🧠 Como construir uma IA que detecta burnout usando Python e dados do seu dia a dia

Encontrando o motivo de cansaço e ansiedade extrema para não gerar um burnout

Introdução: O Desafio Invisível do Cansaço Extremo

Quando olhamos para os dias de hoje o burnout é reconhecido como um dos maiores problemas que esta relacionado com a saúde mental, ele ocorre muito no contexto profissional e universitário. A síndrome de burnout, é caracterizada por um estado de exaustão física, emocional e mental, e essa síndrome vem afetando milhares de trabalhadores no mundo, e trazendo com ela a redução da qualidade de vida e o mal desempenho trabalho/universidade.

Mais ao contrario de doenças que aparecem rapidamente seus sintomas físicos, o burnout se manifesta gradualmente, ele apresenta sinais bem sutis como por exemplo a variação do sono, mudanças na comunicação, mais ansiedade e quedas na produtividade. Detecta-lo precocemente pode ser decisivo para evitar consequências graves.

Com a nossa tecnologia hoje em dia principalmente a inteligencia artificial (IA), trás uma ajuda muito promissora para o monitoramento desses sinais, pegando dados do seu cotidiano e transformando ele em um resultado. Neste artigo, você vai aprender a construir uma IA simples utilizando Python para detectar possíveis inícios de burnout, iremos analisar dados como padrões de sono, produtividade e comunicação.

1. O que é Burnout?

Segundo a Organização Mundial da Saúde (OMS), o burnout é um fenômeno ocupacional resultante do estresse cronico no trabalho não gerenciado com sucesso, ele é caracterizado por:

Distanciamento ou cinismo em relação ao trabalho;
Redução da eficacia profissional;
Exaustão emocional.

Estudos apontam que o burnout está associado a transtornos como depressão, ansiedade e aumento da mortalidade por doenças cardiovasculares (Maslach;Leiter,2016).

Com as pesquisas mais recentes da Gallup (2019) indicam que cerca de 76% dos trabalhadores já experienciaram sintomas de burnout, evidenciando a urgência de estrategias para monitoramento e prevenção.

2. Por que Usar Dados do Dia a Dia?

Usando os dados do dia a dia de uma pessoa podemos ter uma base de como esta a sua vida se teve muita alteração no comportamento se foi uma alteração sutil ou algo que deve-se prestar muita atenção, por isso vem a ideia de pegar esses dados e usar a inteligencia artificial para ver se você tem que tomar medida mais urgentes como consultar um medico, o uso desses dados é essencial para promover uma melhoria na saúde das pessoas.

Coletar e analisar os dados pessoais tornou-se algo cada vez mais acessível com o avanço dos dispositivos moveis e aplicativos de monitoramento. Informações como:

Registro emocional diário (aplicativos como Daylio);
Frequência e padrão das comunicações (mensagens e e-mails);
Horas e qualidade do sono (Sleep Cycle e Fitbit);
Tempo dedicado a atividades produtivas (RescueTime e Clockfy).

Podem fornecer insights importantes sobre o estado emocional e físico do indivíduo.

Estudos mostram que alterações nesses dados são indicadores precoces de burnout (Dyrbye et al.,2020).

3. Arquitetura do Projeto: Tecnologias e Dados

Para o projeto, utilizaremos:

Python: É uma linguagem versátil e com diversas bibliotecas para ciência de dados e Machine Learning.
Pandas: Feito para manipulação e analise dos dados.
Scikit-learn: Para treinamento e avaliação do modelo de IA.
Seaborn e Matplotlib: Para visualização dos dados e resultados.

Dados:

Como acesso a dados reais é limitado, criaremos um conjunto simulado que replica padrões típicos de sono, produtividade e comunicação, alem de um rotulo indicativo de burnout.

