Ερευνητές αναπτύσσουν μοντέλα πρόβλεψης άγχους και κατάθλιψης με τη βοήθεια της τεχνητής νοημοσύνης και του Twitter

Ερευνητές στο Πανεπιστήμιο του Σάο Πάολο (USP) στη Βραζιλία αναπτύσσουν μοντέλα πρόβλεψης άγχους και κατάθλιψης με τη βοήθεια της τεχνητής νοημοσύνης και του Twitter, που θα μπορούσαν μελλοντικά να παρέχουν ενδείξεις αυτών των διαταραχών πριν από την κλινική διάγνωση.

Αρχικά, η επιστημονική ομάδα δημιούργησε μια βάση δεδομένων που ονομάζεται SetembroBR. Το όνομά της παραπέμπει στον «Κίτρινο Σεπτέμβριο», μια ετήσια εκστρατεία ευαισθητοποίησης και πρόληψης των αυτοκτονιών, καθώς και στο γεγονός ότι η συλλογή δεδομένων για τη μελέτη ξεκίνησε μια μέρα του Σεπτεμβρίου.

Το δεύτερο βήμα της μελέτης βρίσκεται ακόμη σε εξέλιξη, αλλά ήδη έχει δώσει κάποια προκαταρκτικά ευρήματα. Για παράδειγμα, οι ερευνητές μπόρεσαν να ανιχνεύσουν την πιθανότητα εμφάνισης κατάθλιψης μόνο με βάση τους φίλους και τους ακολούθους ενός ατόμου, χωρίς να λάβουν υπόψη τις δικές του αναρτήσεις.

Η βάση δεδομένων που συνέταξε η ομάδα περιέχει πληροφορίες σχετικά με ένα σώμα κειμένων (στα πορτογαλικά) και ένα δίκτυο που περιλαμβάνει 3.900 χρήστες του Twitter, οι οποίοι ανέφεραν ότι είχαν διαγνωστεί με προβλήματα ψυχικής υγείας ή είχαν υποβληθεί σε θεραπεία για αυτά πριν από την έρευνα. Το σώμα κειμένων περιλαμβάνει 47 εκατομμύρια tweets των συγκεκριμένων χρηστών.

«Αρχικά, αναλύσαμε τις αναρτήσεις περίπου 19.000 χρηστών που αντιστοιχούν στον πληθυσμό ενός χωριού ή μιας μικρής πόλης. Στη συνέχεια χρησιμοποιήσαμε δύο σύνολα δεδομένων, ένα για τους χρήστες που ανέφεραν ότι είχαν διαγνωστεί με κάποιο πρόβλημα ψυχικής υγείας και ένα άλλο που επιλέχθηκε τυχαία για την ομάδα ελέγχου. Θέλαμε να κάνουμε διάκριση μεταξύ των ατόμων με κατάθλιψη και του γενικού πληθυσμού», δήλωσε ο Ιβάντρε Παραμπόνι, συγγραφέας της μελέτης που δημοσιεύθηκε στο περιοδικό «Language Resources and Evaluation» και καθηγητής στη Σχολή Τεχνών, Επιστημών και Ανθρωπιστικών Επιστημών του USP.

Οι ερευνητές συνέλεξαν επίσης αναρτήσεις φίλων και ακολούθων των χρηστών βασιζόμενοι στην υπόθεση ότι τα άτομα με προβλήματα ψυχικής υγείας τείνουν να ακολουθούν ορισμένους λογαριασμούς, όπως φόρουμ συζητήσεων, influencers και διασημότητες που έχουν μιλήσει ανοιχτά για την κατάθλιψη.

«Αυτοί οι άνθρωποι έλκονται μεταξύ τους. Έχουν κοινά ενδιαφέροντα», δήλωσε ο Παραμπόνι, ο οποίος είναι επίσης ερευνητής στο Κέντρο Τεχνητής Νοημοσύνης (C4AI).

Τον περασμένο Ιούνιο ο Παγκόσμιος Οργανισμός Υγείας (ΠΟΥ) κάλεσε όλες τις χώρες να επενδύσουν περισσότερο στην ψυχική υγεία, επισημαίνοντας ότι «ο πόνος είναι τεράστιος» και επιδεινώθηκε από την πανδημία covid-19. Ο ΠΟΥ εκτιμά- με βάση τα στοιχεία του 2021- ότι το 3,8% του παγκόσμιου πληθυσμού ή περίπου 280 εκατομμύρια άνθρωποι πάσχουν από κατάθλιψη. Ο διεθνής οργανισμός εκτίμησε επίσης ότι ο παγκόσμιος επιπολασμός των προβλημάτων ψυχικής υγείας αυξήθηκε κατά 25% κατά τη διάρκεια της πανδημίας COVID-19. Οι αναρτήσεις που συνέλεξαν οι ερευνητές για τη μελέτη ήταν από εκείνη την περίοδο.

Σε πρόσφατη έρευνα του υπουργείου Υγείας της Βραζιλίας, στην οποία συμμετείχαν 784.000 άτομα, το 11,3% – ως επί το πλείστον γυναίκες – δήλωσε ότι είχε διαγνωστεί με κατάθλιψη.

