Τεχνολογία

Μηχανική μάθηση και ψυχική υγεία: Πώς μπορούν να συνδυαστούν οι δύο επιστήμες;

Μηχανική μάθηση και ψυχική υγεία: Πώς μπορούν να συνδυαστούν οι δύο επιστήμες;
Μηχανική μάθηση και ψυχική υγεία: Οι δυο κλάδοι συνεργάζονται σε ένα έργο για την ανάπτυξη αλγορίθμων μηχανικής μάθησης βοηθούν στη διάγνωση και παρακολούθηση των αλλαγών των συμπτωμάτων μεταξύ ασθενών με μείζονα καταθλιπτική διαταραχή.

Ένας ειδικός στην μηχανική μάθηση και ένας ερευνητής/κλινολόγος ψυχολογίας μπορεί να φαντάζουν ως απίθανο δίδυμο. Αλλά η Rosalind Picard του MIT και η Paola Pedrelli του Γενικού Νοσοκομείου της Μασαχουσέτης ενώνονται με την πεποίθηση ότι η τεχνητή νοημοσύνη μπορεί να είναι σε θέση να βοηθήσει να γίνει η φροντίδα ψυχικής υγείας πιο προσιτή στους ασθενείς. Στα 15 της χρόνια ως κλινική ιατρός και ερευνήτρια στην ψυχολογία, η Pedrelli λέει ότι “ήταν πολύ, πολύ σαφές ότι υπάρχουν αρκετοί φραγμοί για τους ασθενείς με διαταραχές ψυχικής υγείας στην πρόσβαση και τη λήψη επαρκούς φροντίδας”. Αυτά τα εμπόδια μπορεί να περιλαμβάνουν το να καταλάβετε πότε και πού να αναζητήσετε βοήθεια, να βρείτε έναν κοντινό πάροχο που παίρνει ασθενείς και να εξασφαλίσετε οικονομικούς πόρους και μεταφορά για να παρακολουθήσετε τα ραντεβού.

Μια καινοτόμα συνεργασία

Η Pedrelli είναι επίκουρη καθηγήτρια ψυχολογίας στην Ιατρική Σχολή του Χάρβαρντ και αναπληρώτρια διευθύντρια του Κλινικού και Ερευνητικού Προγράμματος για την Κατάθλιψη στο Γενικό Νοσοκομείο της Μασαχουσέτης (MGH). Για περισσότερα από πέντε χρόνια. Οι δυο τους συνεργάζονται σε ένα έργο για την ανάπτυξη αλγορίθμων μηχανικής μάθησης βοηθούν στη διάγνωση και παρακολούθηση των αλλαγών των συμπτωμάτων μεταξύ ασθενών με μείζονα καταθλιπτική διαταραχή. Η μηχανική εκμάθηση είναι ένας τύπος τεχνολογίας τεχνητής νοημοσύνης όπου, όταν δίνονται στο μηχάνημα πολλά δεδομένα και παραδείγματα καλής συμπεριφοράς, μπορεί να είναι αρκετά καλό στην αυτόνομη εκτέλεση μιας εργασίας. Μπορεί επίσης να βοηθήσει στον εντοπισμό μοτίβων που έχουν νόημα, τα οποία οι άνθρωποι μπορεί να μην μπορούσαν να βρουν τόσο γρήγορα χωρίς τη βοήθεια του μηχανήματος.

Τι μπορούν να επιτύχουν;

Χρησιμοποιώντας φορητές συσκευές και smartphone των συμμετεχόντων στη μελέτη, οι Picard και Pedrelli μπορούν να συγκεντρώσουν λεπτομερή δεδομένα σχετικά με την αγωγιμότητα και τη θερμοκρασία του δέρματος των συμμετεχόντων, τον καρδιακό ρυθμό, τα επίπεδα δραστηριότητας, την κοινωνικοποίηση, την προσωπική αξιολόγηση της κατάθλιψης, τα πρότυπα ύπνου και πολλά άλλα. Στόχος τους είναι να αναπτύξουν αλγόριθμους μηχανικής μάθησης που μπορούν να λάβουν αυτόν τον τεράστιο όγκο δεδομένων και να τα κάνουν ουσιαστικά — προσδιορίζοντας πότε ένα άτομο μπορεί να δυσκολεύεται και τι μπορεί να του είναι χρήσιμο. Ελπίζουν ότι οι αλγόριθμοί τους θα εξοπλίσουν τελικά τους γιατρούς και τους ασθενείς με χρήσιμες πληροφορίες σχετικά με την πορεία της μεμονωμένης νόσου και την αποτελεσματική θεραπεία.

