هوش مصنوعی در سلامت روان

پزشکان، درمانگران و محققان به طور فزاینده ای دریافته اند که هوش مصنوعی (AI) می تواند ابزار قدرتمندی در ارائه مراقبت های بهداشتی روان باشد. شواهد رو به رشدی نشان می‌دهد که هوش مصنوعی می‌تواند به تشخیص شرایط، توسعه درمان‌ها و فعال کردن رویکردها و درمان‌های شخصی‌تر کمک کند.

از زمان شروع همه‌گیری کووید-19 ، مردم بیش از هر زمان دیگری به دنبال کمک برای مشکلات سلامت روان از جمله افسردگی و اضطراب بوده‌اند. این یک واقعیت غم انگیز است که خودکشی در حال حاضر چهارمین عامل مرگ و میر در بین افراد 15 تا 29 ساله در سراسر جهان است. این امر ناگزیر منجر به فشار فزاینده بر خدمات درمانی و مراقبت‌های بهداشتی و درمانی می‌شود که دسترسی به آنها برای بسیاری دشوارتر شده است. آیا فناوری هوشمند و مبتنی بر یادگیری ماشینی می‌تواند بخشی از راه‌حل باشد احتمالاً نیاز بیماران به دارو را کاهش می‌دهد یا آزادی‌های آن‌ها را با حبس در بیمارستان‌های سلامت روان محدود می‌کند؟

بیایید نگاهی به برخی از روش‌هایی بیندازیم که در آن از این فناوری انقلابی برای تغییر زندگی و بهبود نتایج بیماران برای انواع شرایط سلامت روان استفاده می‌شود.

درمانگران هوش مصنوعی

آیا وقتی صحبت از تخلیه عمیق ترین و شخصی ترین احساسات خود به میان می آید، از صحبت با یک ربات احساس راحتی می کنید؟

چت بات ها به طور فزاینده ای برای ارائه مشاوره و یک خط ارتباطی برای بیماران سلامت روان در طول درمان استفاده می شوند. آنها می توانند به مقابله با علائم کمک کنند، و همچنین به دنبال کلمات کلیدی هستند که می توانند ارجاع و تماس مستقیم با یک متخصص مراقبت از سلامت روان انسان را آغاز کنند.

یکی از نمونه‌های چت ربات درمانی مانند این Woebot است ، یک ربات چت که یاد می‌گیرد خود را با شخصیت کاربران خود تطبیق دهد و می‌تواند از طریق تعدادی از درمان‌ها و تمرین‌های گفتاری که معمولاً برای کمک به بیماران استفاده می‌شود تا با شرایط مختلف کنار بیایند، صحبت کند.

یکی دیگر از ربات‌های چت، تس، پشتیبانی عاطفی رایگان 24 ساعته و 7 روزه را ارائه می‌کند و می‌توان از آن برای مقابله با حملات اضطراب و هراس در هر زمان که رخ داد استفاده کرد.

پوشیدنی ها

به جای اینکه منتظر بمانید تا کاربر از طریق یک برنامه با آنها تعامل داشته باشد، برخی از راه حل های سلامت روان هوش مصنوعی به عنوان ابزار پوشیدنی عمل می کنند که می توانند سیگنال های بدن را با استفاده از حسگرها تفسیر کنند و در صورت نیاز برای ارائه کمک وارد عمل شوند.

Biobeat اطلاعاتی در مورد الگوهای خواب، فعالیت بدنی و تغییرات ضربان قلب و ریتم جمع آوری می کند که برای ارزیابی خلق و خو و وضعیت شناختی کاربر استفاده می شود. این داده‌ها با داده‌های جمع‌آوری‌شده و ناشناس سایر کاربران مقایسه می‌شوند تا در صورت لزوم، هشدارهای پیش‌بینی‌کننده ارائه کنند. سپس کاربران می توانند رفتار خود را اصلاح کنند یا در صورت لزوم از خدمات مراقبت های بهداشتی کمک بگیرند.

تشخیص و پیش بینی نتایج بیمار

هوش مصنوعی همچنین می‌تواند برای تجزیه و تحلیل داده‌های پزشکی بیمار، داده‌های رفتاری، ضبط‌های صوتی جمع‌آوری‌شده از تماس‌های تلفنی تا خدمات مداخله، و منابع داده‌های متعدد دیگر، با استفاده از یادگیری ماشینی برای علامت‌گذاری علائم هشداردهنده مشکلات روانی قبل از پیشرفت به مرحله حاد، استفاده شود.

