Resumo: A psiquiatria computacional contemporânea busca superar as limitações dos diagnósticos categoriais tradicionais ao mapear disfunções em processos algorítmicos fundamentais subjacentes ao comportamento humano. Dentre esses processos, a tomada de decisão baseada em modelos (model-based decision-making) representa o mecanismo cognitivo flexível e direcionado a objetivos pelo qual os indivíduos constroem representações internas do ambiente para prever consequências e mitigar ameaças. Este artigo de opinião informativa analisa como dimensões transdiagnósticas específicas — nomeadamente sintomas de desatenção/neurodesenvolvimento e traços de externalização — predizem a eficiência na inferência adaptativa de ameaças em ambientes interativos complexos. A partir de modelagem computacional aplicada a dados comportamentais, discute-se a dissociação desses constructos e a superioridade explicativa de dimensões sintomáticas específicas em relação a fatores gerais de sofrimento psíquico, oferecendo novas perspectivas para a taxonomia e intervenção clínica.
Introdução: A Revolução Computacional e Transdiagnóstica na Saúde Mental
O entendimento das patologias psiquiátricas tem passado por uma profunda revisão conceitual, impulsionada pela transição de critérios diagnósticos rigidamente categoriais e sindrômicos para abordagens transdiagnósticas e dimensionalizadas. Modelos tradicionais de classificação, embora úteis para a padronização clínica, frequentemente falham em capturar a heterogeneidade fenotípica intra-diagnóstica e a sobreposição sistemática de sintomas entre diferentes transtornos. Nesse cenário, a psiquiatria computacional surge como um campo interdisciplinar que visa traduzir construtos descritivos em disfunções matemáticas explícitas de mecanismos cognitivos.
Um dos processos mais sofisticados investigados por essa disciplina é a capacidade de realizar inferências flexíveis em ambientes complexos, incertos e dinâmicos. No cotidiano, a navegação social e a evitação de perigos exigem que o sistema nervoso central execute inferências computacionais sofisticadas. A perda de flexibilidade nessas operações cognitivas é uma característica central de transtornos que envolvem ansiedade, impulsividade e deficits atencionais. Investigar como diferentes dimensões de sintomas mentais afetam a capacidade de antecipar dinamicamente o comportamento de agentes ameaçadores permite decifrar as falhas algorítmicas que culminam em comportamentos desadaptativos no mundo real.
Arquitetura Cognitiva: Decisão Baseada em Modelos versus Escolhas Livres de Modelo
Do ponto de vista da teoria do aprendizado por reforço (reinforcement learning), as decisões humanas podem ser dicotomizadas entre estratégias livres de modelo (model-free) e baseadas em modelos (model-based). O aprendizado livre de modelo opera de forma heurística e retrospectiva, associando diretamente ações a recompensas ou punições anteriores sem mapear a estrutura causal subjacente do ambiente; trata-se de um mecanismo computacionalmente eficiente, porém rígido e puramente reativo.
Em contrapartida, a tomada de decisão baseada em modelos (model-based decision-making) requer que o indivíduo construa ativamente uma representação mental estruturada do ambiente, englobando as regras de transição de estados e as probabilidades de desfechos. Essa estratégia permite simular mentalmente ações futuras e realizar planos flexíveis direcionados a objetivos específicos (goal-directed). Em ambientes interativos complexos, onde as ameaças se movem e alteram suas táticas de forma dinâmica, a dependência de estratégias livres de modelo é insuficiente. É necessária a mobilização de inferências baseadas em modelos para computar representações precisas e prever as trajetórias de agentes externos, um processo cujas falhas moleculares e sistêmicas parecem estar intrinsecamente ligadas a dimensões específicas de psicopatologias.
