Deteksi Depresi Multimodal Menggunakan Sinyal Fisiologis dan Perilaku: Scoping Review

Abstract

Depresi merupakan masalah kesehatan mental global yang mendesak, sementara metode diagnostik konvensional masih bergantung pada pelaporan diri dan penilaian klinis yang rentan subjektivitas. Kemajuan psikiatri komputasional menghadirkan deteksi depresi multimodal yang memadukan sinyal perilaku dan fisiologis untuk meningkatkan akurasi dan keandalan. Scoping Review ini memetakan studi terbitan 2020–2025 yang menggunakan machine learning atau deep learning dengan sedikitnya dua modalitas untuk mendeteksi depresi atau gejalanya. Pencarian di PubMed dan Scopus, serta penelusuran daftar pustaka Google Scholar, mengidentifikasi dua belas studi yang memenuhi kriteria. Bukti menunjukkan integrasi yang kian intens antara sinyal fisiologis (EEG, fNIRS, HRV, dan rPPG) dengan indikator perilaku seperti teks, audio, dan video. Sejumlah studi melaporkan bahwa fusi EEG–fNIRS mencapai akurasi > 90% dalam kondisi terkontrol, sementara rPPG menjanjikan sebagai opsi non-invasif untuk pemantauan di dunia nyata. Modalitas perilaku tetap relevan; fusi berbasis transformer (teks–audio) dan analisis visual multimodal menghasilkan kinerja kuat pada DAIC-WOZ, E-DAIC, MODMA, dan D-Vlog. Strategi fusi didominasi mekanisme perhatian dan fusi tingkat keputusan (late fusion), dengan metode interpretabilitas yang menyoroti kontribusi tiap modalitas. Meski menjanjikan, bidang ini masih dibatasi ukuran sampel yang kecil dan homogen, ketergantungan pada sedikit benchmark, serta metrik evaluasi yang tidak seragam. Riset selanjutnya perlu memprioritaskan dataset yang lebih besar dan beragam, model fusi yang tangguh dan terjelaskan, serta penanganan isu etika untuk menuju penerapan klinis yang bermakna.