یک بررسی انبوه مطالعاتی که در آن از هوش مصنوعی برای تجزیه منابع داده های مختلف استفاده شده است، که توسط IBM و دانشگاه کالیفرنیا انجام شد، نشان داد که یادگیری ماشینی می تواند مشکلات سلامت روان، از جمله افکار خودکشی، افسردگی، و اسکیزوفرنی را با دقت بالا پیش بینی و طبقه بندی کند. ” منابع داده مورد استفاده در 28 مطالعه که مورد بررسی قرار گرفتند شامل سوابق الکترونیکی سلامت، داده های تصویربرداری مغز، داده های گرفته شده از گوشی های هوشمند و سیستم های نظارت تصویری و داده های رسانه های اجتماعی بود.

علاوه بر این، محققان مرکز پزشکی دانشگاه واندربیلت دریافتند که داده‌های بستری در بیمارستان، داده‌های جمعیت شناختی و داده‌های بالینی را می‌توان با یادگیری ماشینی تجزیه و تحلیل کرد تا پیش‌بینی کند که آیا یک فرد با دقت ۸۰ درصد جان خود را از دست خواهد داد.

پروژه دیگری با تمرکز بر استفاده از هوش مصنوعی برای پیش بینی مسائل سلامت روان در موسسه آلن تورینگ در حال انجام است . در اینجا، محققان به دنبال راه‌هایی برای استفاده از مجموعه داده‌های مقیاس بزرگ از افرادی هستند که علائم مشکلات سلامت روان را نشان نداده‌اند تا پیش‌بینی کنند که کدام یک از آنها احتمالاً در طول زندگی خود علائمی را ایجاد می‌کنند.

هوش مصنوعی همچنین برای پیش‌بینی مواردی که بیماران بیشتر به درمان شناختی رفتاری (CBT) پاسخ می‌دهند و در نتیجه کمتر به دارو نیاز دارند، استفاده شده است. از آنجایی که داروهای ضدافسردگی و ضد روان پریشی می توانند عوارض جانبی داشته باشند که به خودی خود زندگی را محدود می کند، این پتانسیل این را دارد که به میزان قابل توجهی نتایج بیمار را برای برخی از بیماران بهبود بخشد. تحقیقات منتشر شده در JAMA Psychology نشان داد که یادگیری عمیق می تواند برای تایید اثربخشی CBT به عنوان یک روش درمانی مورد استفاده قرار گیرد و به طور بالقوه نیاز به تجویز دارو برای برخی از بیماران را کاهش دهد.

بهبود سازگاری بیمار

یکی از بزرگ‌ترین چالش‌های درمان بیماری‌های روانی، اطمینان از پیروی بیماران از درمان‌های تجویز شده از جمله مصرف دارو و شرکت در جلسات درمانی است.

هوش مصنوعی می‌تواند برای پیش‌بینی زمانی که بیمار احتمالاً دچار عدم انطباق می‌شود و یادآوری‌هایی صادر می‌کند یا به ارائه‌دهندگان مراقبت‌های بهداشتی خود هشدار می‌دهد تا مداخلات دستی را فعال کنند. این را می توان از طریق ربات های چت مانند مواردی که قبلا ذکر شد یا از طریق پیامک، تماس های تلفنی خودکار و ایمیل انجام داد. الگوریتم‌ها همچنین می‌توانند الگوهای رفتار یا رخدادهایی را در زندگی بیماران شناسایی کنند که احتمالاً باعث عدم انطباق می‌شوند. سپس این اطلاعات می تواند به کارکنان مراقبت های بهداشتی منتقل شود تا بتوانند با بیمار برای ایجاد روش هایی برای اجتناب یا مقابله با این موانع همکاری کنند.

درمان های شخصی

یکی از حوزه‌های بسیار هیجان‌انگیز تحقیق، استفاده از هوش مصنوعی برای ایجاد درمان‌های شخصی برای تعدادی از شرایط سلامت روان است. هوش مصنوعی برای نظارت بر علائم و واکنش‌ها به درمان به‌منظور ارائه بینش‌هایی که می‌تواند برای تنظیم برنامه‌های درمانی فردی مورد استفاده قرار گیرد، استفاده شده است. یک پروژه تحقیقاتی که در دانشگاه کالیفرنیا، دیویس انجام شد، بر ایجاد برنامه های درمانی شخصی برای کودکان مبتلا به اسکیزوفرنی بر اساس تجزیه و تحلیل بینایی کامپیوتری تصاویر مغز متمرکز بود. یکی از عناصر مهم این تحقیق تمرکز بر “هوش مصنوعی قابل توضیح” است.الگوریتم ها باید برای پزشکانی که متخصص هوش مصنوعی نیستند قابل درک باشد.