“Προσπαθούμε να δημιουργήσουμε εξελιγμένα μοντέλα που έχουν την ικανότητα όχι μόνο να μαθαίνουν τι είναι κοινό μεταξύ των ανθρώπων, αλλά να μαθαίνουν κατηγορίες για το τι αλλάζει στη ζωή ενός ατόμου”, λέει η Picard. “Θέλουμε να παρέχουμε στα άτομα που το θέλουν την ευκαιρία να έχουν πρόσβαση σε πληροφορίες που βασίζονται σε στοιχεία και εξατομικεύονται και κάνουν τη διαφορά για την υγεία τους”. Η Picard εντάχθηκε στο MIT Media Lab το 1991. Τρία χρόνια αργότερα, δημοσίευσε ένα βιβλίο, “Affective Computing”, το οποίο ώθησε την ανάπτυξη ενός πεδίου με αυτό το όνομα. Η συναισθηματική πληροφορική είναι πλέον ένας ισχυρός τομέας έρευνας που ασχολείται με την ανάπτυξη τεχνολογιών που μπορούν να μετρήσουν, να αντιληφθούν και να μοντελοποιήσουν δεδομένα που σχετίζονται με τα συναισθήματα των ανθρώπων.

Λεπτομέρειες για την μελέτη

Ενώ η πρώιμη έρευνα επικεντρώθηκε στον προσδιορισμό του εάν η μηχανική μάθηση θα μπορούσε να χρησιμοποιήσει δεδομένα για να αναγνωρίσει το τρέχον συναίσθημα ενός συμμετέχοντος, η τρέχουσα εργασία των Picard και Pedrelli στην Jameel Clinic του MIT προχωρά αρκετά βήματα παραπέρα. Θέλουν να γνωρίζουν εάν η μηχανική μάθηση μπορεί να εκτιμήσει την τροχιά της διαταραχής, να εντοπίσει αλλαγές στη συμπεριφορά ενός ατόμου και να παρέχει δεδομένα που ενημερώνουν την εξατομικευμένη ιατρική περίθαλψη. Για τη διεξαγωγή της μελέτης, οι ερευνητές στρατολόγησαν συμμετέχοντες MGH με διαταραχή μείζονος κατάθλιψης που άλλαξαν πρόσφατα τη θεραπεία τους. Μέχρι στιγμής, 48 συμμετέχοντες έχουν εγγραφεί στη μελέτη. Για 22 ώρες την ημέρα, κάθε μέρα για 12 εβδομάδες, οι συμμετέχοντες φορούν βραχιολάκια Empatica E4. Αυτά τα φορητά βραχιολάκια, σχεδιασμένα από μία από τις εταιρείες που ίδρυσε η Picard, μπορούν να συλλέγουν πληροφορίες για βιομετρικά δεδομένα, όπως ηλεκτροδερμική δραστηριότητα (δέρμα).

Οι συμμετέχοντες κατεβάζουν επίσης εφαρμογές στο τηλέφωνό τους, οι οποίες συλλέγουν δεδομένα για γραπτά μηνύματα και τηλεφωνικές κλήσεις, τοποθεσία και χρήση εφαρμογών, και επίσης τους προτρέπουν να συμπληρώσουν μια διεβδομαδιαία έρευνα κατάθλιψης. Κάθε εβδομάδα, οι ασθενείς κάνουν check-in με έναν κλινικό ιατρό που αξιολογεί τα καταθλιπτικά συμπτώματά τους. “Βάζουμε όλα αυτά τα δεδομένα που συλλέξαμε από το wearable και το smartphone στον αλγόριθμό μας μηχανικής μάθησης και προσπαθούμε να δούμε πόσο καλά προβλέπει η μηχανική μάθηση τις ετικέτες που δίνουν οι γιατροί”, λέει η Picard. “Αυτή τη στιγμή, είμαστε πολύ καλοί στο να προβλέψουμε αυτές τις ετικέτες.” Ενώ η ανάπτυξη αποτελεσματικών αλγορίθμων μηχανικής μάθησης είναι μια πρόκληση που αντιμετωπίζουν οι ερευνητές, ο σχεδιασμός ενός εργαλείου που θα ενδυναμώσει και θα ανυψώσει τους χρήστες του είναι μια άλλη πρόκληση. “Το ερώτημα στο οποίο εστιάζουμε πραγματικά τώρα είναι, αφού έχετε τους αλγόριθμους μηχανικής μάθησης, πώς θα βοηθήσει τους ανθρώπους;”