Desenho Metodológico: O Paradigma de Inferência de Ameaça Naturalista
Para mapear empiricamente a relação entre sintomas mentais e a eficiência algorítmica de tomada de decisão, uma investigação computacional avaliou uma amostra expressiva de 1.025 participantes adultos. Os indivíduos foram submetidos a uma tarefa comportamental gamificada de inferência de ameaça em ambiente virtual, validada para mimetizar cenários naturalistas de predação e forrageamento. No experimento, os participantes controlavam um avatar em uma grade bidimensional e precisavam coletar recompensas enquanto evitavam ser capturados por um predador virtual controlado por inteligência artificial.
O diferencial crítico da tarefa residia no fato de que o predador não se movia de maneira puramente aleatória ou linear; ele operava sob estados de comportamento ocultos que mudavam ao longo do tempo (por exemplo, alternando entre estratégias de perseguição direta, emboscada ou padrões de patrulha territorial). Para sobreviver e maximizar os ganhos, o participante não podia apenas reagir à posição imediata do predador (estratégia livre de modelo); ele precisava usar flexivelmente a inferência baseada em modelos para deduzir o estado interno oculto da ameaça com base em suas ações recentes. Paralelamente à tarefa comportamental, os participantes responderam a uma ampla bateria psicométrica autorreferencial cobrindo sintomas neurodesenvolvimentais, ansiedade, depressão e comportamentos externalizantes. Os dados brutos foram submetidos a análises de fatores para extrair dimensões transdiagnósticas e processados por modelos computacionais de aprendizado por reforço para estimar os parâmetros latentes de inferência de cada indivíduo.
Dissociação de Sintomas: Desatenção/Neurodesenvolvimento versus Externalização
A aplicação dos modelos estatísticos e computacionais revelou um padrão notável de dissociação comportamental entre diferentes dimensões sintomáticas, contrariando a premissa de que o sofrimento psíquico genérico prejudica de forma homogênea a performance cognitiva:
- Dimensão de Inatendibilidade e Sintomas Neurodesenvolvimentais: Participantes que pontuaram mais alto nesta dimensão paradoxalmente demonstraram uma capacidade superior e mais precisa de prever o comportamento do predador virtual no ambiente complexo. A modelagem computacional indicou que esses indivíduos exibiram uma dependência acentuada e altamente calibrada de inferências baseadas em modelos (model-based), estruturando representações mentais robustas sobre as transições de estado do agente predatório. Esse achado sugere que a variabilidade neurológica associada a traços de desatenção ou divergência neurodesenvolvimentual pode, sob certas condições de pressão ambiental ou formatos específicos de tarefas interativas, favorecer o engajamento em computações detalhadas e flexíveis de cenários futuros.
- Dimensão de Sintomas Externalizantes: Em oposição direta, os indivíduos com escores elevados em sintomas externalizantes — caracterizados por traços de impulsividade, agressividade e quebra de regras — manifestaram um índice significativamente maior de inferências incorretas durante o teste. A modelagem comportamental demonstrou que esses participantes falharam em atualizar de forma adequada suas crenças sobre o estado oculto do predador, demonstrando um deficit específico no uso da inferência flexível baseada em modelos. Suas reações mostraram-se mais erráticas e menos conectadas com a estrutura causal interna do ambiente virtual.
A Superioridade das Dimensões Sintomáticas Específicas sobre os Fatores Gerais
Um dos debates mais vigorosos na psicopatologia dimensional gira em torno do fator geral de psicopatologia (fator p), que postula a existência de uma vulnerabilidade única e compartilhada para todos os transtornos mentais. Embora o fator p seja estatisticamente robusto para prever o comprometimento funcional global do indivíduo, a investigação baseada na tarefa de inferência de ameaça trouxe evidências de que ele possui limites claros quando aplicado à neurociência cognitiva computacional.
