Diagnosticar la depresión es un negocio complicado.
No hay análisis de sangre, escaneo, ni biopsia para proporcionar evidencia sólida de que algo salió mal. En cambio, todo el peso está en la habilidad de un clínico capacitado para hacer una evaluación basada en gran medida en las respuestas de una persona a una serie de preguntas estándar. El diagnóstico se complica aún más por el hecho de que la depresión se puede exhibir de múltiples maneras, desde la apatía hasta la agitación y los patrones extremos de alimentación o sueño.
Por lo tanto, la noción de que la inteligencia artificial podría ayudar a predecir si una persona sufre de depresión es potencialmente un gran paso adelante, aunque conlleva preguntas sobre cómo podría usarse.
Lo que lo hace posible, dice Tuka Alhanai, investigadora del Laboratorio de Ciencias de la Computación e Inteligencia Artificial (CSAIL) del MIT, es la capacidad de un modelo de aprendizaje automático para identificar patrones de habla y lenguaje asociados con la depresión. Más importante aún, el modelo que ella y su compañero científico del MIT Mohammad Ghassemi desarrollaron fue capaz de reconocer la depresión con un grado relativamente alto de precisión al analizar cómo hablan las personas, en lugar de sus respuestas específicas a las preguntas de un médico.
Es a lo que Alhanai se refiere como análisis "sin contexto"; en otras palabras, el modelo toma las señales de las palabras que las personas eligen y cómo las dicen, sin tratar de interpretar el significado de sus declaraciones.
"En lugar de decirle al modelo que se centre en las respuestas a preguntas particulares, está programado para descubrir por sí mismo en qué quiere enfocarse", dice ella.
El beneficio potencial, señala Alhanai, es que este tipo de enfoque de red neuronal podría algún día usarse para evaluar las conversaciones más naturales de una persona fuera de una entrevista formal y estructurada con un médico. Eso podría ser útil para alentar a las personas a buscar ayuda profesional cuando de otro modo no lo harían, debido al costo, la distancia o simplemente la falta de conciencia de que algo anda mal.
"Si desea implementar modelos de forma escalable", dice, "desea minimizar la cantidad de restricciones que tiene sobre los datos que está utilizando. Desea implementarlo en cualquier conversación regular y hacer que el modelo recoja, desde la interacción natural, el estado del individuo ".
Patrones de manchas
El modelo se centró en audio, video y transcripciones de 142 entrevistas de pacientes, alrededor del 30 por ciento de los cuales habían sido diagnosticados con depresión por los médicos. Específicamente, utilizó una técnica llamada modelado de secuencias, en la cual las secuencias de texto y datos de audio de personas deprimidas y no deprimidas se introdujeron en el modelo. A partir de eso, surgieron diferentes patrones de habla para personas con y sin depresión. Por ejemplo, palabras como "triste", "bajo" o "deprimido" pueden tender a combinarse con señales de voz que son más planas y más monótonas.
Pero dependía del modelo determinar qué patrones eran consistentes con la depresión. Luego aplicó lo aprendido para predecir qué sujetos nuevos estaban deprimidos. Finalmente, logró una tasa de éxito del 77 por ciento en la identificación de la depresión.
Los investigadores también encontraron que el modelo necesitaba considerablemente más datos para predecir la depresión únicamente a partir de cómo sonaba una voz, en lugar de las palabras que usaba una persona. Con este último, cuando se centró exclusivamente en el texto, el modelo necesitaba analizar un promedio de solo siete secuencias para predecir la depresión. Pero cuando se usa solo audio de voz, se requieren 30 secuencias. Eso sugiere que las palabras que elige una persona son un mejor predictor de depresión que cómo suenan.
¿Alcance algorítmico?
Todavía es demasiado pronto para decir cómo se podría incorporar un modelo de IA en el diagnóstico de depresión. "Es un paso hacia la capacidad de analizar más interacciones de forma libre, pero es solo un paso inicial", dice James Glass, científico investigador senior en CSAIL. Señala que la muestra de prueba era "pequeña". También dice que los investigadores querrán tratar de comprender mejor qué patrones específicos de todos los datos en bruto que el modelo identificó como indicativos de depresión.
"Estos sistemas son más creíbles cuando tienes una explicación de lo que están aprendiendo", dice.
Eso es importante porque toda la idea de usar IA en el diagnóstico de afecciones de salud mental se ha encontrado con su parte de escepticismo. Ya se está utilizando en chatbots de terapia, como Woebot, pero participar en el diagnóstico real llevaría el papel de las máquinas a otro nivel.
El médico canadiense Adam Hofmann, que escribió recientemente en el Washington Post, advirtió sobre las posibles consecuencias de lo que denominó "sobrealcance algorítmico".
"Los falsos positivos, por ejemplo, podrían llevar a las personas que aún no están deprimidas a creer que sí", escribió. “La salud mental de uno es una interacción compleja de factores genéticos, físicos y ambientales. Sabemos de los efectos placebo y nocebo en la medicina, cuando los usuarios ciegos de las píldoras de azúcar experimentan los efectos positivos o negativos de un medicamento porque tienen expectativas positivas o negativas.
"Que te digan que no estás bien podría literalmente hacerlo".
Hofmann también expresó su preocupación por cuánto tiempo las conclusiones de tales herramientas de diagnóstico de IA podrían mantenerse fuera de terceros, como las aseguradoras o los empleadores. Esa ansiedad sobre el posible abuso a través de "detectores de depresión" también se citó en una reciente publicación de blog en The Next Web.
Alhanai y Glass han escuchado la especulación aprensiva sobre los riesgos de confiar demasiado en los modelos de IA para el diagnóstico de salud mental. Pero dicen que su investigación está orientada a ayudar a los médicos, no a reemplazarlos.
"Tenemos la esperanza de poder proporcionar una forma complementaria de análisis", dice Glass. “El paciente no está con el médico todo el tiempo. Pero si el paciente está hablando en su casa desde su teléfono, tal vez grabando un diario y la máquina detecta un cambio, puede indicarle al paciente que deben comunicarse con el médico.
"No vemos la tecnología tomando decisiones en lugar del clínico", agrega. “Lo consideramos como otra medida de entrada para el clínico. Todavía tendrían acceso a todas las entradas actuales que usan. Esto sería simplemente darles otra herramienta en su caja de herramientas ".
