Sistemalevesutilizandoaprendizado-Martins-2022

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,