Baixe o app para aproveitar ainda mais
Prévia do material em texto
UNIVERSIDADE FEDERAL DO RIO GRANDE DO NORTE ESCOLA DE CIÊNCIAS E TECNOLOGIA PROGRAMA DE PÓS-GRADUAÇÃO EM CIÊNCIA, TECNOLOGIA E INOVAÇÃO JÉSSICA CAROLINE MACÊDO TEIXEIRA MARTINS SISTEMA LEVES: UTILIZANDO O APRENDIZADO DE MÁQUINA PARA O MONITORAMENTO DE TRANSTORNOS MENTAIS COMUNS NO TRABALHO NATAL 2022 JÉSSICA CAROLINE MACÊDO TEIXEIRA MARTINS SISTEMA LEVES: UTILIZANDO O APRENDIZADO DE MÁQUINA PARA O MONITORAMENTO DE TRANSTORNOS MENTAIS COMUNS NO TRABALHO Dissertação apresentada ao Programa de Pós- graduação em Ciência, Tecnologia e Inovação da Universidade Federal do Rio Grande do Norte para obtenção do título de Mestre em Ciência, Tecnologia e Inovação. Orientador: Prof. Dr. Efrain Pantaleón Matamoros Coorientador: Prof. Dr. Orivaldo Vieira de Santana Júnior Coorientadora: Drª Regina Carmén Espósito NATAL 2022 MARTINS, Jéssica Caroline Macêdo Teixeira. Sistema LEVES: Utilizando o Aprendizado de Máquina para o Monitoramento de Transtornos Mentais Comuns no Trabalho. Dissertação apresentada ao Programa de Pós-graduação em Ciência, Tecnologia e Inovação da Universidade Federal do Rio Grande do Norte, como parte dos requisitos para a obtenção do título de Mestre em Ciência, Tecnologia e Inovação. Área de concentração: Gestão da Inovação e da Informação. Trabalho aprovado em 15 de dezembro de 2022, pela banca examinadora: Prof. Dr Efrain Pantaleón Matamoros - presidente; Prof. Dr. Edilson Marinho Da Silva Junior - Examinador Externo à Instituição; Prof. Drª. Regina Carmén Espósito - Examinador Externo ao Programa; Prof. Dr. Carlos Alexandre Camargo de Abreu - Examinador Interno ao Programa; Prof. Dr. Marco Antônio Leandro Cabral - Examinador Interno ao Programa; Conforme lavrado na Ata n.º 80 PPgCTI, cadastrada sob protocolo nº 23077.172471/2022- 44 no Sistema Integrado de Patrimônio, Administração e Contratos da Universidade Federal do Rio Grande do Norte. Autorizo a reprodução e divulgação total ou parcial deste trabalho, por qualquer meio convencional ou eletrônico, para fins de estudo e pesquisa, desde que citada a fonte. Universidade Federal do Rio Grande do Norte - UFRN Sistema de Bibliotecas - SISBI Catalogação de Publicação na Fonte. UFRN - Biblioteca Central Zila Mamede Martins, Jessica Caroline Macedo Teixeira. Sistema leves: utilizando o aprendizado de máquina para o monitoramento de transtornos mentais comuns no trabalho / Jessica Caroline Macedo Teixeira Martins. - 2022. 148 f.: il. Dissertação (mestrado profissional) - Universidade Federal do Rio Grande do Norte, Escola de Ciências de Tecnologia, Programa de Pós-Graduação em Ciência, Tecnologia e Inovação, Natal, RN, 2023. Orientador: Prof. Dr. Efrain Pantaleón Matamoros. Coorientador: Prof. Dr. Orivaldo Vieira de Santana Júnior. Coorientadora: Dra. Regina Carmén Espósito. Elaborado por Ana Cristina Cavalcanti Tinoco - CRB- 15/262 DEDICATÓRIA À Jéssica de 15 anos atrás, que venceu a ansiedade e conseguiu correr atrás dos seus sonhos. AGRADECIMENTOS Minha eterna gratidão a Deus, que além do dom da vida também me presenteou com família e amigos amorosos, compreensivos e dedicados. Tenho em meu coração uma lista interminável de pessoas a quem sou grata por essa conquista, mas agradeço especialmente a Melina e Mennson, que são minha inspiração e motivação para continuar tentando ser, a cada dia, uma pessoa melhor. Agradeço à vovó Ceminha, aos meus pais e meu padrasto Marcos, pelo amor, compreensão, carinho e apoio dado durante toda minha vida. Aos meus sogros Agslene e Zé Martins e à minha cunhada Maysla, por terem me acolhido na família e serem essa base de apoio tão importante. Ao meu primo Felipe e tio Ricardo, pelo incentivo para continuar tentando quando eu estava prestes a desistir de buscar um mestrado. Gratidão ao meu querido orientador, o Dr. Efrain Pantaleón, por acreditar no meu trabalho e me guiar brilhantemente nessa jornada, e aos coorientadores dessa pesquisa, o Dr. Orivaldo Júnior e a Drª Regina Espósito, pela paciência, compreensão e disponibilidade de sempre. Agradeço, ainda, a Efrain Marcelo, Matheus Cortez, Rafael Franco e a todos os estudantes que acreditaram no projeto e se voluntariaram a participar dele. Serei eternamente grata a cada um de vocês. “O que cura, fundamentalmente, é o estímulo à criatividade.” Nise da Silveira RESUMO MARTINS, Jéssica Caroline Macêdo Teixeira. SISTEMA LEVES: Utilizando o Aprendizado de Máquina para o Monitoramento de Transtornos Mentais Comuns no Trabalho. Fls. 131. Qualificação (Mestrado Profissional em Ciência, Tecnologia e Inovação) – Programa de Pós-Graduação em Ciência, Tecnologia e Inovação (PPgCTI). Universidade Federal do Rio Grande do Norte (UFRN), Natal/RN, 2022. Os transtornos mentais consistem num importante problema de saúde pública capaz de prejudicar o pleno funcionamento afetivo, social e laboral do indivíduo. Quando os sintomas ansiosos, depressivos ou somáticos não preenchem critérios para os diagnósticos de ansiedade e/ou depressão, essas manifestações são designadas Transtornos Mentais Comuns, um quadro que, embora menos crítico que os transtornos mentais graves, é altamente prevalente e tem forte impacto no sofrimento mental e qualidade de vida. Considerando os recentes avanços tecnológicos e suas aplicações na previsão, promoção da saúde mental, diagnóstico e tratamento de transtornos psiquiátricos, esta pesquisa científico-empreendedora tem por objetivo desenvolver um sistema de monitoramento de Transtornos Mentais Comuns em servidores públicos utilizando técnicas de Inteligência Artificial e Aprendizado de Máquina. A metodologia do estudo foi realizada em três etapas: revisão de literatura; desenvolvimento da ferramenta; e validação. A produção de conhecimento desta pesquisa resultou na elaboração do “Sistema LEVES - Levantamento de Emoções e Sentimentos”, o MVP de um sistema computacional de monitoramento de Transtornos Mentais Comuns no trabalho. Palavras-chave: Transtornos Mentais; Monitoramento; Saúde do Trabalhador; Aprendizado de Máquina; Tecnologia Digital; Saúde; Inovação Tecnológica. MARTINS, Jéssica Caroline Macêdo Teixeira. SISTEMA LEVES: Machine Learning to Monitor Common Mental Disorders and Job Dissatisfaction. Fls. 131. Qualificação (Mestrado Profissional em Ciência, Tecnologia e Inovação) – Programa de Pós-Graduação em Ciência, Tecnologia e Inovação (PPgCTI). Universidade Federal do Rio Grande do Norte (UFRN), Natal/RN, 2022. ABSTRACT Mental disorders are an important public health problem capable of impairing the full affective, social and work functioning of the individual. When anxiety, depressive or somatic symptoms do not meet the criteria for the diagnosis of anxiety and/or depression, these manifestations are called Common Mental Disorders, a condition that, although less critical than severe mental disorders, is highly prevalent and has a strong impact on the mental suffering and quality of life. Considering recent technological advances and their applications in predicting, promoting mental health, diagnosing and treating psychiatric disorders, this scientific-entrepreneurial research aims to develop a monitoring system for Common Mental Disorders in public employees using Artificial Intelligence and Machine Learning techniques. The study methodology was carried out in three stages: literature review; tool development; and validation. The production of knowledge from this research resulted in the elaboration of the “Sistema LEVES - Levantamento de Emoções e Sentimentos”, the MVP of a computational system for monitoring Common Mental Disorders at work. Keywords:Mental Disorders; Monitoring; Occupational Health; Machine Learning; Digital Technology; Health; Tecnologic innovation. LISTA DE FIGURAS Figura 1 - Self Report Questionnaire (SQR-20) 22 Figura 2 - Modelo da Nordstrom Innovation Lab 30 Figura 3 - Modelo de Hildebrand e Meyer 31 Figura 4 - Model for the Innovation Teaching 31 Figura 5 - Foco estratégico 50 Figura 6 - Hipóteses 50 Figura 7 -Mapa conceitual 56 Figura 8 - Persona 1 - servidor da área da saúde 57 Figura 9 - Persona 2 - Gestor de saúde 58 Figura 10 - Diagrama de decomposição funcional do Sistema LEVES 63 Figura 11 - Protótipo do LEVES Web em papel (baixa fidelidade) 64 Figura 12 - Ferramentas e fluxo de dados 70 Figura 13- Fluxo de desenvolvimento do sistema 71 Figura 14 - Gráfico representativo das faixas etárias dos participantes 73 Figura 15 - Gráfico representativo do gênero dos participantes 74 Figura 16- Gráfico representativo do estado civil 74 Figura 17 - Categorias de trabalho 75 Figura 18- Agrupamento dos sintomas 79 Figura 19 - Satisfação dos servidores da UFRN com o trabalho 80 Figura 20 - Configurações do algoritmo K-means 85 LISTA DE QUADROS Quadro 1 - Práticas para padronização de processos de pesquisa com IA 26 Quadro 2 - Fases do MoIT 32 Quadro 3 - Descrição da base de dados 42 Quadro 4 - Saúde mental e trabalho - principais impressões 47 Quadro 5 - Caracterização das necessidades 51 Quadro 6 - HealthTechs de bem-estar físico e mental ou saúde no trabalho 53 Quadro 7 - Funcionalidades básicas do Sistema LEVES 62 Quadro 8 - Levantamento de informações para o menu “informações importantes” 66 Quadro 9 - Locais de trabalho 76 Quadro 10 - Processo de identificação das RA 81 LISTA DE ABREVIATURA E SIGLAS AED Análise Exploratória de Dados AGIR Agência de Inovação da Universidade Federal do Rio Grande do Norte CAAE Certificado de Apresentação de Apreciação Ética CEP/UFRN Comitê de Ética em Pesquisa da Universidade Federal do Rio Grande do Norte CID Classificação Estatística Internacional de Doenças e Problemas Relacionados com a Saúde CInO Chief Innovation Officer COVID-19 Doença por SARS-CoV-2 DAS Diretoria de Qualidade de Vida, Saúde e Segurança no Trabalho DASA Divisão de Atenção à Saúde do Servidor DNN Deep Neural Networks, Redes Neurais Profundas DT