چالش های استفاده از هوش مصنوعی در درمان سلامت روان

همانطور که نشان دادیم، باور عمومی بر این است که هوش مصنوعی در زمینه پیش‌بینی مسائل مربوط به سلامت روان، ایجاد برنامه‌های درمانی شخصی‌شده و اطمینان از انطباق، بسیار سودمند است. با این حال، چالش های خاصی را نیز به همراه دارد که برای غلبه بر آنها به همکاری بین محققان هوش مصنوعی و کارکنان مراقبت های بهداشتی نیاز است.

اولاً موضوع سوگیری هوش مصنوعی وجود دارد به این معنی که عدم دقت یا عدم تعادل در مجموعه داده های مورد استفاده برای آموزش الگوریتم ها می تواند پیش بینی های غیرقابل اعتماد را تداوم بخشد یا تعصب اجتماعی را تداوم بخشد. به عنوان مثال، وقتی مشخص می شود که مسائل مربوط به سلامت روان در میان گروه های قومی با دسترسی ضعیف تر به مراقبت های بهداشتی بیشتر تشخیص داده نمی شود، الگوریتم هایی که به این داده ها متکی هستند نیز ممکن است در تشخیص آن مسائل دقت کمتری داشته باشند. مهندسان هوش مصنوعی و متخصصان مراقبت از سلامت روان باید با هم کار کنند تا کنترل‌ها و تعادل‌هایی را برای مقابله با این سوگیری‌ها یا حذف داده‌های مغرضانه قبل از اینکه بر خروجی الگوریتم‌ها تأثیر بگذارد، اجرا کنند.

ما همچنین باید این واقعیت را در نظر بگیریم که تشخیص مسائل مربوط به سلامت روان در مقایسه با تشخیص شرایط فیزیکی اغلب به قضاوت ذهنی بیشتری از جانب پزشکان نیاز دارد. همین امر در مورد ماشین هایی که از آنها خواسته می شود تشخیص دهند نیز صادق است. تصمیمات باید بر اساس احساسات و تجربیات خود گزارش شده بیماران گرفته شود تا داده های آزمایش پزشکی. این امر به طور بالقوه منجر به عدم اطمینان بیشتر در مورد تشخیص و نیاز به نظارت و پیگیری دقیق به منظور اطمینان از بهترین نتایج برای بیماران می شود.

گزارش سازمان جهانی بهداشت در مورد چالش‌های استفاده از هوش مصنوعی در درمان و تحقیقات سلامت روان اخیراً نشان می‌دهد که هنوز «شکاف‌های قابل‌توجهی» در درک ما از نحوه استفاده از هوش مصنوعی در مراقبت‌های روانی و همچنین نقص‌هایی در نحوه پردازش داده‌ها توسط برنامه‌های کاربردی مراقبت‌های بهداشتی هوش مصنوعی موجود وجود دارد. و ارزیابی ناکافی خطرات پیرامون سوگیری، همانطور که در بالا مورد بحث قرار گرفت.

به طور کلی، نشانه‌های امیدوارکننده‌ای وجود دارد که نشان می‌دهد هوش مصنوعی پتانسیل تأثیرگذاری مثبت در بسیاری از زمینه‌های مراقبت از سلامت روان را دارد. در عین حال، واضح است که پیشرفت باید با دقت انجام شود، و مدل‌ها و روش‌ها باید به‌طور کامل از نظر خطر سوگیری ارزیابی شوند، قبل از اینکه اجازه داده شود در موقعیت‌هایی استفاده شوند که می‌توانند بر زندگی انسان‌ها تأثیر بگذارند. همانطور که درک و توانایی ما برای پیاده سازی راه حل های هوش مصنوعی همچنان در حال بهبود است، من معتقدم که به تدریج می توانیم مورد قوی تری برای استفاده گسترده تر از این فناوری های بالقوه پیشگامانه ایجاد کنیم. به طور کلی، من امیدوار هستم که در نهایت منجر به بهبود نتایج برای شرایطی شود که در حال حاضر درمان آنها بسیار دشوار است و به کاهش تأثیر مخربی که مشکلات سلامت روان اغلب بر زندگی بیماران می‌گذارد کمک کند.