Het diagnosticeren van depressie is een lastige zaak.
Er is geen bloedtest, geen scan, geen biopsie om hard bewijs te leveren van iets dat mis is gegaan. In plaats daarvan ligt het volle gewicht op de vaardigheid van een getrainde clinicus om een evaluatie te maken, grotendeels gebaseerd op de antwoorden van een persoon op een reeks standaardvragen. De diagnose wordt verder gecompliceerd door het feit dat depressie op verschillende manieren kan worden tentoongesteld - van apathie tot agitatie tot extreme eet- of slaappatronen.
Dus het idee dat kunstmatige intelligentie zou kunnen helpen voorspellen of iemand aan een depressie lijdt, is potentieel een grote stap voorwaarts - zij het dat vragen met zich meebrengt over hoe het kan worden gebruikt.
Wat dat mogelijk maakt, zegt Tuka Alhanai, een onderzoeker bij MIT's Computer Science and Artificial Intelligence Laboratory (CSAIL), is het vermogen van een machine learning-model om spraak- en taalpatronen te identificeren die verband houden met depressie. Wat nog belangrijker is, was dat het model dat zij en collega-MIT-wetenschapper Mohammad Ghassemi ontwikkelde, depressie met een relatief hoge mate van nauwkeurigheid kon herkennen door te analyseren hoe mensen spreken, in plaats van hun specifieke antwoorden op de vragen van een arts.
Het is wat Alhanai een "contextvrije" analyse noemt; met andere woorden, het model is gebaseerd op de woorden die mensen kiezen en hoe ze ze zeggen, zonder te proberen de betekenis van hun uitspraken te interpreteren.
“In plaats van het model te vertellen zich te concentreren op antwoorden op bepaalde vragen, is het geprogrammeerd om zelf uit te zoeken waar het zich op wil concentreren”, zegt ze.
Het potentiële voordeel, merkt Alhanai op, is dat dit soort neurale netwerkbenadering ooit zou kunnen worden gebruikt om de meer natuurlijke gesprekken van een persoon te evalueren buiten een formeel, gestructureerd interview met een arts. Dat kan nuttig zijn om mensen aan te moedigen professionele hulp te zoeken wanneer ze dat anders niet zouden kunnen, vanwege de kosten, afstand of simpelweg een gebrek aan bewustzijn dat er iets mis is.
“Als je modellen op een schaalbare manier wilt inzetten, ” zegt ze, “wil je de hoeveelheid beperkingen die je hebt aan de gegevens die je gebruikt minimaliseren. Je wilt het in elk regulier gesprek inzetten en het model de natuurlijke staat laten oppakken. '
Patronen spotten
Het model concentreerde zich op audio, video en transcripties van 142 interviews met patiënten, van wie ongeveer 30 procent door artsen was gediagnosticeerd. In het bijzonder gebruikte het een techniek genaamd sequentiemodellering, waarbij sequenties van tekst- en audiogegevens van zowel depressieve als niet-depressieve mensen in het model werden ingevoerd. Daaruit kwamen verschillende spraakpatronen naar voren voor mensen met en zonder depressie. Woorden als 'verdrietig', 'laag' of 'omlaag' kunnen bijvoorbeeld worden gecombineerd met spraaksignalen die platter en meer monotoon zijn.
Maar het was aan het model om te bepalen welke patronen consistent waren met depressie. Vervolgens paste het toe wat het leerde te voorspellen welke nieuwe onderwerpen depressief waren. Uiteindelijk behaalde het een succespercentage van 77 procent bij het identificeren van depressie.
De onderzoekers ontdekten ook dat het model aanzienlijk meer gegevens nodig had om depressie alleen te voorspellen op basis van hoe een stem klonk, in tegenstelling tot welke woorden een persoon gebruikte. Met dit laatste, toen het zich uitsluitend op tekst concentreerde, moest het model gemiddeld slechts zeven sequenties analyseren om depressie te voorspellen. Maar wanneer alleen spraakaudio werd gebruikt, waren er 30 sequenties vereist. Dat suggereert dat de woorden die een persoon kiest een betere voorspeller zijn van depressie dan hoe ze klinken.
Algoritmische overbereik?
Het is nog steeds veel te vroeg om te zeggen hoe een AI-model zou kunnen worden opgenomen in de diagnose van depressie. "Het is een stap in de richting van het analyseren van meer interacties in vrije vorm, maar het is slechts een eerste stap", zegt James Glass, een senior onderzoeker in CSAIL. Hij merkt op dat het testmonster 'klein' was. Hij zegt ook dat de onderzoekers willen proberen beter te begrijpen welke specifieke patronen uit alle onbewerkte gegevens die het model identificeerde als een indicatie voor depressie.
"Deze systemen zijn geloofwaardiger als je een verklaring hebt voor wat ze oppikken", zegt hij.
Dat is belangrijk omdat het hele idee van het gebruik van AI bij het diagnosticeren van psychische aandoeningen is voldaan met zijn aandeel van scepsis. Het wordt al gebruikt in therapie-chatbots, zoals Woebot, maar betrokken zijn bij de daadwerkelijke diagnose zou de rol van machines naar een ander niveau brengen.
De Canadese arts Adam Hofmann, die onlangs in de Washington Post schreef, waarschuwde voor de mogelijke gevolgen voor wat hij 'algoritmische overbereik' noemde.
"Kunnen valse positieven bijvoorbeeld leiden tot mensen die nog niet depressief zijn om te geloven dat ze dat zijn, " schreef hij. “De geestelijke gezondheid van mensen is een complex samenspel van genetische, fysieke en omgevingsfactoren. We kennen de placebo- en nocebo-effecten in de geneeskunde, wanneer blinde gebruikers van suikerpillen de positieve of negatieve effecten van een medicijn ervaren omdat ze er de positieve of negatieve verwachtingen van hebben.
"Als je te horen krijgt dat je niet goed bent, kan dat letterlijk zo zijn."
Hofmann uitte ook bezorgdheid over hoe lang de conclusies van dergelijke AI-diagnosetools kunnen worden bewaard door externe derde partijen, zoals verzekeraars of werkgevers. Die angst voor mogelijk misbruik door "depressiedetectoren" werd ook aangehaald in een recent blogbericht op The Next Web.
Alhanai en Glass hebben de angstige speculatie gehoord over de risico's van teveel vertrouwen op AI-modellen voor de diagnose van de geestelijke gezondheid. Maar ze zeggen dat hun onderzoek is gericht op het helpen van clinici, niet op het vervangen van hen.
"We hopen dat we een aanvullende vorm van analyse kunnen bieden, " zegt Glass. “De patiënt is niet altijd bij de dokter. Maar als de patiënt thuis in zijn telefoon spreekt, misschien een dagelijks dagboek opneemt, en de machine een verandering detecteert, kan dit de patiënt aangeven dat hij contact moet opnemen met de arts.
"We zien niet de technologie die beslissingen neemt in plaats van de clinicus, " voegt hij eraan toe. “We zien het als een andere input-metriek voor de clinicus. Ze zouden nog steeds toegang hebben tot alle huidige ingangen die ze gebruiken. Dit zou hen gewoon een ander hulpmiddel in hun gereedschapskist geven. "