Design Thinking ECT Escola de Ciências e Tecnologia ENAP Escola Nacional de Administração Pública CHQ-12 General Health Questionnaire GLP General Public License IA Inteligência Artificial INPI Instituto Nacional da Propriedade Industrial MEDLINE Medical Literature Analysis and Retrieval System Online ML Machine Learning, Aprendizado de Máquina MoIT Model for the Innovation Teaching MVP Minimum Viable Product, Produto Mínimo Viável OCDE Organização para a Cooperação e Desenvolvimento Econômico OMS Organização Mundial da Saúde PIBIC Programa Institucional de Bolsas de Iniciação Científica PPgCTI Programa de Pós-Graduação em Ciência, Tecnologia e Inovação PROGESP Pró-Reitoria de Gestão de Pessoas QVT Qualidade de Vida no Trabalho RNN Rede Neural Recorrente ROC Receiver Operator Characteristic Curve SciELO Scientific Electronic Library Online SEBRAE Serviço Brasileiro de Apoio às Micro e Pequenas Empresas SIAPE Sistema Integrado de Administração de Recursos Humanos SIASS Subsistema Integrado de Atenção à Saúde do Servidor SQR-20 Self Reporting Questionnaire TAE Técnico Administrativo em Educação TCLE Termo de Consentimento Livre e Esclarecido TMC Transtornos Mentais Comuns UFRN Universidade Federal do Rio Grande do Norte WEKA Waikato Environment for Knowledge Analysis https://www.gov.br/jbrj/pt-br/assuntos/educacao/programa-institucional-de-bolsas-de-iniciacao-cientifica-pibic SUMÁRIO 1 INTRODUÇÃO 13 1.1 SITUAÇÃO-PROBLEMA 13 1.2 JANELA DE OPORTUNIDADE 14 2 FUNDAMENTAÇÃO CIENTÍFICA E TECNOLÓGICA 16 2.1 SAÚDE MENTAL E TRABALHO 16 2.1.1 Pressupostos epistemológicos 16 2.1.2 Transtornos mentais 17 2.1.3 Transtornos Mentais Comuns (TMC) 19 2.2 INTELIGÊNCIA ARTIFICIAL E SAÚDE MENTAL 22 2.2.1 Conceitos gerais 22 2.2.2 IA aplicada à saúde mental 25 2.3 TÓPICOS SOBRE INOVAÇÃO 27 2.3.1 Design Thinking para resolução de problemas 29 2.3.2 Minimum Viable Product (MVP) 34 3 OBJETIVO 37 3.1 OBJETIVO GERAL 37 3.2 OBJETIVOS ESPECÍFICOS 37 4 METODOLOGIA 38 4.1 REVISÃO DE LITERATURA 38 4.2 DESENVOLVIMENTO DA FERRAMENTA 38 4.3 VALIDAÇÃO 39 4.3.1 Validação da ideia 39 4.3.2 Validação do MVP 39 4.3.2.1 Pré-processamento dos dados 41 4.3.2.2 Estudo dos algoritmos Apriori e K-means 46 5 RESULTADOS E DISCUSSÃO 47 5.1 DESENVOLVIMENTO TECNOLÓGICO 47 5.1.1 Desafio/Briefing 47 5.1.2 Observar 50 5.1.3 Ponto de vista 57 5.1.4 Gerar ideias 59 5.1.5 Prototipar 61 5.1.6 Construir 68 5.2 VALIDAÇÃO TECNOLÓGICA 70 5.2.1 Validação da ideia 70 5.2.2 Validação do MVP 71 6 TRAJETÓRIA COMO CHIEF INNOVATION OFFICER 86 7 CONSIDERAÇÕES FINAIS 88 REFERÊNCIAS 90 APÊNDICE A - SUBSECTOR_ID: QUADRO DE UNIDADES DE LOTAÇÃO 99 APÊNDICE B - QUADRO DE REFERÊNCIA TAE - UFRN 102 ANEXO A - PESQUISA “IMPLICAÇÕES SOBRE O USO DA IA NA ÁREA DA SAÚDE MENTAL” 108 ANEXO B - ORGANOGRAMA OFICIAL DA UFRN 130 ANEXO C- USE OF ARTIFICIAL INTELLIGENCE TECHNIQUES IN THE PREDICTION OF THE PRE AND ASYMPTOMATIC PATIENT TO COVID-19 132 ANEXO D - RESULTADO DO DESAFIO ENAP 134 ANEXO E - RESULTADO DO EDITAL CATALISA ICT 137 ANEXO F- PROTÓTIPO DE ALTA FIDELIDADE DO SISTEMA LEVES (TELAS PRINCIPAIS) 140 ANEXO G- RESULTADO DO EDITAL DO PROGRAMA CENTELHA RN 143 13 Introdução 1 INTRODUÇÃO 1.1 SITUAÇÃO-PROBLEMA Segundo relatório divulgado pela Organização Mundial da Saúde (OMS) em 2022, os transtornos mentais são altamente prevalentes em todo o mundo e se apresentam em aumento progressivo, sobretudo diante do cenário de pandemia desencadeado pela COVID-19. De acordo com a publicação da OMS, em 2019 já havia 301 milhões de pessoas vivendo com ansiedade, 280 milhões com depressão, 64 milhões viviam com esquizofrenia ou transtorno bipolar e 703.000 cometeram suicídio em todo o mundo. Atualmente, 15% dos adultos em idade ativa vivem com algum transtorno mental (OMS, 2022). Segundo o estudo de Fonseca, Guimarães e Vasconcelos (2008), quando os sintomas ansiosos, depressivos e somáticos não preenchem os critérios formais para que seja feito um diagnóstico de depressão e/ou ansiedade de acordo com os manuais internacionais de diagnóstico, eles são designados Transtornos Mentais Comuns (TMC). Queixas somáticas não específicas, insônia, neurastenia, inquietação, cefaleia, falta de concentração e perda de memória, além de inúmeras outras manifestações que poderiam estar associadas a sintomas ansiosos, depressivos ou somatoformes, são algumas formas nas quais os TMC podem se manifestar. Apesar de geralmente se apresentarem em quadros menos críticos de adoecimento mental, os TMC são bastante frequentes e constituem fator de grande impacto na psique e qualidade de vida do indivíduo, principalmente por serem constantemente subdiagnosticados e por constituírem base para o aparecimento de transtornos mais graves (BOLSONI; ZUARDI, 2015). Estima-se que 264 milhões de pessoas sofram de depressão e ansiedade no ambiente laboral, mas a maioria desses transtornos não é diagnosticada nem tratada. Em decorrência desses transtornos, 12 bilhões de dias de trabalho são perdidos anualmente, custando à economia global quase um trilhão de dólares (OMS, 2022). Os ambientes de trabalho vivem em constante transformação e enfrentam diversos desafios, o que requer a manutenção de espaços saudáveis e adequados para promover a saúde e evitar o adoecimento dos colaboradores, inclusive no que diz respeito à sua saúde mental. Trabalhadores expostos a ambientes laborais insalubres têm um maior potencial para o adoecimento frente àqueles que gozam de boa qualidade de vida no trabalho, e isso pode estar 14 Introdução associado a questões como o tipo, as condições de trabalho e a maneira como ele está organizado (SANCHEZ et al., 2019). 1.2. JANELA DE OPORTUNIDADE Segundo relatório disponibilizado pela ENAP (2021), servidores públicos são expostos a situações difíceis, que vão desde o assédio a cobranças excessivas e ambientes de trabalho inadequados. Tais situações têm potencial para gerar sofrimento e insatisfação com o trabalho, favorecem o aparecimento de transtornos mentais e geram consequências que podem variardesde uma pequena desmotivação até longos períodos de afastamento. O problema se intensifica com a dificuldade dos gestores em compreender e analisar os casos de adoecimento e de estabelecer suas correlações com a insatisfação no trabalho e questões sociolaborais. Essa inabilidade dificulta o uso das informações de forma estratégica para evitar o surgimento de novos casos. Dessa forma, entender o perfil de adoecimento mental e suas correlações com características sociodemográficas, laborais e insatisfação no trabalho pode ser útil aos gestores no embasamento de políticas e ações para a promoção da saúde mental e qualidade de vida no trabalho. Atualmente pode-se verificar inúmeras aplicações da Inteligência Artificial (IA) na previsão, promoção da saúde mental, diagnóstico e tratamento de transtornos psiquiátricos. A IA pode ser definida como um campo da ciência que busca reproduzir a inteligência humana através de ferramentas eletrônicas com o objetivo de ensinar aos computadores a executar tarefas complexas (MARTINS, et al., 2022). A informação é um elemento essencial para o desenvolvimento de tecnologias com IA, e o subcampo da ciência que estuda a construção de algoritmos capazes de aprender e fazer previsões a partir de dados é denominado Machine Learning (ML), ou aprendizado de máquina (MARTINS et al., 2022). O presente estudo torna-se relevante porque visa oferecer aos gestores uma ferramenta de monitoramento de saúde mental para apoio à tomada de decisão baseada em tecnologias de IA. Além da relevância para a gestão estratégica, essa pesquisa também contribui com a promoção do autoconhecimento emocional à medida que busca identificar uma solução que ofereça aos usuários a possibilidade de fazer um autogerenciamento da saúde mental por meio de testes simples e conteúdo que os ajudem a refletir sobre suas próprias emoções e sentimentos. 15 Introdução Ademais, demonstra que a interseção entre três grandes áreas do conhecimento - saúde mental e trabalho, inteligência artificial e inovação - é capaz de gerar uma solução com o potencial de contribuir para a redução do sofrimento mental e melhora da qualidade de vida dos trabalhadores do serviço público. 16 Fundamentação Científica e Tecnológica 2 FUNDAMENTAÇÃO CIENTÍFICA E TECNOLÓGICA 2.1 SAÚDE MENTAL E TRABALHO 2.1.1 Pressupostos epistemológicos Por muitos anos, o trabalho foi pensado de forma desvinculada de questões como saúde mental e qualidade de vida. Normalmente associava-se o adoecimento mental à fisiologia, genética e/ou histórico familiar/individual do trabalhador, desconsiderando completamente as implicações do trabalho no processo de adoecimento psíquico (BORSOI, 2007). Traçando uma linha temporal, embora a psicologia tenha passado a estudar essas relações apenas após a Revolução Industrial, no século XVIII, verifica-se que o sofrimento associado ao trabalho está presente desde o período escravagista até a contemporaneidade. A transição das instituições de ofício da Idade Média para uma nova lógica capitalista provocada pela Revolução Industrial trouxe consigo fortes mudanças no campo social, inclusive uma nova forma de divisão do trabalho (DIAS, 2018). A relação do operário com o trabalho nessa época é retratada pela célebre frase de Karl Marx: “Viver, para o operário, é não morrer”. Esse pensamento era consequência da predominância de trabalhos exaustivos, desgastantes, mal remunerados e completamente alheios aos direitos individuais e coletivos. A meta era a sobrevivência, independente das condições de saúde (BORSOI, 2007). Avançando brevemente na história, chegamos ao ano de 1920, quando despontam os primeiros estudos cujo foco era a relação entre o trabalho e a saúde mental. Entretanto, embora importantes para a evolução dessa área do conhecimento, tais estudos ainda não traziam reflexões tão favoráveis ao trabalhador. Isso porque, mesmo reconhecendo a importância de uma relação harmoniosa entre o indivíduo e seu ambiente laboral, o foco ainda se restringia a uma mera adaptação do trabalhador ao seu local de trabalho (OLIVEIRA; BASTOS, 2017). À época, o entendimento era de que se houvesse algum problema capaz de afetar a harmonia “homem-trabalho”, sua origem necessariamente seria associada às condições individuais do trabalhador, às suas relações familiares ou a questões externas ao trabalho (OLIVEIRA; BASTOS, 2017). 