Déployer l’apprentissage automatique pour améliorer la santé mentale | Nouvelles du MIT

Un expert en apprentissage automatique et un psychologue/chercheur clinique peuvent sembler un binôme improbable. Mais le MIT Rosalinde Piccard et Hôpital général du Massachusetts Paula Badrelli Unis par la conviction que l’intelligence artificielle peut contribuer à rendre les soins de santé mentale plus accessibles aux patients.

“Il est devenu très clair qu’il existe un certain nombre d’obstacles à l’obtention et à la réception de soins appropriés pour les patients souffrant de troubles de santé mentale”, a déclaré Mme Pedrelli au cours de ses 15 années en tant que médecin et chercheuse en psychologie. Ces obstacles peuvent inclure le fait de savoir quand et où chercher de l’aide, de trouver un fournisseur de soins à proximité pour prendre les patients et d’obtenir des ressources financières et un moyen de transport pour se rendre aux rendez-vous.

Pedrelli est professeur adjoint de psychologie à la Harvard Medical School et directeur associé du programme de recherche clinique et sur la dépression au Massachusetts General Hospital (MGH). Depuis plus de cinq ans, elle collabore avec Picard, professeur d’arts et sciences médiatiques au MIT et chercheur principal au MIT. Clinique Abdul Latif Jameel pour l’apprentissage automatique dans le domaine de la santé Jameel Clinic participe à un projet de développement d’algorithmes d’apprentissage automatique pour aider à diagnostiquer et à surveiller les changements de symptômes chez les patients atteints de trouble dépressif majeur.

L’apprentissage automatique est un type de technique d’intelligence artificielle où, lorsqu’une machine reçoit beaucoup de données et d’exemples de bon comportement (par exemple, quelle sortie sera produite lorsqu’elle verra une certaine entrée), elle peut être bonne pour effectuer une tâche. indépendamment. Cela peut également aider à identifier des modèles significatifs, que les humains n’auraient peut-être pas été en mesure de trouver rapidement sans l’aide d’une machine. En utilisant les appareils portables et les smartphones des participants à l’étude, Picard et Pedrelli peuvent collecter des données détaillées sur le comportement et la température de la peau des participants, la fréquence cardiaque, les niveaux d’activité, la socialisation, l’évaluation subjective de la dépression, les habitudes de sommeil, etc. Leur objectif est de développer des algorithmes d’apprentissage automatique capables d’ingérer cette grande quantité de données et de la rendre significative – en déterminant quand un individu pourrait souffrir et ce qui pourrait lui être bénéfique. Ils espèrent que leurs algorithmes fourniront éventuellement aux cliniciens et aux patients des informations utiles sur l’évolution d’une maladie individuelle et un traitement efficace.

“Nous essayons de construire des modèles sophistiqués qui ont la capacité non seulement de dire ce que les gens ont en commun, mais aussi de dire des catégories de ce qui change dans la vie d’un individu”, explique Pickard. “Nous voulons offrir aux personnes qui le souhaitent la possibilité d’accéder à des informations personnelles fondées sur des preuves, qui font une différence pour leur santé.”

Apprentissage automatique et santé mentale

Piccard a rejoint le MIT Media Lab en 1991. Trois ans plus tard, elle a publié un livre intitulé Affective Computing, qui a stimulé le développement d’un domaine portant ce nom. L’informatique affective est désormais un domaine de recherche important qui concerne le développement de technologies capables de mesurer, de détecter et de modéliser des données sur les émotions des gens.

Alors que les premières recherches visaient à déterminer si l’apprentissage automatique pouvait utiliser des données pour déterminer les émotions actuelles d’un participant, les travaux actuels de Picard et Pedrelli à la Jameel Clinic du MIT font plusieurs pas en avant. Ils veulent voir si l’apprentissage automatique peut estimer l’évolution du trouble, identifier les changements dans le comportement d’un individu et fournir des données qui éclairent les soins médicaux personnalisés.

