Sztuczna inteligencja, a zdrowie psychiczne. Chatbot diagnozujący zaburzenia.

[English version here]

Sztuczna Inteligencja, a psychoterapia

Sztuczna inteligencja (AI) odgrywa coraz ważniejszą rolę w wielu dziedzinach życia. Jednym z obszarów, w którym technologia AI może być przydatna, jest psychoterapia. Współczesne narzędzia informatyczne pozwalają na stworzenie systemów, które mogą wspierać proces terapeutyczny zarówno dla psychologów, jak i dla pacjentów.

Psychoterapia to metoda leczenia zaburzeń psychicznych, której głównym celem jest pomoc osobom w radzeniu sobie z problemami emocjonalnymi i psychicznymi. Współczesne metody psychoterapii obejmują wiele różnych podejść i technik, które są stosowane przez psychologów, psychoterapeutów oraz psychiatrów. Proces ten często obejmuje rozmowy, które pomagają pacjentom zrozumieć i rozwiązać ich problemy.

AI może pomóc w diagnozie i leczeniu zaburzeń psychicznych na wiele sposobów. Sztuczna inteligencja może na przykład analizować dane dotyczące zachowania i samopoczucia pacjentów, aby pomóc terapeutom w identyfikacji problemów i w doborze odpowiedniej terapii. Dzięki technologii AI możliwe jest również monitorowanie postępów pacjentów w czasie rzeczywistym, co może prowadzić do lepszych wyników terapii.

Potencjał wykorzystania AI w psychoterapii jest ogromny. W przyszłości, sztuczna inteligencja może stać się ważnym narzędziem, które pomoże psychologom, psychoterapeutom i psychiatrom lepiej diagnozować i leczyć zaburzenia psychiczne. AI może również pomóc pacjentom w zrozumieniu ich problemów i w podjęciu skutecznych działań w celu poprawy ich samopoczucia.

Jak my używamy sztucznej inteligencji w psychoterapii?

Aktualnie nasze rozwiązanie oparte na sztucznej inteligencji koncentruje się głównie na wczesnym rozpoznawaniu zaburzeń psychicznych pacjenta oraz na automatycznym dopasowywaniu terapeutów, którzy mają największe doświadczenie i wiedzę w leczeniu tych konkretnych zaburzeń. To podejście ma na celu nie tylko skrócenie czasu potrzebnego na znalezienie odpowiedniego specjalisty, ale także zwiększenie skuteczności terapii poprzez indywidualne dopasowanie terapeuty do potrzeb pacjenta.

Wierzymy, że zastosowanie sztucznej inteligencji w psychoterapii ma potencjał do zrewolucjonizowania tego pola i przyniesienia znaczących korzyści zarówno dla pacjentów, jak i dla terapeutów. Dążymy do ciągłego doskonalenia naszego rozwiązania, aby zapewnić jak najbardziej precyzyjne i skuteczne wsparcie w procesie diagnozy i leczenia zaburzeń psychicznych.

Jak automatycznie rozpoznawać zaburzenia psychiczne?

Istnieje wiele rozwiązań (zazwyczaj formularzy wielokrotnego wyboru) diagnozujących zaburzenia psychiczne. Zazwyczaj koncentrują się one na jednym lub kilku zaburzeniach psychicznych, żadne z nich nie sprawdza objawów dla każdego możliwego zaburzenia psychicznego. Przykładowo kwestionariuszy, które oceniają natężenie depresji, lub ADHD jest bardzo dużo. Istnieje też garść rozwiązań, które skupiają się na 2-3 najpopularniejszych zaburzeniach na raz: na przykład ADHD, depresji i nerwicy.

Nie istnieją jednak automatyczne rozwiązania, które jednocześnie skanują całe zdrowie psychiczne jak potrafi zrobić to psychiatra lub psycholog. Oceniają jedynie prawdopodobieństwo wystąpienia jednego lub kilku z bardzo wielu zaburzeń psychicznych, które stanowią jedynie mały kawałek układanki jaką jest zdrowie psychiczne. Dlaczego jeszcze nikt się za to nie zabrał? Otóż, kwestionariusze, na których są oparte wszystkie inne rozwiązania oceniające zdrowie psychiczne nie zdałyby egzaminu, ponieważ:

1. Aby rozważyć każde możliwe zaburzenie psychiczne (nawet spośród tych najważniejszych), taki kwestionariusz musiałby się rozrosnąć do liczby pytań niemożliwej do przejścia dla typowego użytkownika komputera. Podejmowałyśmy próby budowy takiego kwestionariusza tutaj. Mimo najszczerszych starań, wyszło ostatecznie ponad 250 pytań.
2. Co więcej, zaburzenia psychiczne (mimo, że w większości są sklasyfikowane po objawach, a nie przyczynach), rzadko kiedy mają unikalne obawy. Przykładowo, część objawów schizofrenii jest przypisywana też depresji, a część schizoidalnemu zaburzeniu osobowości. Oczywiście tylko utrudnia to właściwą klasyfikację.