17 Fundamentação Científica e Tecnológica Em 1950, o psiquiatra francês Louis Le Guillant começou a abordar em seus estudos as consequências subjetivas do trabalho no indivíduo. Ele, que é considerado um dos fundadores da psicopatologia do trabalho, levantou questões que, até hoje, são levadas em consideração, como por exemplo as hipóteses de que a realização de tarefas rápidas e repetitivas resultam em diversas desordens no funcionamento do corpo e que “o sofrimento psíquico pode ser explorado pelo capital como forma de aumentar a produtividade” (SOUZA; ATHAYDE, 2006). Indo além, em meados de 1980 surge o termo “psicodinâmica do trabalho”, proposto pelo médico e psicanalista francês Christophe Dejours em obra denominada “A loucura do Trabalho” (tradução nossa). Essa corrente passa a lidar com o trabalho como potencial fator gerador de sofrimento, e aborda questões como: “1) a importante contribuição do reconhecimento; 2) a construção da identidade; 3) o compromisso entre sofrimento e defesa; 4) sublimação; 5) a racionalidade prática (pathique); e 6) a preocupante alienação social”. Dada a contemporaneidade dessa abordagem, nota-se uma forte presença do tema na literatura científica (BUENO; MACEDO, 2012). O Relatório Mundial de Saúde Mental, publicado pela Organização Mundial da Saúde (OMS), em 2022, aponta para a urgência em focar nos possíveis efeitos prejudiciais do trabalho na saúde mental dos indivíduos. O documento cita algumas estratégias para a criação de ambientes laborais protetores, como a implementação de políticas para reduzir fatores de risco psicossocial e a capacitação das equipes em saúde mental, criando um ambiente onde os trabalhadores são capazes de fornecer um apoio inicial a colegas em sofrimento. Considerando o referido contexto político e social, o campo do conhecimento hoje intitulado “saúde mental e trabalho” traduz um ponto de convergência entre diversas disciplinas, representando principalmente a junção de duas grandes áreas: ciências da saúde e ciências sociais. Por se tratar de duas esferas que, isoladamente, já são responsáveis por grandes debates na sociedade, essa junção, apesar de fortalecer a comunidade científica com sua característica multidisciplinar, também traz consigo o risco de uma utilização de matrizes epistemológicas incompatíveis. As consequências podem estar associadas à produção de conhecimento enviesado por implicações éticas e políticas (OLIVEIRA; BASTOS, 2017). 2.1.2 Transtornos mentais 18 Fundamentação Científica e Tecnológica O conceito de saúde apresentado no ato de constituição da OMS, em 1948, já considera que um indivíduo saudável não é necessariamente aquele não acometido por alguma doença, mas o que usufrui de um completo bem-estar físico, mental e social. Essa definição considera que, além do enfoque na patologia, é extremamente necessário atentar para os fatores condicionantes e determinantes do adoecimento (BUSS; PELLEGRINI FILHO, 2007). Sob esse prisma, Mota, Silva e Amorim (2020) sugerem um entendimento de que a saúde mental engloba, entre outros fatores, o bem-estar subjetivo, autorrealização emocional e autonomia e que, por isso, deve ser entendida de forma holística, considerando aspectos políticos, sociais e ideológicos. Portanto, a avaliação do estado de saúde mental de um sujeito precisa ir além de uma análise exclusivamente clínica ou epidemiológica. Os transtornos mentais podem ser definidos e descritos por meio de sistemas internacionais de classificação e diagnóstico. No entanto, há de se considerar a importância de uma abordageminicial baseada nos sinais e sintomas (diagnóstico sindrômico) mais frequentes como estratégia para uma melhor organização do raciocínio clínico e definição de um diagnóstico. Ou seja, é imprescindível que somente após uma criteriosa avaliação sindrômica seja dado o próximo passo, que é a formulação da hipótese diagnóstica baseada nos citados sistemas (DALGALARRONDO, 2008). De acordo com Trevisan e Castro (2021), os transtornos mentais e de comportamento podem ser definidos como mudanças no padrão de pensamento e/ou de humor, relacionadas a uma angústia significativa, que são capazes de prejudicar o pleno funcionamento afetivo, social e laboral do indivíduo. Os estudos de Mota, Silva e Amorim (2020) e Trevisan e Castro (2021), convergem no entendimento de que o adoecimento mental proporciona um elevado sofrimento individual e social. O preconceito, o estigma e a inabilidade para o desempenho de determinadas funções são apontados pelos autores como algumas cargas relacionadas ao adoecimento. Ao tratar de sua psicopatologia e semiologia, Dalgalarrondo (2008) classifica algumas síndromes psiquiátricas em: 1) síndromes ansiosas; 2) síndromes depressivas; 3) síndromes maníacas; 4) síndromes neuróticas; 5) síndromes psicóticas; 6) síndromes relacionadas ao consumo de alimentos; 7) síndromes relacionadas a substâncias psicoativas; 8) síndromes relacionadas à sexualidade; 9) síndromes relacionadas ao sono; 10) síndromes mentais orgânicas; 11) demências; e 12) síndromes relacionadas à cultura. 19 Fundamentação Científica e Tecnológica De forma geral, esses quadros se manifestam a partir de uma incapacidade do indivíduo de adaptar-se e manter-se saudável diante das dificuldades enfrentadas para o seu pleno funcionamento. Destaca-se que esse é um problema altamente prevalente em todo o mundo, o qual se apresenta em aumento progressivo sobretudo em países em desenvolvimento (GIANINI et al., 2008). Segundo Mota, Silva e Amorim (2020), no ano de 2011 havia cerca de 450 milhões de indivíduos sofrendo por algum tipo de transtorno mental ou de comportamento. Vale salientar que o cenário de pandemia de COVID-19, bem como o consequente agravamento dos problemas sociais, contribuiu consideravelmente para o aumento do número de indivíduos em situação de sofrimento psíquico. Isso porque as características inéditas desta pandemia, tais quais quarentena, distanciamento e isolamento social, além da superlotação dos serviços de saúde, alimentaram um cenário de incertezas quanto ao número real de indivíduos acometidos mentalmente (LIMA, 2020). Sob esse prisma, Losekann e Mourão (2020) apontam o aparecimento de alguns sentimentos relacionados à pandemia, como: tristeza ocasionada pelo isolamento, adoecimento ou perda de algum familiar ou amigo; medo de adoecer ou de perder algum ente querido; angústia e incerteza relacionadas a tratamentos e prevenção; irritabilidade pela ausência de respostas; além dos temores relacionados ao trabalho e mudanças de rotinas. Ademais, os autores reforçam a necessidade de atenção especial por parte dos gestores de pessoas para que o trabalho não se torne um fator contribuinte para o aumento desse sofrimento. As alterações bruscas nas rotinas laborais estimuladas pelo isolamento social e quarentena, exigiram grande capacidade de adaptação para a resolução de problemas e execução de atividades, principalmente daqueles que adotaram o teletrabalho. Em contrapartida, existem aqueles trabalhadores que não tiveram a oportunidade de fazer home office por prestarem serviços essencialmente presenciais. Nesse caso, o drama não é apenas relacionado a uma adaptação a novas rotinas de trabalho, mas também ao enfrentamento do risco de infecção, causando um sentimento ambivalente sobre o que é mais correto: trabalhar para garantir a sobrevivência ou permanecer em casa para não expor a si nem a sua família à infecção. O sofrimento psíquico em situações de incerteza como estas é bastante comum, tornando os trabalhadores extremamente vulneráveis ao adoecimento mental (MORAES CRUZ et al., 2020). 20 Fundamentação Científica e Tecnológica 2.1.3 Transtornos Mentais Comuns (TMC) Apesar das graves consequências individuais e sociais relacionadas, grande parte dos transtornos mentais têm tratamento e prevenção. De acordo com o Ministério da Saúde, 3% da população brasileira é acometida por transtornos mentais graves e persistentes. Em contrapartida, transtornos mentais não psicóticos, caracterizados principalmente por sintomas depressivos, ansiosos e queixas somáticas difusas, são prevalentes em 20 a 30% dos brasileiros. Estes transtornos são classificados como Transtornos Mentais Comuns (TREVISAN; CASTRO, 2021). Goldberg & Huxley (1992) conceituam os TMC como uma situação de saúde que não possui os critérios formais para um diagnóstico de ansiedade e/ou depressão segundo os sistemas internacionais de classificação, mas apresenta sinais e sintomas capazes de causar sofrimento, incapacitação funcional e prejuízos psicossociais ao indivíduo, além de custos econômicos e sociais. Em consonância com Goldberg e Huxley (1992), Bandeira, Freiras e Carvalho Filho (2007) afirmam que quando ocorre quadro clínico acompanhado de sintomas que causam incapacitação funcional do indivíduo, semelhantes ou mais graves que aquelas causadas por patologias já estabelecidas, mas que não são suficientes para preencher formalmente os critérios diagnósticos de ansiedade e/ou depressão de acordo com os sistemas internacionais de diagnóstico, pode-se considerar a existência de um TMC. De acordo com Moreira et al. (2020), os TMC já são a causa de sofrimento psíquico mais frequente no mundo, e estima-se que em até 10 anos será um dos maiores fatores contributivos para a incapacidade funcional. Os TMC têm alta prevalência e um impacto direto na diminuição da qualidade de vida dos indivíduos, estando