Μπορεί η ΑΙ να βελτιώσει τη διάγνωση ψυχικών ασθενειών;

Τα μεγάλα γλωσσικά μοντέλα μπορούν να βοηθήσουν στη βελτίωση των ερωτηματολογίων που χρησιμοποιούνται για τη διάγνωση ψυχικών ασθενειών, βελτιώνοντας την ανίχνευση συμπτωμάτων. Μπορούν, ακόμη, να συμβάλουν στη δημιουργία νέων εννοιών για τις ψυχικές διαταραχές.

Αυτά είναι τα συμπεράσματα μιας διεθνούς μελέτης που διευθύνεται από τους καθηγητές Δρ. Joseph Kambeitz και Δρ. Kai Vogeley από τη Σχολή Ιατρικής του Πανεπιστημίου της Κολωνίας και το Πανεπιστημιακό Νοσοκομείο της Κολωνίας.

Τα αποτελέσματα της μελέτης «Η εμπειρική δομή της ψυχοπαθολογίας αποτυπώνεται στα μεγάλα γλωσσικά μοντέλα» δημοσιεύθηκαν στην επιστημονική επιθεώρηση Nature Mental Health.

Για να διαγνώσουν μια ψυχική ασθένεια, οι γιατροί βασίζονται σε διάφορους παράγοντες, περιλαμβανομένων των συμπτωμάτων που αναφέρουν οι ασθενείς και καταγράφονται σε κλινικά ερωτηματολόγια.

Η ακριβής διατύπωση των επιμέρους ερωτήσεων σε αυτά τα ερωτηματολόγια είναι συχνά κρίσιμη για τη σωστή διάγνωση.

Ωστόσο, τα τυποποιημένα ερωτηματολόγια συχνά διαφέρουν σημαντικά μεταξύ τους.

Οι ερευνητές έχουν βρει ενδείξεις για επικαλύψεις και αποκλίσεις στο περιεχόμενο των ερωτήσεων που χρησιμοποιούνται για την αναγνώριση της κατάθλιψης, της διπολικής διαταραχής και του κινδύνου ψύχωσης, γεγονός που καθιστά τη διάγνωση δύσκολη.

Επιπλέον, οι γιατροί βασίζονται στην κλινική τους εμπειρία. Αυτό σημαίνει ότι συνδέουν μεμονωμένα συμπτώματα με μια συγκεκριμένη ασθένεια που ανταποκρίνεται στην εμπειρία τους.

Ωστόσο, καθώς διαφορετικές ασθένειες μπορεί να προκαλέσουν τα ίδια ή παρόμοια συμπτώματα, αυτό μπορεί επίσης να αυξήσει τον κίνδυνο λανθασμένης διάγνωσης.

«Γνωρίζουμε εκπληκτικά λίγα για το αν – και πώς – η διατύπωση των κλινικών ερωτηματολογίων προκαλεί συγκεκριμένες συσχετίσεις στους γιατρούς», λέει ο Καθηγητής Joseph Kambeitz.

Ασταθή ευρήματα θα μπορούσαν επίσης να προκύψουν από διαφορές μεταξύ των ασθενών στην ίδια διαγνωστική ομάδα ή, εναλλακτικά, από διαφορές μεταξύ των ερωτηματολογίων.

Η χρήση μεγάλων γλωσσικών μοντέλων (LLMs) είναι μία προσέγγιση για την ανάλυση των περιγραφών ασθενειών μέσω της γλώσσας.

Η ομάδα χρησιμοποίησε τα LLMs GPT-3, Llama και BERT για να αναλύσει τόσο τη δομή όσο και το περιεχόμενο τεσσάρων κλινικών ερωτηματολογίων.

Η μελέτη βασίστηκε σε δεδομένα από πάνω από 50.000 ερωτηματολόγια για την κατάθλιψη, το άγχος, τον κίνδυνο ψύχωσης και τον αυτισμό.

Στην κλινική πρακτική, τα συμπτώματα συχνά εμφανίζονται ταυτόχρονα, όπως η εμπειρική συσχέτιση μεταξύ της έλλειψης κινήτρου και της απώλειας ευχαρίστησης.

Η ανάλυση έδειξε ότι τα LLMs αναγνωρίζουν ποια συμπτώματα εμφανίζονται συνήθως μαζί.

Ακόμη και χωρίς πρόσβαση σε συγκεκριμένα εμπειρικά δεδομένα, οι ίδιες συσχετίσεις συμπτωμάτων είναι εμφανείς στα LLMs, βασισμένα αποκλειστικά στις διατυπώσεις των ερωτηματολογίων.

Αυτό υποδεικνύει νέους τρόπους με τους οποίους η τεχνητή νοημοσύνη θα μπορούσε να βελτιώσει τα ψυχολογικά ερωτηματολόγια στο μέλλον, αποφεύγοντας επαναλαμβανόμενα στοιχεία και κάνοντάς τα διαγνωστικά και την κατανόηση των ψυχικών ασθενειών πιο αποδοτικά.

Τα LLMs μπορούν να χρησιμοποιηθούν για την ανάπτυξη ερωτηματολογίων που είναι τόσο ακριβή (δηλαδή που αναγνωρίζουν αξιόπιστα τα ψυχολογικά συμπτώματα) όσο και αποδοτικά, θέτοντας μόνο τις απαραίτητες ερωτήσεις για να απλουστεύσουν τη διαδικασία για τους ασθενείς και τους επαγγελματίες υγείας.

«Η ΤΝ μπορεί να αποτυπώσει τόσο ιατρικές γνώσεις όσο και τις δομές των ψυχικών ασθενειών. Αυτό είναι ένα σημαντικό βήμα για να φέρουμε πιο κοντά τις ψηφιακές μεθόδους και τις νευροεπιστήμες, και για την πρόοδο στην ανάπτυξη διαγνωστικών και ερευνητικών μεθόδων στην ψυχιατρική», εξηγεί ο καθηγητής Kai Vogeley.

«Στην ψυχιατρική, ο ‘προφορικός λόγος’ παίζει σημαντικό ρόλο στη διάγνωση και τη θεραπεία. Υπάρχουν αυτή τη στιγμή πολλά υποσχόμενα έργα που εξετάζουν πώς μπορούμε να χρησιμοποιήσουμε τα LLMs στην ψυχιατρική, από τη διάγνωση μέσω της συγγραφής και αναθεώρησης αναφορών έως την προσομοίωση συνεδριών θεραπείας. Μπορούμε να αναμένουμε πολλά ακόμη συναρπαστικά ερευνητικά αποτελέσματα σε αυτόν τον τομέα», καταλήγει ο Joseph Kambeitz.