Picard et Simon Fedor, chercheur au laboratoire d’informatique affective de Picard, ont commencé à collaborer avec Pedrelli en 2016. Après avoir mené une petite étude pilote, ils en sont maintenant à la quatrième année d’une étude de cinq ans financée par les National Institutes of Health.

Pour mener l’étude, les chercheurs ont recruté des participants à l’HGM souffrant d’un trouble dépressif majeur qui avaient récemment changé de traitement. Jusqu’à présent, 48 participants ont été inscrits à l’étude. Pendant 22 heures par jour, tous les jours pendant 12 semaines, les participants portent les bracelets Empatica E4. Conçus par l’une des sociétés fondées par Picard, ces bracelets portables peuvent capturer des informations sur des données biométriques, telles que l’activité électrique de la peau. Les participants téléchargent également des applications sur leurs téléphones qui collectent des données sur les SMS, les appels téléphoniques, la localisation et l’utilisation des applications, et leur demandent également de répondre à une enquête bimensuelle sur la dépression.

Chaque semaine, les patients voient un médecin qui évalue leurs symptômes de dépression.

“Nous mettons toutes les données que nous avons collectées à partir du smartphone portable dans notre propre algorithme d’apprentissage automatique, et nous essayons de voir comment l’apprentissage automatique prédit les étiquettes données par les cliniciens”, explique Pickard. “Pour le moment, nous sommes très bons pour prédire ces notes.”

Activer les utilisateurs

Si le développement d’algorithmes d’apprentissage automatique efficaces est un défi pour les chercheurs, la conception d’un outil qui responsabilisera et élèvera ses utilisateurs en est un autre. Pickard déclare : “La question sur laquelle nous nous concentrons vraiment en ce moment est la suivante : une fois que vous avez des algorithmes d’apprentissage automatique, comment cela aidera-t-il les gens ?”

Picard et son équipe réfléchissent de manière critique à la manière dont les algorithmes d’apprentissage automatique peuvent fournir leurs résultats aux utilisateurs : via un nouvel appareil, une application pour smartphone ou même un moyen d’informer un médecin ou un membre de la famille présélectionné de la meilleure façon de soutenir l’utilisateur.

Par exemple, imaginez une technique qui enregistre qu’une personne a dormi moins récemment, est restée plus à l’intérieur et a un rythme cardiaque plus rapide que la normale. Ces changements peuvent être si subtils que l’individu et ses proches ne les ont pas encore remarqués. Les algorithmes d’apprentissage automatique peuvent être en mesure de donner un sens à ces données et de les tirer des expériences passées d’un individu et de celles d’autres utilisateurs. La technologie peut alors être en mesure d’encourager l’individu à adopter certains comportements qui ont amélioré son bien-être dans le passé, ou à communiquer avec son médecin.

S’il est mis en œuvre de manière incorrecte, ce type de technologie peut potentiellement avoir des effets néfastes. Si une application avertit quelqu’un qu’il se dirige vers une dépression profonde, il peut s’agir d’informations décourageantes qui conduisent à des sentiments plus négatifs. Pedrelli et Picard impliquent de vrais utilisateurs dans le processus de conception pour créer un outil utile et non nuisible.

“Ce qui peut être efficace, c’est un outil qui peut dire à l’individu ‘La raison de votre frustration peut être que les données sur votre sommeil ont changé, les données sur votre activité sociale, vous n’avez pas passé de temps avec vos amis, votre activité physique a été réduite. La recommandation est que vous trouviez un moyen d’augmenter ces choses “, déclare Pickard. L’équipe accorde également la priorité à la confidentialité des données et au consentement éclairé.

Pickard affirme que l’IA et les algorithmes d’apprentissage automatique peuvent établir des liens et identifier des modèles dans de grands ensembles de données que les humains ne sont pas doués pour observer. “Je pense qu’il y a un argument réel et convaincant à faire valoir pour que la technologie aide les gens à être plus intelligents avec les gens.”

Leave a Comment

Your email address will not be published.