associados a elevado sofrimento psíquico e constituindo, portanto, um importante problema de saúde pública (RODRIGUES-NETO et al., 2008). Além de ansiedade e depressão não psicótica, o indivíduo com TMC tende a apresentar sintomas como fadiga, perda de memória, irritação, insônia e déficit de atenção (GRETHER et al., 2019; COSTA et al., 2017; TREVISAN; CASTRO, 2021). De acordo com Rodrigues-Neto et al. (2008), existem fatores modificáveis e não modificáveis relacionados ao desenvolvimento dos TMC e tanto a literatura nacional quanto a internacional concordam que escolaridade, gênero, idade, renda e religião são alguns destes fatores. Os autores afirmam que, embora a idade seja um fator não modificável, em indivíduos 21 Fundamentação Científica e Tecnológica com mais de 40 anos outras condições comuns ao envelhecimento têm o poder de potencializar o risco. Eles citam como exemplo a dificuldade em recomeçar projetos de vida e o aumento da exposição a doenças crônicas não-transmissíveis. Percebe-se, ainda, uma alta prevalência de transtornos psíquicos dentro do ambiente laboral. O sofrimento mental nas organizações tem consequências graves que vão desde o absenteísmo a licenças médicas para tratamento de saúde e aposentadorias por invalidez, além de problemas interpessoais. Dadas essas características, tornou-se imprescindível o rastreamento precoce dos TMC e identificação de seus fatores associados como estratégia para minimizar os prejuízos sociais, individuais e econômicos (TREVISAN; CASTRO, 2021). Partindo da premissa de que identificar um TMC não necessariamente implica na obtenção de um diagnóstico nosológico, surgiram diversas ferramentas que se propõem a levantar situações de predisposição ao adoecimento a partir da identificação de fatores associados ao sofrimento mental, ansiedade, depressão e sintomas somáticos. Dentre elas, cita-se o General Health Questionnaire (GHQ-12) e o Self-Reporting Questionnaire (SQR- 20), sendo este último amplamente utilizado no Brasil (COSTA et al., 2017). Bolsoni e Zuardi (2015) afirmam que as ferramentasde rastreio são muito importantes para o processo de identificação precoce de transtornos e consideram o SRQ-20 uma alternativa consistente, coerente e precisa no quesito confiabilidade. De acordo com Gonçalves, Stein e Kapzinski (2008), o SRQ-20 possui as duas características fundamentais para um bom instrumento de rastreamento: uma boa performance no discernimento entre casos positivos e negativos e aplicabilidade em larga escala. Os autores afirmam, ainda, que a ferramenta possui fácil e rápida aplicação, tem linguagem clara, implica em baixos custos operacionais e dispensa a presença de um entrevistador clínico, o que possibilita sua autoaplicação. O SQR-20 surgiu como uma proposta da OMS para avaliar a presença de transtornos mentais não psicóticos no âmbito da atenção primária. Com a ideia de alcançar o máximo de indivíduos, principalmente em países em desenvolvimento, a ferramenta foi pensada para ser um método de fácil aplicação e baixo custo (BRITO; EULÁLIO; DA SILVA JÚNIOR, 2020). No Brasil, foi validado por Mari e Willians em 1986 mediante estudo que constatou uma sensibilidade de 85% e especificidade de 80% (COSTA et al., 2017). A OMS recomenda a utilização deste instrumento para rastreamento de transtornos não psicóticos em estudos comunitários e na atenção básica, especialmente em países em desenvolvimento. Tal orientação se dá, entre outras coisas, pela boa performance do teste- 22 Fundamentação Científica e Tecnológica confiabilidade, facilidade de aplicação e baixo custo para reprodução- (GONÇALVES; STEIN; KAPZINSKI, 2008). A ferramenta é constituída por 20 perguntas (Figura 1) que podem ser agrupadas em quatro categorias relacionadas a sintomas de: 1) humor depressivo/ ansioso; 2) somáticos; 3) energia vital reduzida; 4) pensamentos depressivos. As respostas são dicotômicas, do tipo sim/não e devem ser dadas levando em consideração dores e sentimentos dos últimos 30 dias (TREVISAN; CASTRO, 2021; MOREIRA et al., 2020). Para realizar o cálculo da pontuação, contabiliza-se 1 ponto para cada resposta afirmativa, enquanto as respostas negativas têm valor nulo. Os valores obtidos são considerados indicadores de probabilidade da presença de TMC, variando numa escala de probabilidade nula (0 ponto) a probabilidade extrema (20 pontos). A pontuação maior ou igual a 7 indica possibilidade de TMC para ambos os sexos (COSTA et al., 2017). Figura 1- Self Report Questionnaire (SQR-20) Fonte: Gianini et al. (2008, p.17) 2.2 INTELIGÊNCIA ARTIFICIAL E SAÚDE MENTAL 23 Fundamentação Científica e Tecnológica 2.2.1 Conceitos gerais Embora atribua-se que o termo “Inteligência Artificial (IA)” tenha surgido em 1956, durante uma conferência de verão em Dartmouth College, o primeiro sistema desenvolvido com IA, data de um ano antes deste evento (1955). O referido sistema foi desenvolvido por Allen Newell e Herbert A. Simon e implementado por Clifford Shaw na Universidade Carnegie Mellon, em Pittsburgh, nos Estados Unidos da América (SEBASTIAN, 2021). Considerado o pai da IA, o cientista da computação John McCarthy, definiu esta área do conhecimento como uma junção da ciência e da engenharia visando a construção de máquinas inteligentes (GRAHAM et al., 2019). Segundo Schutzer (1990), a IA pode ser entendida como um campo da ciência cujo objetivo é fazer com que computadores consigam executar tarefas essencialmente realizadas por seres humanos. Para tanto, essa área aprofunda- se no entendimento do raciocínio humano para a construção de sistemas especialistas com capacidade de emular habilidades essencialmente humanas, como a resolução de problemas e o processamento da linguagem natural (SCHUTZER, 1990). De acordo com Sebastian (2021), a IA tem por objetivo fazer com que computadores assimilem e repliquem a inteligência humana de forma tão detalhada que as máquinas se tornem capazes de perceber minúcias as quais poderiam, até mesmo, escapar do olhar humano. No ano de 1959 surge o termo “Machine Learning (ML)”, ou Aprendizado de Máquina, como forma de descrever um subcampo da ciência da computação que estuda como as máquinas podem utilizar dados para contribuir com previsões, ações ou processos decisórios por meio de algoritmos (VU et al., 2018). Estes algoritmos fazem uso de diversos métodos de otimização, probabilidade e estatística a fim de treinar habilidades de detecção de padrões em conjuntos de dados grandes, complexos e não estruturados (UDDIN et al., 2019). Os algoritmos de ML podem ser enquadrados em três categorias de acordo com seus objetivos e o tipo de aprendizado. São elas: aprendizado de máquina supervisionado, aprendizado de máquina não supervisionado e aprendizado por reforço (VU et al., 2018). Algoritmos de aprendizado de máquina supervisionado são técnicas onde um conjunto de dados cujo resultado é conhecido, é utilizado para treinar um modelo. Depois de treinado, o modelo é capaz de fazer previsões quando acrescidos de um segundo conjunto de dados. Ao primeiro conjunto de dados dá-se o nome de “dados de treinamento” e o segundo denomina- se “dados de teste” (UDDIN et al., 2019). 24 Fundamentação Científica e Tecnológica Previsões feitas por algoritmos de aprendizado supervisionado podem ser classificadas em duas categorias: discretas ou contínuas. Aqueles que produzem categorias discretas são chamados de “algoritmos de classificação”. Estes modelos são caracterizados por retornar no resultado a probabilidade de classes e são utilizados quando procura-se prever algo que seja categórico, ou seja, quando se espera encontrar como resultado categorias, e não números (SIDEY-GIBBONS; SIDEY-GIBBONS, 2019). Por outro lado, quando o modelo de aprendizado de máquina supervisionado retorna a previsão de um valor contínuo, ele é denominado “algoritmo de regressão”. Em ML estes algoritmos podem ser utilizados, por exemplo, para prever a dose tolerável de um indivíduo ao procedimento de quimioterapia (SIDEY-GIBBONS; SIDEY-GIBBONS, 2019). Enquanto o aprendizado de máquina supervisionado trabalha a partir de dados já rotulados, o não supervisionado utiliza algoritmos para descobrir tendências, grupos ou outliers a baseado em dados de entrada cujos rótulos são desconhecidos (ABBASI; GOLDENHOLZ, 2019). Em outras palavras, enquanto aquele determina manualmente uma meta de previsão, este identifica o que é mais relevante a partir de uma análise da base de dados disponibilizada. Logo, o objetivo dos algoritmos de aprendizagem não supervisionada é identificar padrões, e ele é regularmente utilizado quando não há possibilidade de rotulação ou quando esta é irrelevante (WANG; BILJECK, 2022). Uma das tarefas de aprendizado de máquina mais populares no mundo é a técnica de clusterização ou análise de clusters, que se trata de um método exploratório cujo objetivo é dividir uma população/amostra em grupos (MINGOTI, 2005). De forma geral, a técnica compõe-se de cinco etapas, sendo elas: seleção dos dados; definição de conjunto de variáveis; definição de medida de semelhança ou distância entre os dados; escolha do algoritmo e validação dos resultados encontrados. Quando todas as etapas do processo são realizadas de forma correta, essa técnica tem o poder de identificar informações úteis ocultas nos grupos de dados, contribuindo com o sucesso do projeto (CORRAR; PAULO; DIAS, 2007). A tarefa de Clusterização tem grande potencial para a descoberta de conhecimento em bases de dados. Esta técnica tem por objetivo reunir dados similares e particioná-los em subconjuntos, também chamados de “clusters”. Cada cluster é composto por registros similares, e a quantidade desses grupos pode ser definida pelo próprio analista. O algoritmo escolhido para essa tarefa é o k-means. Outro exemplo de algoritmo de aprendizagem não supervisionado é a Associação. A técnica de Regras de Associação (RA) consiste