. No futuro, métodos semelhantes podem apoiar sistemas de alerta precoce que avisem indivíduos ou clínicos quando padrões começarem a se assemelhar aos associados à depressão, orientando conversas ou checagens oportunas. Por ora, a mensagem é esperançosa, porém cautelosa: seu rastreador de atividades começa a ver indícios da sua saúde mental, mas ainda não está pronto para substituir um profissional treinado — ou sua própria voz ao pedir ajuda.

Citação: Hehlmann, M.I., Tutunji, R., Lutz, W. et al. Using wearable data to detect depression severity across clinical and non-clinical samples. Sci Rep 16, 11380 (2026). https://doi.org/10.1038/s41598-026-47177-3

Palavras-chave: dispositivos vestíveis, detecção de depressão, padrões de sono e atividade, saúde mental digital, sensoriamento passivo