A análise de caminhos e a comparação de modelos estatísticos revelaram que a variabilidade observada no comportamento de tomada de decisão dos participantes foi substancialmente melhor explicada pelas dimensões sintomáticas específicas (sintomas de desatenção/neurodesenvolvimento e externalização) do que por fatores gerais de sofrimento psíquico ou mal-estar subjetivo difuso (como índices gerais de depressão ou ansiedade). Esse resultado consolida a perspectiva de que disfunções cognitivas particulares estão atadas a circuitos algorítmicos altamente específicos. Sintomas clínicos distintos refletem falhas em etapas matemáticas diferentes do processamento de informações — como o cálculo de taxas de aprendizado, a atribuição de valor a recompensas ou, neste caso, o grau de investimento computacional alocado para a construção do modelo mental do ambiente.
Implicações Clínicas e Terapêuticas sob a Ótica da Psiquiatria Computacional
A demonstração de que dimensões transdiagnósticas específicas predizem o uso e a eficiência da tomada de decisão baseada em modelos possui implicações profundas para a prática clínica e para o desenho de intervenções psicoterapêuticas personalizadas. Identificar que pacientes externalizantes falham na manutenção de um modelo mental flexível para prever ameaças explica, no nível mecânico, por que esses indivíduos frequentemente tomam decisões impulsivas e de alto risco em contextos sociais complexos: eles falham em simular adequadamente as consequências estruturais de longo prazo de suas ações.
A partir desse entendimento, as abordagens terapêuticas podem ser refinadas:
- Treinamento Cognitivo Focado em Modelos: Desenvolver protocolos de reabilitação neuropsicológica baseados em cenários virtuais complexos para treinar pacientes externalizantes a desacelerar respostas automáticas (model-free) e a investir ativamente no mapeamento das regras causais do ambiente antes de agir.
- Customização Intervencionista Transdiagnóstica: Abandonar a aplicação de protocolos universais para “ansiedade” ou “impulsividade” e focar na assinatura computacional do paciente. Pacientes com deficits na tomada de decisão baseada em modelos necessitam de suportes terapêuticos que externalizem a estrutura do ambiente (como o uso de pistas visuais, listas de planejamento de contingências e mapeamento explícito de causa e efeito).
- Valorização do Potencial Neurodivergente: O achado de que traços de desatenção/neurodesenvolvimento podem se associar a uma inferência baseada em modelos mais robusta em ambientes complexos sinaliza a importância de identificar nichos ocupacionais e educacionais onde essa hiperfocalização analítica em sistemas dinâmicos funcione como uma vantagem adaptativa, mitigando o estigma associado a esses diagnósticos.
Considerações Finais: O Futuro da Diagnóstica Baseada em Processos
O mapeamento das dimensões sintomáticas mentais por meio de tarefas naturalistas computacionais consolida um passo definitivo rumo a uma taxonomia psiquiátrica baseada em processos e mecanismos neurobiológicos reais. Ao evidenciar que os traços de desatenção e os comportamentos externalizantes exercem impactos diametralmente opostos sobre a tomada de decisão baseada em modelos, a ciência computacional da mente corrobora a insuficiência dos diagnósticos categoriais clássicos do DSM.
Pesquisas futuras deverão investigar a estabilidade longitudinal desses parâmetros algorítmicos em resposta a intervenções farmacológicas (como o uso de psicoestimulantes) e psicoterapêuticas, além de integrar esses dados comportamentais a marcadores de conectividade funcional cerebral por neuroimagem. Somente decifrando as equações ocultas que governam a inferência humana em ambientes de ameaça e incerteza será possível construir uma psiquiatria de precisão, capaz de desenhar intervenções sob medida que devolvam a flexibilidade e a resiliência à tomada de decisão daqueles que sofrem com transtornos mentais.
Referência Bibliográfica (Norma ABNT)
WISE, Toby; SOOKUD, Sirichat; MICHELINI, Giorgia; MOBBS, Dean. Transdiagnostic mental health symptom dimensions predict use of flexible model-based inference in complex environments. Translational Psychiatry, v. 16, n. 141, p. 1-11, 2026. Disponível em: https://doi.org/10.1038/s41398-026-03922-w.