na identificação de padrões intrínsecos ao https://www.sciencedirect.com/science/article/pii/S026427512200364X 25 FundamentaçãoCientífica e Tecnológica conjunto de dados, ou seja, encontrar conjuntos de itens que ocorram simultaneamente e de forma frequente em um banco de dados (GOLDSCHMIDT; PASSOS, 2005). Um algoritmo clássico para executar essa tarefa é este algoritmo, o k-means., composto por duas fases: 1) Descoberta de todos os conjuntos de itens com suporte maior ou igual ao mínimo especificado pelo usuário; e 2) a partir dos conjuntos de itens frequentes, descobrir as regras de associação com fator de confiança maior ou igual ao especificado pelo usuário. Ademais, o parâmetro denominado “suporte” corresponde à frequência com que um determinado produto aparece numa base de dados. “Confiança” refere-se ao valor mínimo que será tomado por base para decidir se determinada RA será ou não utilizada (ZUMBA, 2019). Atualmente existem diversos programas que auxiliam analistas de dados na execução dessas técnicas, como por exemplo o software WEKA (Waikato Environment for Knowledge Analysis), desenvolvido pela Universidade de Waikato em Nova Zelândia. O WEKA trata-se de um programa do tipo open source, dentro das especificações da GPL (General Public License), que abrange uma série de tarefas e métodos do processo de descoberta do conhecimento. O programa oferece ferramentas para o pré-processamento e visualização de dados, além de diversos algoritmos de aprendizagem de máquina (HALL et al., 2009) 2.2.2 A IA aplicada à saúde mental É fato que, na atualidade, a IA gera imensa expectativa e já é responsável por inúmeros benefícios em diversas áreas da sociedade. Um exemplo do seu êxito é o fato de que as maiores empresas da economia atual têm na IA a sua essência (SICHMAN, 2021). Já na medicina, embora haja um aumento constante dessas tecnologias, ainda há muito a se considerar sobre as questões éticas envolvidas no processo do cuidar. Portanto, nessa área, os conceitos de IA têm sido abraçados com cautela (GRAHAM et al., 2019). Ainda assim, já é possível observar ferramentas que contam com a tecnologia de IA para realizar tarefas essenciais à manutenção da saúde humana, tais quais a realização de diagnósticos precoces de doenças, o auxílio em tratamentos e a descoberta e otimização de dosagens de medicamentos. Áreas da medicina como a oncologia, radiologia e oftalmologia já se beneficiam, por exemplo, do uso de algoritmos capazes de analisar grandes conjuntos de dados e gerar padrões. (GRAHAM et al., 2019). Sobre o potencial de aplicabilidade da IA no cuidado à saúde individual e/ou comunitário, Martins et al. (2022) afirmam que “suas intervenções vão desde estudos 26 Fundamentação Científica e Tecnológica epidemiológicos e ensaios clínicos até a elaboração de diagnósticos de doenças, oferta de tratamentos e previsões” (MARTINS et al., 2022, p. 286). Os autores citam como exemplo os estudos de Bhak et al. (2019) e Pigoni et al. (2019), os quais fizeram uso de técnicas de ML para a previsão de desfechos clínicos. Embora seja improvável que algum dia os profissionais de saúde sejam substituídos por estas tecnologias, há uma forte tendência de que suas decisões clínicas se apoiem cada vez mais nelas (GRAHAM et al., 2019). Sobre esse assunto, Luxton (2016) é categórico ao afirmar que, em certas atividades, algumas máquinas já são melhores que os profissionais humanos, por serem capazes de executar tarefas de alta complexidade com maior eficiência, exatidão e confiabilidade. Segundo o autor, isso se deve ao fato de que essas tecnologias não estão suscetíveis a problemas como fadiga, exaustão e esquecimento, além de serem desprovidas de preconceitos pessoais. No campo da Saúde Mental e Comportamental, métodos de aprendizado de máquina já estão ajudando profissionais na tomada de decisão clínica, formulação de diagnósticos e gerenciamento do processo de cuidado. Algumas destas ferramentas digitais estão, inclusive, contribuindo com a melhoria da saúde pública da população à medida em que auxiliam na detecção de riscos à saúde e sugerem intervenções mais adequadas (LUXTON, 2016) No entanto, de acordo com Lovejoy (2019), antes que a IA possa ser aplicada pela psiquiatria de forma segura, uma série de questões técnicas, éticas e metodológicas devem ser levadas em consideração, entre elas a governança clínica, o consentimento, a segurança e a privacidade dos dados dos pacientes. Martins et al. (2022) evidenciam que não é possível criar soluções tecnológicas obedientes aos princípios éticos sem que haja um desenvolvimento metodológico sistematizado. Portanto, visando contribuir com a sistematização dos processos que envolvem tratamento de dados, os autores elencam algumas estratégias que podem auxiliar na qualidade dos processos de pesquisa (Quadro 1): Quadro 1: Práticas para padronização de processos de pesquisa com IA Técnica Descrição 27 Fundamentação Científica e Tecnológica Deixar de fora a avaliação cruzada para avaliação de desempenho de modelo Estratégia adotada em detrimento das restrições amostrais na qual um modelo é treinado em todas as observações disponíveis menos um (n-1) e em seguida é testado repetidamente até que todas as observações disponíveis tenham sido testadas. Validação cruzada aninhada Procedimento que possibilita uma aproximação do desempenho dos modelos escolhidos. Treino, teste e validação Práticas que evitam problemas relacionados à sobreposição de conjuntos de treinamento, teste e validação em amostras numerosas. Funciona a partir do particionamento dos dados para teste e para treinamento. Evitar a data leakage O data leakage é tido como um dos 10 principais erros de mineração de dados. É considerado um problema de ruído que implica em resultados não confiáveis nos modelos. Arquitetura de pipeline Fluxo de trabalho que aplica transformadores sequenciados e um estimador. Estudos de prova de conceito e aplicação prática Publicações de estudos ao longo do desenvolvimento do projeto, garantindo o rigor metodológico e a maturidade conceitual. Fonte: Adaptado de Martins et al. (2022, p. 291-292) 2.3 TÓPICOS SOBRE INOVAÇÃO Derivada da palavra latina “novus”, a palavra inovação remete ao esforço em busca de alguma ideia, método ou artefato novo. Constantemente associa-se a inovação à descoberta de soluções tecnológicas, entretanto o seu conceito vai muito além dessa vertente (SARAIVA; ROLO, 2009) Ao descrever os conceitos relacionados à inovação Schumpeter (1997) afirma que as inovações surgem a partir de combinações entre esforços e materiais com o objetivo de criar 28 Fundamentação Científica e Tecnológica um bem, uma nova metodologia de produção, um novo mercado, o estabelecimento de novas formas de organização industrial ou a identificação de novas fontes de bens semimanufaturados e matérias-primas. Ainda sobre o conceito de inovação, Chibás, Pantaleón e Rocha (2013) concluem o seguinte: (…) consideramos suficientemente abrangente o significado de inovação como uma iniciativa, modesta ou revolucionária, que surge como uma novidade para a organização e para o mercado e que, aplicada na prática, traz resultados econômicos para a empresa sejam eles ligados à tecnologia, gestão, processos ou modelo de negócio (CHIBÁS; PANTALEÓN; ROCHA, 2013, p.18). Fortemente baseada nas teorias de Schumpeter (1997), a Organização para a Cooperação e Desenvolvimento Econômico (OCDE) lançou a 3ª edição do Manual de Oslo (2005), com atualizações das diretrizes para coleta e interpretação de dados sobre inovação. Esta publicação, conceitua quatro subtipos de inovação, a saber: produtos, processos, marketing e organizacional (OCDE, 2005). Na categoria de inovação em produtos estão inclusos a produção ou o melhoramento significativo de bens ou serviços, enquanto o subtipo inovação em processos representa o estabelecimento de novas práticas de produção ou melhoramento expressivo daquelas que já são utilizadas. A categoria de inovação de marketing pode ser entendida como a implementação ou aperfeiçoamento deestratégias de vendas e, por último, a inovação organizacional aborda novos métodos de gestão (OCDE, 2005). Do ponto de vista legal, no Brasil, a inovação é descrita e regulamentada, respectivamente, pela Lei de Inovação nº 10.973, de 2 de dezembro de 2004, e pelo Decreto nº 5.563 de 11 de outubro de 2005. Ademais, em 2016 foi publicado o “novo marco legal da ciência tecnologia e inovação”, mediante a lei nº 13.243, reafirmando os principais tópicos trazidos na legislação anterior. Embora não fuja consideravelmente do raciocínio defendido pela OCDE (2005), salienta-se que a Lei de Inovação faz uma breve distinção entre itens de produto e serviço, indo de encontro à definição de “inovação em produtos” proposta pelo Manual de Oslo a qual os coloca dentro de uma mesma categoria. 29 Fundamentação Científica e Tecnológica Conforme Freitas Filho (2013), o ato de inovar pode ser compreendido como uma combinação entre criatividade, conhecimento e habilidades individuais cujo objetivo varia desde a exploração de um novo mercado até a transformação de uma determinada tecnologia, serviço ou produto. A grande questão é que esse conceito está diretamente relacionado à obtenção de resultados mercadológicos promissores. O autor afirma, ainda, que não há como se falar em inovação sem que haja conhecimento técnico sobre o problema que se busca resolver. É nessa perspectiva, que se nota a importância de compor uma equipe diversificada, com a presença de pessoas técnicas, criativas e dotadas de perfil empreendedor, trabalhando de forma colaborativa e sinérgica. 