La diagnosi della depressione è un affare complicato.
Non ci sono esami del sangue, nessuna scansione, nessuna biopsia per fornire prove concrete di qualcosa che è andato storto. Al contrario, tutto il peso dipende dall'abilità di un medico qualificato di effettuare una valutazione basata in gran parte sulle risposte di una persona a una serie di domande standard. La diagnosi è ulteriormente complicata dal fatto che la depressione può essere esibita in diversi modi, dall'apatia all'agitazione, a comportamenti estremi di alimentazione o di sonno.
Quindi, l'idea che l'intelligenza artificiale possa aiutare a prevedere se una persona soffre di depressione è potenzialmente un grande passo in avanti, anche se uno che porta con sé domande su come potrebbe essere usato.
Ciò che lo rende possibile, afferma Tuka Alhanai, ricercatrice presso il Computer Science and Artificial Intelligence Laboratory (CSAIL) del MIT, è la capacità di un modello di apprendimento automatico di identificare i modelli di linguaggio e linguaggio associati alla depressione. Ancora più importante, il modello che lei e il collega scienziato del MIT Mohammad Ghassemi hanno sviluppato è stato in grado di riconoscere la depressione con un grado relativamente elevato di accuratezza attraverso l'analisi del modo in cui le persone parlano, piuttosto che le loro risposte specifiche alle domande di un medico.
È ciò che Alhanai chiama analisi "senza contesto"; in altre parole, il modello prende spunto dalle parole che le persone scelgono e da come le dicono, senza cercare di interpretare il significato delle loro affermazioni.
"Invece di dire al modello di concentrarsi sulle risposte a domande particolari, è programmato per capire da solo su cosa vuole concentrarsi", afferma.
Il potenziale vantaggio, osserva Alhanai, è che questo tipo di approccio alla rete neurale potrebbe un giorno essere utilizzato per valutare le conversazioni più naturali di una persona al di fuori di un'intervista formale e strutturata con un clinico. Ciò potrebbe essere utile per incoraggiare le persone a cercare un aiuto professionale quando altrimenti non potrebbero, a causa dei costi, della distanza o semplicemente della mancanza di consapevolezza che qualcosa non va.
"Se si desidera distribuire modelli in modo scalabile", afferma, "si desidera ridurre al minimo la quantità di vincoli che si hanno sui dati che si stanno utilizzando. Vuoi distribuirlo in qualsiasi conversazione regolare e far sì che il modello prenda, dall'interazione naturale, lo stato dell'individuo. "
Modelli di avvistamento
Il modello si è concentrato su audio, video e trascrizioni da 142 interviste di pazienti, circa il 30% dei quali era stato diagnosticato dalla depressione dai medici. Nello specifico, ha utilizzato una tecnica chiamata modellazione di sequenze, in cui sequenze di dati di testo e audio di persone depresse e non depresse sono state inserite nel modello. Da ciò sono emersi diversi schemi linguistici per le persone con e senza depressione. Ad esempio, parole come "triste", "basso" o "basso" potrebbero essere associate a segnali vocali più piatti e più monotoni.
Ma dipendeva dal modello determinare quali schemi fossero coerenti con la depressione. Quindi ha applicato ciò che ha appreso per prevedere quali nuovi soggetti fossero depressi. Alla fine, ha raggiunto un tasso di successo del 77% nell'identificazione della depressione.
I ricercatori hanno anche scoperto che il modello aveva bisogno di molti più dati per prevedere la depressione esclusivamente dal modo in cui suonava una voce, al contrario delle parole usate da una persona. Con quest'ultimo, quando si concentrava esclusivamente sul testo, il modello doveva analizzare una media di sole sette sequenze per prevedere la depressione. Ma quando si utilizza solo l'audio vocale, sono necessarie 30 sequenze. Ciò suggerisce che le parole che una persona sceglie sono un predittore migliore della depressione rispetto a come suonano.
Sbraccio algoritmico?
È ancora troppo presto per dire come un modello di IA potrebbe essere incorporato nella diagnosi della depressione. "È un passo verso la possibilità di analizzare più interazioni in forma libera, ma è solo un passo iniziale", afferma James Glass, ricercatore senior del CSAIL. Egli osserva che il campione del test era "minuscolo". Dice anche che i ricercatori vorranno provare a capire meglio quali schemi specifici di tutti i dati grezzi identificati dal modello come indicativi di depressione.
"Questi sistemi sono più credibili quando hai una spiegazione per quello che stanno raccogliendo", dice.
Questo è importante perché l'intera idea di usare l'IA nella diagnosi delle condizioni di salute mentale è stata soddisfatta con la sua parte di scetticismo. Viene già utilizzato nei chatbot terapeutici, come Woebot, ma essere coinvolti nella diagnosi effettiva porterebbe il ruolo delle macchine a un altro livello.
Il medico canadese Adam Hofmann, che ha scritto di recente sul Washington Post, ha avvertito delle possibili conseguenze su quella che ha definito "superamento algoritmico".
"I falsi positivi potrebbero, ad esempio, condurre le persone che non sono ancora depresse a credere di esserlo", ha scritto. “La salute mentale di uno è una complessa interazione di fattori genetici, fisici e ambientali. Conosciamo gli effetti placebo e nocebo in medicina, quando gli utenti non vedenti delle pillole di zucchero sperimentano gli effetti positivi o negativi di un farmaco perché ne hanno le aspettative positive o negative.
"Se ti viene detto che stai male, potrebbe letteralmente renderlo tale."
Hofmann ha anche sollevato dubbi su quanto a lungo le conclusioni di tali strumenti diagnostici di intelligenza artificiale potrebbero essere mantenute da terzi esterni, come assicuratori o datori di lavoro. L'ansia per il potenziale abuso da parte di "rilevatori di depressione" è stata anche citata in un recente post sul blog su The Next Web.
Alhanai e Glass hanno ascoltato le apprese speculazioni sui rischi di fare troppo affidamento sui modelli di IA per la diagnosi della salute mentale. Ma dicono che la loro ricerca è orientata ad aiutare i clinici, non a sostituirli.
"Speriamo di poter fornire una forma complementare di analisi", afferma Glass. “Il paziente non è sempre con il medico. Ma se il paziente sta parlando a casa nel proprio telefono, magari registrando un diario giornaliero e la macchina rileva un cambiamento, potrebbe segnalare al paziente che dovrebbero contattare il medico.
"Non vediamo la tecnologia prendere decisioni al posto del clinico", aggiunge. "Riteniamo che fornisca un'altra metrica di input al clinico. Avrebbero comunque accesso a tutti gli input correnti che usano. Questo sarebbe semplicemente dare loro un altro strumento nella loro cassetta degli attrezzi. "
