Diagnosticarea depresiei este o afacere complicată.
Nu există un test de sânge, nici o scanare, nici o biopsie care să ofere dovezi dure despre ceva neplăcut. În schimb, întreaga pondere este pe abilitatea unui clinician instruit să facă o evaluare bazată în mare parte pe răspunsurile unei persoane la o serie de întrebări standard. Diagnosticul este complicat în plus prin faptul că depresia poate fi expusă în mai multe moduri - de la apatie la agitație la alimentație extremă sau modele de somn.
Deci, ideea că inteligența artificială ar putea ajuta la prezicerea dacă o persoană suferă de depresie este un mare pas înainte - deși unul care aduce cu sine întrebări despre cum ar putea fi folosit.
Ceea ce face posibil acest lucru, spune Tuka Alhanai, cercetător la Laboratorul de Informatică și Inteligență Artificială (CSAIL) al MIT, este capacitatea unui model de învățare automată de a identifica tiparele de vorbire și limbaj asociate depresiei. Mai important, modelul pe care ea și colegul său de știință MIT Mohammad Ghassemi l-au dezvoltat a fost capabil să recunoască depresia cu un grad relativ ridicat de precizie prin analizarea modului în care oamenii vorbesc, mai degrabă decât răspunsurile lor specifice la întrebările unui clinician.
Este ceea ce Alhanai se referă la analiza „fără context”; cu alte cuvinte, modelul își ia semnele din cuvintele pe care oamenii le aleg și cum le spun, fără a încerca să interpreteze sensul afirmațiilor lor.
„În loc să spună modelului să se concentreze pe răspunsuri la anumite întrebări, este programat să își dea seama singur pe ce vrea să se concentreze”, spune ea.
Beneficiul potențial, notează Alhanai, este că acest tip de abordare a rețelei neuronale ar putea fi folosit într-o zi pentru a evalua conversațiile mai naturale ale unei persoane în afara unui interviu formal și structurat cu un clinician. Acest lucru ar putea fi util în încurajarea oamenilor să caute ajutor profesional atunci când altfel nu ar putea, din cauza costurilor, distanței sau pur și simplu a lipsei de conștientizare a faptului că ceva nu este în regulă.
„Dacă doriți să implementați modele într-un mod scalabil”, spune ea, „doriți să minimizați cantitățile de restricții pe care le aveți pe datele pe care le utilizați. Vrei să îl implementezi în orice conversație obișnuită și să alegi modelul, din interacțiunea naturală, starea individului. ”
Tiparele de localizare
Modelul s-a concentrat pe audio, video și transcrieri din 142 de interviuri ale pacienților, aproximativ 30 la sută dintre ei au fost diagnosticați cu depresie de către clinicieni. Mai exact, a folosit o tehnică numită modelare de secvență, în care secvențele de date text și audio de la persoane deprimate și nepricepute au fost introduse în model. Din aceasta, au apărut diferite modele de vorbire pentru persoanele cu și fără depresie. De exemplu, cuvinte precum „trist”, „scăzut” sau „în jos” pot avea tendința de a fi asociate cu semnale vocale care sunt mai flatate și mai monotone.
Dar modelul a fost în funcție de a determina ce tipare erau în concordanță cu depresia. Apoi a aplicat ceea ce a învățat pentru a prezice ce subiecți noi sunt deprimați. În cele din urmă, a obținut o rată de succes de 77 la sută în identificarea depresiei.
Cercetătorii au descoperit, de asemenea, că modelul avea nevoie de date considerabil mai multe pentru a prezice depresia doar din modul în care a sunat o voce, spre deosebire de cuvintele pe care le-a folosit o persoană. Cu acesta din urmă, când s-a concentrat exclusiv pe text, modelul a trebuit să analizeze o medie de doar șapte secvențe pentru a prezice depresia. Dar când folosiți doar audio vocal, a fost nevoie de 30 de secvențe. Asta sugerează că cuvintele pe care le alege o persoană este un predictor mai bun al depresiei decât modul în care sună.
Abordare algoritmică?
Este încă prea curând să spunem cum un model de AI ar putea fi încorporat în diagnosticul depresiei. „Este un pas spre a putea analiza mai multe interacțiuni de formă liberă, dar este doar un pas inițial”, spune James Glass, un om de știință senior de cercetare în CSAIL. El a menționat că eșantionul de test a fost „minuscul”. El spune, de asemenea, că cercetătorii vor dori să încerce să înțeleagă mai bine ce tipare specifice din toate datele brute pe care modelul identificat ca indicativ al depresiei.
„Aceste sisteme sunt mai credibile atunci când aveți o explicație pentru ceea ce ridică”, spune el.
Acest lucru este important pentru că întreaga idee de utilizare a AI în diagnosticarea condițiilor de sănătate mintală a fost satisfăcută de partea sa de scepticism. Acesta este deja utilizat în chatbots de terapie, cum ar fi Woebot, dar a fi implicat în diagnosticarea reală ar duce rolul mașinilor la un alt nivel.
Doctorul canadian Adam Hofmann, care a scris recent în Washington Post, a avertizat despre consecințele posibile asupra a ceea ce el a numit „supraalimentare algoritmică”.
„Poate falsele pozitive, de exemplu, să conducă oameni care nu sunt încă deprimați să creadă că sunt”, a scris el. „Sănătatea mintală a unuia este o interacțiune complexă de factori genetici, fizici și de mediu. Știm despre efectele placebo și nocebo în medicină, atunci când utilizatorii orbi de pastile de zahăr experimentează fie efectele pozitive, fie cele negative ale unui medicament, deoarece au fie așteptările pozitive, fie negative.
„Să vi se spună că sunteți rău s-ar putea să-l faceți așa.”
Hofmann a susținut, de asemenea, îngrijorarea cu privire la perioada în care concluziile acestor instrumente de diagnostic AI ar putea fi păstrate de la terți, cum ar fi asigurătorii sau angajatorii. Acea anxietate cu privire la abuzurile potențiale prin „detectoare de depresie” a fost de asemenea citată într-o postare recentă pe blogul The Next Web.
Alhanai și Glass au auzit speculațiile temute despre riscurile de a se baza prea mult pe modelele de AI pentru diagnosticarea sănătății mintale. Dar ei spun că cercetarea lor este orientată spre a ajuta clinicienii, nu înlocuirea lor.
„Sperăm că putem oferi o formă complementară de analiză”, spune Glass. „Pacientul nu este cu medicul tot timpul. Dar dacă pacientul vorbește acasă în telefonul său, poate înregistrează un jurnal zilnic, iar aparatul detectează o schimbare, poate semnala pacientului că ar trebui să contacteze medicul.
„Nu vedem deciziile tehnologice în locul clinicianului”, adaugă el. Noi considerăm că oferă o altă valoare de intrare pentru clinician. Aceștia ar avea totuși acces la toate intrările curente pe care le utilizează. Acest lucru ar fi doar să le oferim un alt instrument în caseta de instrumente. "