Mimo to, psychiatrzy świetnie radzą sobie z diagnozowaniem pacjentów bez konieczności zadawania im 250 podobnych do siebie pytań, na które większość odpowiedzi brzmi "nie". Jaki jest ich sekret? Nie używają kwestionariuszy - rozmawiają z pacjentem i analizują jego otwarte odpowiedzi. Stawiają hipotezy i potwierdzają je pytaniami pogłębiającymi.

Jak stworzyć algorytm imitujący psychiatrę?

To wszystko brzmi fajnie, ale dlaczego w takim razie nikt jeszcze nie zbudował algorytmu imitującego psychiatrę? Otóż do niedawna automatyczna analiza tekstu pisanego przez człowieka, była dla nas niedostępna. Całe szczęście jednak dziedzina sztucznej inteligencji się rozwija i mamy już do dyspozycji świetne modele radzące sobie nie tylko z rozpoznawaniem i klasyfikowaniem wypowiedzi, ale też generowaniem tekstu,

W tym artykule prezentujemy podejście, które obrałyśmy, tworząc chatbota-psychiatrę MindMatch. Chatbot MindMatch przewiduje prawdopodobieństwo zaburzeń psychicznych i ich źródeł, oraz dopasowuje psychologów, psychoterapeutów, seksuologów, pedagogów lub psychiatrów, którzy mają najlepsze doświadczenie w tym obszarze. Ten artykuł skupia się tylko na opisie części rozpoznawania zaburzeń, zupełnie pomija rekomendacje psychoterapeutów.

Z racji na nasze skromne zasoby, projekt musiał być proste w realizacji. W praktyce wyeliminowało to możliwość trenowania algorytmu. W celu efektywnego trenowania jakiegokolwiek modelu klasyfikacji tekstu, musiałybyśmy zgromadzić olbrzymią ilość danych - optymalnie, opisów stanów psychicznych pacjentów sklasyfikowanych pod kątem zaburzeń psychicznych. Tak więc jedyną dostępną opcją było użycie jednego z modeli zwanych "zero-shot classification". Termin ten odnosi się do model zdolnych do klasyfikacji na kategorie, których nie widziały podczas treningu. Praktycznie, nie potrzebują one żadnych dodatkowych danych - wystarczy im tylko tekst do klasyfikacji (w naszym przypadku, to co pacjent napisze do chatbota) oraz kategorie (w naszym przypadku, choroby i zaburzenia psychiczne).

Z uwagi jednak na (opisane niżej) ograniczenia modelu "zero-shot classification", zdecydowałyśmy się nie klasyfikować tekstu od razu na choroby psychiczne. Rozbiłyśmy ten etap na dwie części:

1. Klasyfikacja tekstu na objawy zaburzeń z wykorzystaniem zero-shot classification.
2. "Grupowanie" objawów w zaburzenia psychiczne z pomocą modelu uczenia maszynowego XGBoost.

Dzięki temu jesteśmy w stanie lepiej klasyfikować tekst na zaburzenia psychiczne.

Model klasyfikacji tekstu na symptomy

Jak wyżej wytłumaczyłyśmy, zero-shot classification to uprzednio wytrenowane modele, które mają umiejętność klasyfikowania tekstu na niewidziane przy trenowaniu klasy (ładna nazwa na kategorie). Osiągają to wykorzystując ich podobieństwo klas do tych, na których były pierwotnie trenowane. Dlatego przy wyborze klas kluczowe było, aby były to powszechnie znane słowa, najlepiej nawet widziane podczas trenowania modelu.

Testowałyśmy różne rozwiązania, zaczynając od klinicznych nazw zaburzeń, następnie bardziej opisowych aliasów dla zaburzeń i ostatecznie samych objawów zgrupowanych potem w zaburzenia. Ostatecznie zdecydowałyśmy się na używanie tylko bardzo zrozumiałych i różnicujących objawów zaburzeń psychicznych (smutek, urojenia, stres itd) jako etykiet, a następnie grupowanie ich w zaburzenia. Wprowadziłyśmy więc kolejną warstwę, w której zbieramy przewidywania z fazy zero-shot classification i używamy algorytmu uczenia maszynowego (Machine Learning) aby pogrupować je w zaburzenia psychiczne.