2.3.1 Design Thinking para resolução de problemas Partindo da premissa de que, para inovar, é necessária uma coordenação entre conhecimento, criatividade e empreendedorismo, torna-se imprescindível a busca por técnicas que ajudem a sistematizar todo esse processo (FREITAS FILHO, 2013). É nesse contexto que o Design Thiking (DT) desponta como uma metodologia de projeção de soluções para problemas complexos baseada na combinação de práticas de design e estratégias de tecnologia e negócios. A crescente popularidade desse método justifica-se pelos seus processos sempre centrados na produção de inovação criativa e viável para o usuário final, sem perder de vista questões econômicas e tecnológicas (DE SOUZA; FERREIRA; CONTE, 2017). Por seu foco multidisciplinar, aplicabilidade em diversas áreas, acessibilidade a novos profissionais e oferta de inúmeras ferramentas focadas na experiência do usuário, o DT representa uma metodologia de grande potencial de transformação. Sua missão é identificar problemas por meio da observação e, a partir disso, gerar soluções capazes de agregar valor à vida do usuário. Diante da relevância da metodologia, percebe-se grande esforço por parte da comunidade acadêmica em criar modelos de DT voltados para a resolução de diferentes tipos de problemas (LIMA et al., 2014) . Nesse contexto, De Souza, Ferreira e Conte (2017) realizaram um mapeamento dos modelos de DT aplicáveis exclusivamente à engenharia de software, identificaram 11 promissores e chegaram à conclusão de que não há um modelo absoluto que seja capaz de resolver qualquer problema, mas que é possível fazer uma combinação de técnicas e 30 Fundamentação Científica e Tecnológica mesclagem das suas fases a fim de se alcançar o resultado mais adequado à necessidade da equipe. Nessa mesma linha de raciocínio, embora agora buscando incorporar conceitos de DT, Lean Startup e cultura ágil. O trabalho de Paula (2015), fez um levantamento dos trabalhos mais recentes envolvendo esses três conceitos e identificou que os de Grossman-Kahn e Rosensweig (2012) e Hildenbrand e Meyer (2012) são os mais referenciados na atualidade. O primeiro, denominado “Nordstrom Innovation Lab”, disposto na figura 2, foi proposto por Grossman-Kahn e Rosensweig, em 2012, com o objetivo de encontrar soluções inovadoras baseadas na criatividade fomentada pelo DT, na flexibilidade e capacidade de adaptação da cultura ágil e na possibilidade de escalabilidade apresentada pela filosofia Lean. Este modelo prioriza práticas de DT e aplica técnicas de Ágil e Lean Startup em menor escala, o que torna necessário algumas adaptações por parte das equipes de desenvolvimento (PAULA, 2015). Figura 2: Modelo da Nordstrom Innovation Lab Fonte: Grossman-Kahn e Rosensweig, (2012) Hildenbrand e Meyer (2012), conforme figura 3, conduziram um estudo de caso piloto para verificar se a união entre esses três processos de fato funcionaria para uma equipe de desenvolvimento de software e encontraram resultados bastante satisfatórios. Entretanto, vale salientar que a ausência de elementos como o “pivotar” do Lean e de técnicas de criatividade e ideação, pode inviabilizar etapas essenciais, tais quais a avaliação da viabilidade de 31 Fundamentação Científica e Tecnológica continuação do projeto ou até mesmo a delimitação do seu escopo. Ademais, ao não oferecer práticas de prototipação, impossibilita testes de usabilidade e de experiência do usuário (PAULA, 2015). Figura 3: Modelo de Hildebrand e Meyer Fonte: Hildebrand e Meyer (2012) Visando suprir as falhas identificadas nos modelos de Grossman-Kahn e Rosensweig (2012), bem como o de Hildenbrand e Meyer (2012) e facilitar o uso do DT nos projetos de desenvolvimento de softwares, surgiu no ano de 2015 o Model for the Innovation Teaching (MoIT), figura 4, (PAULA, 2015). Figura 4:Model for the Innovation Teaching (MoIT) 32 Fundamentação Científica e Tecnológica Fonte: Paula (2015) O MoIT foca na união e adaptação desses dois modelos com o objetivo de tornar o processo mais simples e intuitivo para equipes iniciantes. A estratégia do framework consiste em manter a estrutura proposta por Grossman-Kahn e Rosensweig (2012) e acrescentar um passo denominado “ponto de fuga”, inspirado na pesquisa de Hildenbrand e Meyer (2012), no qual a equipe é incentivada a recorrer ao DT todas as vezes que identificar problemas no processo de criação (PAULA, 2015). Conforme visualizado na figura 4, o modelo Paula (2015) é composto por sete fases, que estão descritas no quadro 2. Quadro 2: Fases do MoIT Fase Descrição Desafio ou briefing O ponto de partida para o desenvolvimento da inovação é a identificação do desafio a ser vencido. Esse processo pode ser feito a partir de um briefing pré-definido ou de uma decisão da equipe; Observar É o momento de caracterizar as necessidades do público e validar algumas hipóteses estabelecidas na etapa anterior. Essa observação pode ser feita por meio de conversas com possíveis usuários finais, profissionais da área, visitas a locais inspiradores, entre outras inúmeras técnicas que facilitem a coleta de informações de forma a possibilitar uma imersão no contexto. Ponto de vista Após identificadas as necessidades, a equipe deve definir qual problema buscará resolver e, a partir daí, realizar exercícios de empatia a fim de identificar as principais características do usuário para desenvolver uma persona (personagem representativo do usuário). Gerar ideias Passo para a geração de ideias e escolha daquelas mais factíveis e validação com o usuário. Prototipar Implementação de técnicas de DT, Lean e métodos ágeis combinadas a 33 Fundamentação Científica e Tecnológica fim de criar protótipos capazes de entregar o valor do produto. Recomenda-se um protótipo inicial para validação em papel, no entanto, reforça-se a necessidade de que o ambiente de testes seja o mesmo ambiente final do software; Construir Fase de implementação e lançamento do MVP Medir e aprender Verificação de aceitação do usuário, coleta de feedbacks, identificação e solução de problemas e acréscimo de novas funcionalidades. Fonte: Adaptado de Paula (2015) Sabe-se que a indústria de desenvolvimento de produtos conta com diversos métodos, e aqueles entendidos como “ágeis” estão ganhando cada vez mais espaço no mercado. O motivo do sucesso é que os métodos ágeis, como o próprionome sugere, valorizam a solução de problemas em tempo hábil, tirando o foco de questões meramente burocráticas e colocando-o numa perspectiva de simplicidade, produtividade e eficiência (FRAGA; BARBOSA, 2019). Apresentados pelo Manifesto Ágil, no ano de 2001, como métodos flexíveis e adaptativos, eles surgem como uma resposta às metodologias tradicionais que focam em processos rígidos, documentações extensas, negociações contratuais e planos estáticos. Vale salientar que o Manifesto Ágil não descarta os processos tradicionais. O que se defende é que a prioridade deve ser dada aos indivíduos e interações, colaboração, respostas rápidas às mudanças e executabilidade do software (DE CARVALHO; MELLO, 2012; FRAGA; BARBOSA, 2019; SOARES, 2004). Uma importante metodologia ágil para gerenciamento de projetos é a Scrum. Essa é uma estratégia útil para o desenvolvimento de soluções orientadas a objeto e apresenta uma abordagem de desenvolvimento de softwares baseada em produtividade, adaptabilidade e flexibilidade, características essenciais à sobrevivência de novos negócios no atual contexto de grandes transformações tecnológicas (SOARES, 2004). O desenvolvimento da Scrum se divide em iterações bem definidas que podem durar de 2 a 4 semanas, as chamadas Sprints. Cada Sprint deve ser precedida de uma reunião de planejamento denominada Sprint Planning Meeting, momento no qual a equipe desenvolvedora e o cliente (denominado Product Owner) conversam para priorizar e estabelecer as tarefas a serem executadas (PEREIRA; TORREÃO; MARÇAL, 2007). 34 Fundamentação Científica e Tecnológica Além disso, na etapa de sua execução, são realizadas reuniões diárias rápidas, chamadas Daily Meeting, para o acompanhamento do progresso das atividades. Finalizando cada Sprint, realiza-se uma Sprint Review, ou reunião de revisão, para apresentação e validação do que foi produzido. O ciclo se fecha com uma Sprint Retrospective (reunião de retrospectiva), cujo objetivo é avaliar o processo, identificar falhas ou pontos de melhoria para a próxima iteração (PEREIRA; TORREÃO; MARÇAL, 2007). 2.3.2Minimum Viable Product (MVP) No ano de 2012, Ries apresentou ao mundo uma metodologia focada na abordagem de técnicas de gestão para a implementação de uma cultura de aprendizagem validada em startups, denominada Lean Startup. Essa metodologia defende o desenvolvimento de produtos baseados na validação contínua de versões simples, mas representativas do valor do produto, os denominados MVPs (CARVALHO; TRISTÃO, 2021). De acordo com Ries (2012), o MVP pode ser definido como a estrutura básica e elementar de um novo produto. Essa estrutura deve ser capaz de representar a função central do produto sem exigir da equipe grande esforço ou longos períodos para o seu desenvolvimento. A ideia básica é poupar a energia do time, criando e validando soluções “enxutas” e progredindo nessa avaliação de impacto até que se chegue no produto. De acordo com Carvalho e Tristão (2021), o MVP é “uma maneira de desenvolver produtos entregando o mínimo necessário para sua utilização, diminuindo gastos e permitindo que o produto seja validado e incrementado”. Os autores acrescentam que cada vez que um MVP é incrementado, surge um novo MVP, pois ele vem acompanhado de ajustes resultantes do feedback de pessoas interessadas no produto. Vale salientar que essa validação não se trata de uma simples análise do feedback de engenheiros ou indivíduos diretamente envolvidos no desenvolvimento da solução, mas da percepção do usuário final (RIES, 2012). Como a Lean Startup é uma metodologia que pondera a complexidade do mercado, ela também considera diferentes tipos de MVP, os quais podem ser desenvolvidos de acordo com a realidade da equipe, conforme o quadro 2 (DUC; ABRAHAMSSON, 2016). 