4. Construindo a IA para detectar burnout

4.1 Simulação dos Dados

import pandas as pd
import numpy as np

np.random.seed(42)

dias = pd.date_range(start='2025-01-01', periods=100)
horas_sono = np.random.normal(7, 1.5, size=100).clip(3, 10)  
tempo_produtivo = np.random.normal(6, 2, size=100).clip(0, 12)  
tempo_distraido = np.random.normal(2, 1, size=100).clip(0, 5)
mensagens_totais = np.random.poisson(50, size=100)
respostas_curtas = (mensagens_totais * np.random.uniform(0.1, 0.4, size=100)).astype(int)

label_burnout = (
  (horas_sono < 5) & 
  (tempo_produtivo < 4) & 
  (respostas_curtas / mensagens_totais > 0.3)
).astype(int)

df = pd.DataFrame({
  'data': dias,
  'horas_sono': horas_sono,
  'tempo_produtivo': tempo_produtivo,
  'tempo_distraido': tempo_distraido,
  'mensagens_totais': mensagens_totais,
  'respostas_curtas': respostas_curtas,
  'label_burnout': label_burnout
})

4.2 Preparação e Engenharia de Features

Para estar sempre melhorando a capacidade do modelo calculamos:

Variação do sono: O desvio padrão móvel, pois irregularidade pode indicar estresse (Pallesen et al., 2021).
Tempo focado: Produtividade efetiva subtraída do tempo distraído.
Percentual de respostas curtas: Comunicação rápida e apática pode ser um sinal de esgotamento emocional.

df['sono_variacao'] = df['horas_sono'].rolling(window=7, min_periods=1).std()
df['tempo_focado'] = df['tempo_produtivo'] - df['tempo_distraido']
df['respostas_curta_pct'] = df['respostas_curtas'] / df['mensagens_totais']

4.3 Treinamento do Modelo

Utilizamos um Random Forest, conhecido por boa performance em dados tabulares e interpretação razoável.

from sklearn.ensemble import RandomForestClassifier
from sklearn.model_selection import train_test_split
from sklearn.metrics import classification_report

features = ['sono_variacao', 'tempo_focado', 'respostas_curta_pct']
X = df[features].fillna(0)
y = df['label_burnout']

X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

clf = RandomForestClassifier(random_state=42)
clf.fit(X_train, y_train)

y_pred = clf.predict(X_test)
print(classification_report(y_test, y_pred))

4.4 Avaliação e Interpretação

Visualizamos a importância das variáveis para entender o que mais influencia a previsão.

import seaborn as sns
import matplotlib.pyplot as plt

plt.figure(figsize=(8, 4))
sns.barplot(x=clf.feature_importances_, y=features)
plt.title("Importância das Features na Detecção de Burnout")
plt.show()

5. Limitações e Considerações Éticas

Dados simulados: Neste projeto é uma prova de conceito e não substitui diagnóstico médico.
Privacidade: A ****análise de dados pessoais deve respeitar leis como LGPD e GDPR.
Implicações psicológicas: Os alertas falsos podem gerar ansiedade; o sistema deve ser usado com cautela.

6. Conclusão

A junção dos dados do cotidiano das pessoas com a inteligencia artificial fornecem uma ferramenta extremamente poderosa para prevenção do burnout. Com Python e bibliotecas acessíveis, qualquer pessoa pode criar seu próprio sistema de monitoramento, promovendo o autoconhecimento, cuidado mental e emocional.

Referências

ORGANIZAÇÃO MUNDIAL DA SAÚDE. CID-11 – Burn-out. Disponível em: https://icd.who.int/browse11/l-m/en#/http://id.who.int/icd/entity/129180281. Acesso em: 15 mai. 2025.
GALLUP. Employee Burnout: Causes and Cures. 2019. Disponível em: https://www.gallup.com/workplace/237059/employee-burnout-part-main-causes.aspx. Acesso em: 15 mai. 2025.
MICROSOFT WORKLAB. Work Trend Index. 2022. Disponível em: https://www.microsoft.com/en-us/worklab/work-trend-index. Acesso em: 15 mai. 2025.
MASLACH, C.; LEITER, M. Understanding the burnout experience: recent research and its implications for psychiatry. World Psychiatry, v. 15, n. 2, p. 103-111, 2016.
DYRBYE, L. N. et al. Burnout among healthcare professionals: a systematic review and meta-analysis. Journal of Clinical Medicine, v. 9, n. 8, p. 2532, 2020.
PALLESEN, S. et al. Sleep irregularity and mental health: a systematic review. Sleep Medicine Reviews, v. 58, p. 101447, 2021.