Model grupowania symptomów w zaburzenia psychiczne

Pod pojęciem modelu grupującego symptomy mamy na myśli model, który analizuje dane w formie tabeli, w której kolumny reprezentują objawy zidentyfikowane podczas klasyfikacji tekstu, a wartości to prawdopodobieństwo wystąpienia tych symptomów. Model ten przewiduje prawdopodobieństwo występowania zaburzeń psychicznych. Zastosowałyśmy tutaj standardowy algorytm uczenia maszynowego, XGBoost. Do jego treningu użyłyśmy danych zgromadzonych od pacjentów, którzy już otrzymali diagnozę, za pomocą specjalnej ankiety psychologicznej. Ostatecznie, uwzględniając ten dodatkowy etap, cały proces diagnostyczny wygląda następująco: dane wejściowe → zero-shot classification identyfikujące symptomy w tekście → przewidywanie chorób na podstawie zidentyfikowanych objawów za pomocą klasyfikacji XGBoost → dane wyjściowe.

Fine-tuning (dostrajanie modelu)

Gdy już skompletowałyśmy model, skupiłyśmy się na jego doskonaleniu. W przypadku klasyfikacji zero-shot oznaczało to dokładniejsze trenowanie modelu, a dla XGBoost optymalizację parametrów. W efekcie, doszkoliłyśmy model zero-shot classification, korzystając z pytań, które pacjenci zadawali na forach psychologicznych. Do dostrojenia parametrów w algorytmie XGBoost użyłyśmy GridSearch, czyli techniki umożliwiającej szybkie sprawdzanie efektywności modelu dla różnorodnych zestawów parametrów. Te działania znacznie poprawiły precyzję wyników generowanych przez nasz model.

Czy to działa? Wydajność i uwagi końcowe.

Chatbot na ogół generuje odpowiedzi, które są sensowne, jednak wykazuje skłonność do nadmiernego przewidywania zaburzeń osobowości typu borderline i rzadko przewiduje ADHD. Zdecydowałyśmy, że warto wydać użytkownikom precyzyjne wskazówki, aby chatbot otrzymywał dane, które pozwolą na wyciągnięcie jak najwięcej wartościowych wniosków.

1. Tekst wprowadzany przez użytkownika powinien mieć minimum 60, ale nie więcej niż 300 znaków. Kiedy informacji jest zbyt mało, algorytm generuje wyniki, które mogą wydawać się nieco przypadkowe, często nadinterpretując przedstawione symptomy. Z kolei zbyt rozbudowane odpowiedzi mogą zdezorientować chatbota, co skutkuje pominięciem kluczowych informacji.
2. Sugerujemy użytkownikowi, aby skoncentrował się na opisie swoich emocji lub zachowań i wspomniał o wyzwalaczach tych emocji. Algorytm przewiduje symptomy, które z reguły mają silne powiązanie z emocjami.

W przyszłości planujemy rozbudować to narzędzie do postaci pełnoprawnego chatbota - umożliwiając botowi zadawanie pytań pogłębiających i dodając więcej kwestii dotyczących tła pacjenta (np. dzieciństwo, doświadczenia z rodzicielstwem itp). Pozwoli to zwiększyć dokładność przewidywań chatbota, gdyż będzie mógł "weryfikować" swoje hipotezy podobnie jak lekarze psychiatrzy podczas diagnostyki. O wszelkich zmianach będziemy informować na stronie MindMatch.pl - zachęcamy do śledzenia. Link do chatbota jest dostępny tutaj.

FAQ - często zadawane pytania

Czy chatbot to sztuczna inteligencja?

Sam w sobie chatbot to tylko konwersacyjny interfejs - mógłby też być obsługiwany przez sztywne odpowiedzi ze strony chatbota. W naszym wypadku jednak za tym co odpowiada chatbot psychiatra rzeczywiście stoi sztuczna inteligencja. Wykorzystujemy sieci neuronowe do analizy tekstu oraz uczenie maszynowe do grupowania rozpoznanych symptomów w zaburzenia psychiczne.

Czy AI zastąpi psychologów?

Odpowiedź na to pytanie brzmi - na razie nie i jeszcze przez bardzo długi czas nie. Nawet gdyby ktoś zbudował idealny model, który byłby w stanie idealnie zdiagnozować zaburzenie a następnie poprowadzić terapię odpowiadając na każdy rodzaj traumy, tła życiowego i zaburzeń ze strony pacjenta - to i tak nie zastąpi relacji międzyludzkiej. W terapii chodzi również o tzw. wygadanie się komuś i bycie wysłuchanym. Komputer na razie nie ma takich funkcji. Poza tym sami jeszcze na 100% nie wiemy jakie metody terapii są najlepsze dla każdego przypadku - zatem nie mamy jak modelu tego nauczyć.