35 Fundamentação Científica e Tecnológica Quadro 2: Classificação do MVP Tipo Descrição Vídeo explicativo Uma animação curta, de poucos minutos, que seja capaz de explicar a função do produto e o seu valor para o usuário. Landing page Página web de conversão. Os visitantes são direcionados para uma comunicação rápida da proposta do produto. O objetivo do landing page é chamar a atenção dos visitantes para o conteúdo que se deseja divulgar. Mágico de Oz Interface de usuário semelhante ao produto real, no entanto, em vez de disponibilizar uma versão automatizada, disponibiliza um MVP no qual pessoas reais fazem o papel das máquinas. Concierge MVP Serviço manual capaz de representar todas as etapas pelas quais os usuários passariam ao utilizar o produto. Piecemeal MVP Semelhante ao MVP do tipo Mágico de Oz. A diferença é que as tarefas são executadas por meio de ferramentas já existentes. Mockup MVP Representação gráfica do produto. Proposta de projeto ao público Por meio de websites de crowdsourcing, pode ser feita uma pré-venda do produto, possibilitando a arrecadação de verba e a coleta de feedbacks. MVP de recurso único Um protótipo que implementa o recurso 36 Fundamentação Científica e Tecnológica básico da solução, para que o lançamento seja feito somente com sua função essencial. Rip off MVP Lançamento de um produto com o único objetivo de obter feedback, com a possibilidade de pivotar para uma direção diferente. Fonte: Adaptado de DUC e ABRAHAMSSON (2016) 37 Objetivo 3 OBJETIVO 3.1 OBJETIVO GERAL Desenvolver o MVP de um sistema de monitoramento de TMC no trabalho em servidores de uma Universidade Pública Federal. 3.2 OBJETIVOS ESPECÍFICOS ● Aplicar técnicas de design thinking para criar ferramenta de monitoramento da saúde mental; ● Estudar e validar algoritmos de ML para monitorar TMC e identificar suas correlações com sintomas, satisfação no trabalho, características laborais e sociodemográficas. 38 Metodologia 4 METODOLOGIA Considerando os diferentes campos de atuação pretendidos para o projeto, a metodologia está dividida em três etapas: 1) revisão de literatura; 2) desenvolvimento das ferramentas; e 3) validação. 4.1 REVISÃO DE LITERATURA O estudo parte de uma análise das pesquisas nacionais e internacionais publicadas entre os anos de 2016 e 2020 que abordaram em conjunto as temáticas "inteligência artificial” e “saúde mental" a fim de identificar as principais implicações levantadas na literatura atual sobre o assunto. Realizou-se uma revisão integrativa de literatura embasada teoricamente no estudo de Tranfield, Denver e Smart (2003), com a seguinte estrutura metodológica: Abordagem qualitativa dos problemas (análises textuais) do tipo exploratória e descritiva. A pesquisa bibliográfica foi realizada, em outubro de 2020, na base de dados eletrônica Medline (Medical Literature Analysis and Retrieval System Online), além de pesquisa manual em periódicos pertinentes e nas referências de artigos relevantes. A pesquisa bibliográfica foi realizada a partir dos descritores “artificial intelligence” e “mental health”. Selecionou-se 17 artigos, os quais foram estudados a partir da técnica de análise de conteúdo, conceituada por Bardin (2011), que consiste num método sistematizado, de alta credibilidade, composto por três etapas bem definidas: 1) organização, 2) codificação e 3) categorização. A pesquisa completa foi publicada como capítulo do livro “Sociedade, Saúde & Tecnologia: relatos, experiências e perspectivas”, da editora Inovar disponível no anexo A. 4.2 DESENVOLVIMENTO DA FERRAMENTA Inicialmente, com a finalidade de caracterizar a problemática a nível da instituição objeto deste estudo, realizou-se pesquisa documental na base de dados do Subsistema Integrado de Atenção à Saúde do Servidor (SIASS), disponibilizada pelo Siape-Saúde, um sistema governamental de registro e acompanhamento das informações relacionadas à saúde 39 Metodologia do servidor. Para tanto, solicitou-se à chefia da Divisão de Perícia em Saúde da UFRN um relatório de pesquisa gerencial do Siape-Saúde com as principais estatísticas dos afastamentos de servidoresda UFRN para tratamento da própria saúde relacionados ao índice F da Classificação Internacional de Doenças e Problemas Relacionados à Saúde nos anos de 2017, 2018, 2019 e 2020. O índice F aborda diagnósticos relacionados a transtornos psicológicos e comportamentais, entre outros. O objetivo desta pesquisa documental foi compreender o perfil de adoecimento mental dos servidores da UFRN de acordo com variáveis como o Código Internacional de Doenças (CID), faixa etária, sexo, categoria profissional e unidade de lotação, a fim de elaborar uma ferramenta que represente suas reais necessidades. O desenvolvimento da solução, baseou-se no método MoIT, proposto por Paula (2015). Para tanto, seguiu-se as sete fases que compõem o framework, quais sejam: 1) desafio ou briefing; 2) observar; 3) ponto de vista; 4) gerar ideias; 5) prototipar; 6) construir; e 7) medir e aprender. Apesar de possuir fases bem definidas, o MoIT trata-se de um processo iterativo. Portanto, sempre que necessário, foi possível revisar algumas etapas, com o objetivo de aperfeiçoar o produto. 4.3 VALIDAÇÃO Para uma maior clareza acerca do processo de validação tecnológica, esta seção está dividida em dois tópicos centrais: validação da ideia e validação do MVP. 4.3.1 Validação da ideia Trata-se de um processo constante que acompanhou todas as fases de desenvolvimento do projeto. Dentre as estratégias utilizadas, cita-se: submissão a editais de fomento, publicações científicas, divulgação em eventos de inovação e apresentação do protótipo a potenciais usuários. 4.3.2 Validação do MVP O primeiro MVP do projeto foi disponibilizado online, por meio do Google Forms, e contou com um formulário intitulado “Sistema LEVES: Levantamento de Emoções e 40 Metodologia Sentimentos”, o qual estava dividido em quatro partes: Informações sociodemográficas, dados laborais, questões relacionadas à satisfação com o trabalho e dados relacionados à saúde mental. Realizou-se um estudo exploratório, de natureza aplicada, na modalidade qualitativa. A população do estudo correspondeu aos servidores ativos da UFRN. A amostra foi representada pelos usuários que acessaram o formulário e aceitaram o Termo de Consentimento Livre e Esclarecido (TCLE), totalizando 263 participantes. Para a composição da amostra, estabeleceu-se os seguintes critérios de inclusão: ser servidor ativo da UFRN; apresentar desejo em contribuir com a criação de um sistema de monitoramento de TMC; e preencher o formulário “Sistema LEVES: Levantamento de Emoções e Sentimentos”. Foram excluídos do estudo: servidores aposentados, trabalhadores terceirizados e bolsistas de apoio técnico. Os aspectos éticos envolvendo pesquisas com seres humanos foram respeitados, conforme prevê a resolução nº 466, de 12 de dezembro de 2012, do Conselho Nacional de Saúde/MS (BRASIL, 2012). Para tanto, este projeto foi submetido à apreciação do Comitê de Ética e Pesquisa da Universidade Federal do Rio Grande do Norte (CEP/UFRN), por meio da plataforma Brasil. Previamente à submissão, fora solicitada anuência da Pró-Reitoria de Gestão de Pessoas (PROGESP) da UFRN para que a pesquisa fosse desenvolvida nas dependências desta universidade. Após emissão da Carta de Anuência da PROGESP e subsequente obtenção do Certificado de Apresentação de Apreciação Ética (CAAE) nº 51891421.9.0000.5537, os procedimentos para a coleta de dados foram iniciados. A coleta de dados se deu durante os meses de março a abril de 2022 e os participantes responderam às seguintes perguntas: ● Informações sociodemográficas: e-mail, idade, gênero, estado civil, gestação (está gestante? sim ou não), filhos (filhos menores de 18 anos, filhos maiores de 18 anos ou não possui filhos?) e lactação (amamenta? Sim ou não); ● Dados laborais: Ano de ingresso na Instituição, carreira (docente ou técnico- administrativos em educação), cargo (se técnico-administrativo em educação), setor de trabalho (de acordo com organograma disponibilizado no anexo B), e modalidade atual de trabalho (presencial, híbrido, remoto); ● Questões relacionadas à satisfação no trabalho: 41 Metodologia a) Como você se sente em relação aos seus colegas de trabalho? (escala graduada de 1 a 5, sendo 1 o número representativo para “completamente insatisfeito” e 5 para “completamente satisfeito”); b) Como você se sente em relação às atividades que desempenha? (escala graduada de 1 a 5, sendo 1 o número representativo para “completamente insatisfeito” e 5 para “completamente satisfeito”); c) Como você se sente em relação ao seu trabalho? (escala graduada de 1 a 5, sendo 1 o número representativo para “completamente insatisfeito” e 5 para “completamente satisfeito”); e d) Como você se sente em relação ao seu gestor imediato? (escala graduada de 1 a 5, sendo 1 o número representativo para “completamente insatisfeito” e 5 para “completamente satisfeito”). ● Dados relacionados à saúde mental: O usuário foi convidado a refletir sobre como se sentiu nos 30 dias que antecederam a pesquisa. Neste momento foi aplicado o questionário para rastreio de TMC, o SQR-20, já detalhado no capítulo 2. A escolha deste questionário, de rastreamento para TMC, foi feita a partir de uma pesquisa exploratória que buscou identificar uma ferramenta adequada, validada no Brasil, de fácil aplicação, linguagem clara e possibilidade de autoaplicação - dispensando a necessidade de um entrevistador clínico. Os dados relacionados à saúde mental - resultantes do questionário SQR-20 - foram analisados a partir da pontuação obtida por cada usuário, no qual cada questão respondida como “sim” somou 1 ponto e cada questão respondida como “não” teve valor nulo. Para definir o ponto de corte utilizou-se como base o estudo de Santos et al. (2010), o qual utilizou a Receiver Operator Characteristic Curve (ROC) para determinar o melhor ponto de corte para classificação de suspeitos e não suspeitos de adoecimento por transtornos mentais. A partir desta análise, os autores consideraram 6/7 o ponto de corte de melhor desempenho, com área sob a curva de 0,789. Com base nestes dados, para esta pesquisa utilizou-se o valor 7 como critério de classificação dos sujeitos participantes em: suspeitos de TMC (>/7) e não suspeitos (<7). Após a fase de coleta de dados, seguiu-se um processo de análise baseado em dois passos: 1) Pré-processamento dos dados; 2) Estudo dos algoritmos Apriori e K-means. 