Σύμφωνα με προηγούμενες έρευνες, τα προβλήματα ψυχικής υγείας αντικατοπτρίζονται συχνά από τη γλώσσα που χρησιμοποιούν οι πάσχοντες. Η διαπίστωση αυτή οδήγησε σε σημαντικό αριθμό μελετών που αφορούν την επεξεργασία φυσικής γλώσσας (NLP), με έμφαση στην κατάθλιψη, το άγχος και τη διπολική διαταραχή, μεταξύ άλλων. Ωστόσο, οι περισσότερες από αυτές τις μελέτες αναλύουν κείμενα στην αγγλική γλώσσα και δεν ανταποκρίνονται πάντα στο προφίλ των περισσότερων Βραζιλιάνων.

Πώς αναπτύσσουν οι ερευνητές τα μοντέλα

Οι ερευνητές προ-επεξεργάστηκαν το σώμα κειμένων για να αφαιρέσουν τα hashtags, τις διευθύνσεις URL, τα emoticons και τους μη τυποποιημένους χαρακτήρες, διατηρώντας παράλληλα το πρωτότυπο περιεχόμενο. Στη συνέχεια, δημιούργησαν τέσσερις ταξινομητές κειμένου και ενσωματώσεις λέξεων (μια μορφή αναπαράστασης λέξεων) με τη βοήθεια της βαθιάς μάθησης, χρησιμοποιώντας μοντέλα που βασίζονται σε αμφίδρομες αναπαραστάσεις κωδικοποιητή από μετασχηματιστές (BERT), έναν αλγόριθμο μηχανικής μάθησης για NLP. Αυτά τα μοντέλα αντιστοιχούν σε ένα νευρωνικό δίκτυο που μαθαίνει συμφραζόμενα και έννοιες παρακολουθώντας τις διαδοχικές σχέσεις δεδομένων, όπως οι λέξεις σε μια πρόταση.

Το συμπέρασμα ήταν ότι το BERT είχε την καλύτερη απόδοση όσον αφορά την πρόβλεψη της κατάθλιψης και του άγχους, με στατιστικά σημαντική διαφορά μεταξύ αυτής και της LogReg, της επόμενης καλύτερης επιλογής. Επειδή τα μοντέλα ανέλυσαν ακολουθίες λέξεων και πλήρεις προτάσεις, οι ερευνητές μπόρεσαν να διαπιστώσουν ότι τα άτομα με κατάθλιψη έτειναν να γράφουν για προσωπικά τους θέματα καθώς και για τον θάνατο, την κρίση και την ψυχολογία.

«Τα σημάδια της κατάθλιψης που μπορούν να εντοπιστούν κατά τη διάρκεια μιας επίσκεψης στον γιατρό δεν είναι απαραίτητα τα ίδια με αυτά που εμφανίζονται στα μέσα κοινωνικής δικτύωσης», εξήγησε ο Παραμπόνι. «Για παράδειγμα, ήταν πολύ εμφανής η χρήση των αντωνυμιών σε πρώτο πρόσωπο και στην ψυχολογία αυτό θεωρείται κλασικό σημάδι κατάθλιψης. Παρατηρήσαμε επίσης ότι οι χρήστες με κατάθλιψη χρησιμοποιούσαν συχνά το emoji καρδιά. Αυτό θεωρείται ευρέως ως σύμβολο στοργής και αγάπης, αλλά ίσως οι ψυχολόγοι να μην το χαρακτηρίζουν έτσι».

Όλες οι αναρτήσεις που συλλέχθηκαν ήταν ανώνυμες.

«Δεν δημοσιεύσαμε ούτε τα πραγματικά tweets ούτε τα ονόματα των χρηστών. Φροντίσαμε να διασφαλίσουμε ότι οι φοιτητές που συμμετείχαν στο πρόγραμμα δεν είχαν πρόσβαση στα δεδομένα των χρηστών, ώστε να προστατεύσουμε την ταυτότητα των ατόμων», δήλωσε.

Οι ερευνητές επεκτείνουν τώρα τη βάση δεδομένων τους, τελειοποιούν τις υπολογιστικές τεχνικές και αναβαθμίζουν τα μοντέλα, προκειμένου να αναπτύξουν ένα εργαλείο για τον έλεγχο των υποψήφιων πασχόντων από προβλήματα ψυχικής υγείας και να βοηθήσουν τις οικογένειες και τους φίλους των νέων που κινδυνεύουν από κατάθλιψη και άγχος.

Σύμφωνα με έρευνα της Comscore που δημοσιεύθηκε στις αρχές Μαρτίου, η Βραζιλία κατατάσσεται στην τρίτη θέση μεταξύ των χωρών που χρησιμοποιούν περισσότερο τα μέσα κοινωνικής δικτύωσης στον κόσμο, πίσω από την Ινδία και την Ινδονησία, αλλά μπροστά από τις Ηνωμένες Πολιτείες, το Μεξικό και την Αργεντινή. Σύμφωνα με την έρευνα, τα 131,5 εκατομμύρια χρήστες περνούν 46 ώρες το μήνα στα μέσα κοινωνικής δικτύωσης. Οι πιο διαδεδομένες πλατφόρμες είναι το YouTube, το Facebook, το Instagram, το TikTok, το Kwai και το Twitter, το οποίο πρόσφατα άλλαξε τους κανόνες του και άρχισε να χρεώνει για ορισμένες υπηρεσίες.

ΠΗΓΗ: Medicalxpress