Uma exploração sistemática de biomarcadores digitais para a detecção de episódios depressivos no transtorno bipolar

Por que seu celular e um anel podem sinalizar uma recaída

Para muitas pessoas com transtorno bipolar, episódios depressivos parecem surgir sem aviso, desorganizando trabalho, relacionamentos e a vida cotidiana. Este estudo faz uma pergunta simples com implicações amplas: padrões em dados do dia a dia — de um anel vestível que monitora atividade e sono, além de breves checagens diárias de humor — podem sinalizar de forma confiável quando alguém saiu de uma fase estável para a depressão? Se sim, a tecnologia que as pessoas já carregam poderia ajudar pacientes e clínicos a reagir mais cedo, muito antes que uma crise exija tratamento.

Acompanhando a vida real por meses, não minutos

Os pesquisadores acompanharam 133 adultos com transtorno bipolar tipo I ou II por uma mediana de cerca de oito meses. Os participantes usaram um anel Oura, um dispositivo comercial que registra continuamente movimento e sono, e completavam avaliações diárias muito breves de humor, energia e ansiedade por e-mail. Uma vez por semana, também preenchiam um questionário padrão de depressão usado em clínicas. Usando esses questionários semanais, a equipe marcou quando um participante entrou em um episódio depressivo — definido como pelo menos duas semanas consecutivas com sintomas clinicamente significativos — e quando estava em um estado estável, ou eutímico. Isso criou longos e detalhados “fluxos” de comportamento e sensação ao longo de períodos bons e ruins.

Transformando milhares de pontos de dados em alguns sinais claros

A partir dos dados brutos, os cientistas criaram 49 variáveis básicas (como atividade relacionada a passos diários, tempo para adormecer e avaliação média de humor) em várias escalas temporais, e então extraíram sete descritores matemáticos de como cada variável se comportava ao longo do tempo. Esses descritores capturaram não apenas níveis, mas o quanto uma medida oscilava de dia para dia, quão extremas eram essas oscilações e quão semelhante um dia era ao seguinte. O resultado foi 343 potenciais “biomarcadores digitais” descrevendo padrões no sono, na atividade e no autorrelato de humor, energia e ansiedade. Em seguida, usaram métodos de aprendizado de máquina explicáveis — algoritmos que podem classificar padrões e revelar quais entradas foram mais importantes — para ver quais combinações melhor separavam dias depressivos de dias estáveis.

Como a depressão se manifestou nos padrões diários

Entre todos os sinais, as autorreflexões diárias foram a fonte única mais forte de informação. Modelos usando apenas os três controles diários para humor, energia e ansiedade distinguiram episódios depressivos de períodos estáveis com alta acurácia (uma área sob a curva ROC de cerca de 0,82, onde 1,0 é perfeito e 0,5 não é melhor que o acaso). Durante episódios depressivos, as pessoas avaliaram seu humor e energia claramente mais baixos. Ao mesmo tempo, suas pontuações oscilaram dentro de uma faixa baixa e estreita — produzindo um padrão estatístico que os autores chamam de paradoxo da variabilidade relativa–absoluta: humor e energia pareciam mais “variáveis” quando medidos em relação à média baixa, mas em termos absolutos as pessoas se sentiam persistentemente para baixo e “presas”. Em outras palavras, a depressão aqui assemelhou-se a um vale prolongado e raso em vez de altos e baixos acentuados.

Mudanças sutis no movimento e no sono ainda importam

Mesmo sem autorrelatos, o anel vestível por si só forneceu pistas úteis. Episódios depressivos foram associados a menos variação dia a dia na atividade geral — os níveis de movimento das pessoas eram uniformemente mais baixos. Padrões de sono também mudaram. O tempo para adormecer variou mais selvagemente de noite para noite, enquanto medidas de sono profundo tenderam a mostrar menos oscilações extremas. Embora modelos baseados em atividade e sono fossem menos precisos do que aqueles que usavam relatórios diários de humor, ainda superaram o acaso e foram robustos em muitos testes estatísticos, sugerindo que os ritmos do corpo tornam-se mais rígidos e menos adaptáveis durante fases depressivas.

Da descrição a sistemas de alerta precoce

Os autores enfatizam que este trabalho é um passo inicial, porém crucial: foca em descrever com precisão quando uma pessoa está deprimida, ainda não em prever episódios antes de começarem. Ainda assim, o quadro que emerge é intuitivamente reconhecível: durante episódios depressivos, as pessoas se sentem consistentemente piores e com menos energia, movem-se menos e de forma mais monótona, e apresentam horários de dormir mais erráticos. Como os biomarcadores digitais-chave identificados são relativamente simples — variabilidade dia a dia no humor, na atividade e no tempo para adormecer — eles poderiam, eventualmente, ser incorporados em aplicativos ou painéis clínicos. Para os pacientes, isso pode significar que um telefone e um anel monitorem discretamente esses padrões em segundo plano e alertem a pessoa e seu clínico quando seus ritmos cotidianos começarem a se assemelhar a episódios depressivos anteriores, abrindo caminho para cuidados mais oportunos e personalizados.

Citação: Halabi, R., Mulsant, B.H., Tolend, M. et al. A systematic exploration of digital biomarkers for the detection of depressive episodes in bipolar disorder. npj Mental Health Res 5, 13 (2026). https://doi.org/10.1038/s44184-026-00195-5

Palavras-chave: transtorno bipolar, biomarcadores digitais, sensores vestíveis, detecção da depressão, fenotipagem digital