4.3.2.1 Pré-processamento dos dados 42 Metodologia O foco, nesse momento, foi organizar a base de dados para obter uma caracterização inicial da amostra. Para tanto, partiu-se da identificação das variáveis, tratamento de valores missing, tratamento ou exclusão de outliers, transformação e criação de novas variáveis. Dessa forma, os dados coletados passaram por um processo de limpeza, organização, exploração e transformação para viabilizar a aplicação do algoritmo Apriori. O conjunto final possui 263 instâncias e 38 atributos, os quais estão detalhados no quadro 3. Quadro 3 - Descrição da base de dados Atributo Descrição Tipo de variável 1. Sector_Id Órgão de lotação do indivíduo Categórica (centros-acad, nucleos-interd, pro-reitorias, reitoria, secretarias, superintendencias, unidades- suplem, outros) 2. Subsector_Id Unidade de lotação do indivíduo (unidades internas aos órgãos de lotação) Categórica (apêndice A) 3. Age Faixa etária do indivíduo Categórica (20-29, 30-39, 40- 49, 50-59, 60-69) 4. Year Start Ano em que o indivíduo ingressou, ingressou na instituição Numérica (1987 a 2022) 5. Mode_Of_Work Modalidade de trabalho Categórica (hybrid, presential, remote) 6. Profession Carreira na instituição (docente ou técnico administrativo em Categórica (docente, TAE) 43 Metodologia educação - TAE) 7. Tae_Id Se carreira TAE, qual cargo o indivíduo exerce Categórica (Apêndice B) 8. Gender Gênero Categórica (male, feminine, other) 9. Marital_Status Estado civil do indivíduo Categórica (divorced, married, single,widower) 10.Have_Son Possui filhos Categórica (yes, no) 11.Is_Pregnant Está gestante Categórica (yes, no) 12.Is_Lactating Está amamentando Categórica (yes, no) 13.Frequent_Headache Sente dores de cabeça com frequência Categórica (true, false) 14.Lack_Of_Appetite Sente falta de apetite Categórica (true, false) 15.Sleep_Badly Dorme mal Categórica (true, false) 16.Easily_Scared Se assusta com facilidade Categórica (true, false) 17.Trembling_Hands Tem tremores nas mãos Categórica (true, false) 18.Nervous Sente-se nervoso, tenso ou preocupado Categórica (true, false) 19.Indigestion Tem má digestão Categórica (true, false) 20.Difficulty_Thinking_Clearl y Sente dificuldade para pensar com clareza Categórica (true, false) 21.Feeling_Sad Tem se sentido triste ultimamente Categórica (true, false) 22.Cry_More Tem chorado mais do que Categórica (true, false) 44 Metodologia de costume 23.Difficulty_To_Carry_Out_ Activities Encontra dificuldades para realizar com satisfação as atividades diárias Categórica (true, false) 24.Difficulty_To_Make_Decisi ons Tem dificuldade para tomar decisões Categórica (true, false) 25.Difficulty_At_Work Tem dificuldades no serviço (o trabalho é penoso, causa sofrimento) Categórica (true, false) 26.Feel_Incapable Se sente incapaz de desempenhar um papel útil na vida Categórica (true, false) 27.Lost_Interest Tem perdido o interesse pelas coisas Categórica (true, false) 28.Felling_Useless Se sente uma pessoa sem préstimo Categórica (true, false) 29.End_Own_Life Tem tido ideia de acabar com a própria vida Categórica (true, false) 30.Felling_Tired_All_Time Sente-se cansado o tempo todo Categórica (true, false) 31.Tired_Easily Se cansa com facilidade Categórica (true, false) 32.Bad_Felling_In_Stomach Tem sensações desagradáveis no estômago Categórica (true, false) 45 Metodologia 33.About_Coworkers Como se sente em relação aos colegas de trabalho? Categórica (completely_dissatisfied, dissatisfied, neutral, satisfied, completely_satisfied) 34.About_Activities_Performe d Como se sente em relação às atividades que desempenha? Categórica (completely_dissatisfied, dissatisfied, neutral, satisfied, completely_satisfied) 35.About_Salary Como se sente em relação ao seu trabalho? Categórica (completely_dissatisfied, dissatisfied, neutral, satisfied, completely_satisfied) 36.About_Immediate_Manager Como se sente em relação ao gestor imediato? Categórica (completely_dissatisfied, dissatisfied, neutral, satisfied, completely_satisfied) 37.Punctuation Pontuação calculada a partir das respostas obtidas nos atributos 13 ao 32. Considerou-se 1 ponto para cada resposta “true” e 0 pontos para “false” Numérica (0 a 20) 38.Tmc De acordo com o score obtido no atributo 37, é provável que o indivíduo esteja com TMC? (true para pontuação maior ou igual a 7, false Categórica (true, false) 46 Metodologia para pontuação menor que 7) Fonte: Autoria própria (2022) 4.3.2.2 Estudo dos algoritmos Apriori e K-means Nesta etapa buscou-se realizar uma análise exploratória dos dados com a finalidade de estudar e validar os algoritmos Apriori e K-means como os mais adequados para atingir os objetivos desta pesquisa. As análises tiveram por foco a identificação de perfis, padrões e correlações entre TMC, sintomas, insatisfação com o trabalho e os dados sociodemográficos e laborais. Como ferramenta para a execução destas técnicas, optou-se pelo uso do software de mineração de dados WEKA (HALL et al., 2009). 47 Resultados e Discussão 5 RESULTADOS E DISCUSSÃO A produção de conhecimento desta pesquisa científico-empreendedora resultou na elaboração do “Sistema LEVES - Levantamento de Emoções e Sentimentos”. Este capítulo apresenta e discute a ferramenta e as tecnologias utilizadas no seu desenvolvimento. 5.1 DESENVOLVIMENTO TECNOLÓGICO Esta seção visa detalhar como se deu o processo de ideação e desenvolvimento do MVP. Como método de inovação utilizou-se o MoIT, que é composto pelas fases: desafio ou briefing; observar; ponto de vista; gerar ideias; prototipar; construir; medir e aprender. 5.1.1 Desafio/Briefing O ponto de partida para o desenvolvimento tecnológico foi a criação de um briefing com o detalhamento do desafio, um panorama atual da problemática a ser abordada e as expectativas em relação à solução buscada. Previamente à sua escrita, realizou-se a pesquisa intitulada “Implicações sobre o uso da Inteligência Artificial na área da saúde mental” (anexo A), a qual contribuiu com a identificação de múltiplas oportunidades de aplicação da IA na saúde mental e qualidade de vida de indivíduos e comunidades. Posteriormente, fez-se um levantamento bibliográfico com o objetivo de compreender o estado da doença de forma mais detalhada, focando em aspectos como a epidemiologia e o impacto socioeconômico dos transtornos mentais no trabalho. As principais impressões extraídas desta pesquisa estão descritas no quadro 4. Quadro 4: Saúde mental e trabalho – Principais impressões Ano Autor Impressões 2019 OMS O trabalho é benéfico para a saúde mental, mas um ambiente insalubre pode provocar problemas de cunho físico e/ou emocional 48 Resultados e Discussão 2019 OMS A perda de produtividade associada à ansiedade e depressão tem um impacto significativo em todo o mundo. Estima-se uma perda anual de US $ trilhão 2019 OMS Há relatos frequentes de assédio e bullying no ambiente laboral. Essas situações podem impactar substancialmente a saúde mental do trabalhador. 2019 OMS Ações voltadas para o bem-estar e saúde mental dos trabalhadores devem ser consideradas investimento. Para cada US $1 investido em ações que promovem a melhoria da saúde mental dos trabalhadores, percebe-se um retorno de US $4 em produtividade. 2020 MOTA; SILVA; AMORIM A saúde mental engloba, entre outros fatores, o bem-estar subjetivo, a autorrealização emocional e a autonomia. 2020 MOTA; SILVA; AMORIM O transtorno mental se manifesta a partir de uma incapacidade do indivíduo de adaptar-se e manter-se saudável diante das dificuldades enfrentadas para o seu pleno funcionamento. 2020 LIMA A pandemia de COVID-19 e o consequente agravamento dos problemas sociais contribuíram para o aumento do número de indivíduos em situação de sofrimento psíquico. 2020 LOSEKANN; MOURÃO Consequências da pandemia: tristeza ocasionada pelo isolamento, adoecimento ou perda de algum familiar ou amigo; medo de adoecer ou de perder algum ente querido; angústia e incerteza relacionadas a tratamentos e prevenção; irritabilidade pela ausência de respostas; além dos temores relacionados ao trabalho e mudanças de rotinas. 49 Resultados e Discussão 2020 TREVISAN; CASTRO Transtornos mentais e de comportamento podem ser definidos como mudanças no padrão de pensamento e/ou humor, relacionadas a uma angústia significativa, que são capazes de prejudicar o pleno funcionamento afetivo social e laboral do indivíduo 2020 MORA; SILVA; AMORIM O preconceito, o estigma e a inabilidade para o desempenho de determinadas funções são algumas cargas relacionadas ao adoecimento mental. Fonte: Autoria própria (2022). Além disso, para um melhor entendimento do comportamento epidemiológico dos transtornos mentais a nível da UFRN, foi realizada pesquisa documental na base de dados do Siape-Saúde. Por meio do relatório disponibilizado por essa base, foram analisadas as seguintes variáveis relacionadas aos afastamentos por transtornos mentais: Número de servidores afastados por CID, gênero, cargo, local de trabalho e faixa etária. Para tanto, foram considerados os dados referentes ao período de 01 de janeiro de 2017 a 31 de dezembro de 2020. Como resultados dessa análise, identificou-se a prevalência de afastamentos relacionados a dois grupos: Transtornos de Humor (F30-F39); Transtornos neuróticos, transtornos relacionados ao stress e transtornos somatoformes (F40-F48). De acordo com o relatório,
Compartilhar