روزالیند پیکارد، دانشمند MIT، با پزشکان برای ایجاد ابزارهایی برای ارائه مراقبت های بهداشتی روانی همکاری می کند.

یک متخصص یادگیری ماشینی و یک محقق/پزشک روانشناسی ممکن است دو نفر بعید به نظر برسند. اما Rosalind Picard از MIT و Paola Pedrelli از بیمارستان عمومی ماساچوست با این باور که هوش مصنوعی ممکن است بتواند به مراقبت‌های بهداشت روانی در دسترس‌تر برای بیماران کمک کند متحد هستند.

پدرلی در 15 سالی که به عنوان پزشک و محقق در روانشناسی فعالیت می کند، می گوید: «بسیار واضح است که تعدادی از موانع برای دسترسی و دریافت مراقبت کافی برای بیماران مبتلا به اختلالات سلامت روان وجود دارد.» این موانع ممکن است شامل فهمیدن زمان و مکان جستجوی کمک، یافتن ارائه‌دهنده نزدیک که بیماران را می‌برد، و به دست آوردن منابع مالی و حمل‌ونقل برای حضور در قرار ملاقات باشد.




پدرلی استادیار روانشناسی در دانشکده پزشکی هاروارد و معاون برنامه تحقیقاتی و بالینی افسردگی در بیمارستان عمومی ماساچوست (MGH) است. برای بیش از پنج سال، او با پیکارد، استاد هنر و علوم رسانه ای MIT و محقق اصلی در کلینیک ام آی تی عبداللطیف جمیل برای یادگیری ماشینی در سلامت (کلینیک جمیل) در پروژه ای برای توسعه الگوریتم های یادگیری ماشینی همکاری می کند. کمک به تشخیص و نظارت بر تغییرات علائم در بیماران مبتلا به اختلال افسردگی اساسی.

یادگیری ماشینی نوعی از فناوری هوش مصنوعی است که در آن، زمانی که به ماشین داده‌های زیادی و نمونه‌هایی از رفتار خوب داده می‌شود (یعنی وقتی یک ورودی خاص را می‌بیند، چه خروجی تولید کند)، می‌تواند به طور مستقل یک کار را به خوبی انجام دهد. همچنین می‌تواند به شناسایی الگوهای معنادار کمک کند، که ممکن است انسان‌ها بدون کمک دستگاه قادر به یافتن آن‌ها به سرعت نباشند. با استفاده از دستگاه‌های پوشیدنی و تلفن‌های هوشمند شرکت‌کنندگان در مطالعه، Picard و Pedrelli می‌توانند داده‌های دقیقی در مورد رسانایی پوست و درجه حرارت، ضربان قلب، سطح فعالیت، اجتماعی شدن، ارزیابی شخصی افسردگی، الگوهای خواب و غیره جمع‌آوری کنند. هدف آن‌ها توسعه الگوریتم‌های یادگیری ماشینی است که می‌توانند این حجم عظیم از داده‌ها را دریافت کنند و آن را معنادار کنند – تشخیص اینکه چه زمانی ممکن است فردی با مشکل مواجه شود و چه چیزی ممکن است برای او مفید باشد. آنها امیدوارند که الگوریتم های آنها در نهایت پزشکان و بیماران را با اطلاعات مفیدی در مورد مسیر بیماری فردی و درمان موثر مجهز کند.

پیکارد می‌گوید: «ما در تلاش هستیم تا مدل‌های پیچیده‌ای بسازیم که نه‌تنها توانایی یادگیری آنچه را که در بین مردم رایج است، بلکه دسته‌بندی‌هایی از آنچه در زندگی افراد در حال تغییر است را بیاموزند. ما می‌خواهیم به افرادی که می‌خواهند این فرصت را بدهیم تا به اطلاعاتی که مبتنی بر شواهد و شخصی‌سازی شده است دسترسی داشته باشند و برای سلامتی آنها تفاوت ایجاد کند.»



یادگیری ماشینی و سلامت روان

پیکارد در سال 1991 به آزمایشگاه رسانه MIT ملحق شد. سه سال بعد، او کتابی به نام «محاسبات عاطفی» منتشر کرد که باعث توسعه رشته ای با این نام شد. محاسبات عاطفی در حال حاضر یک حوزه تحقیقاتی قوی است که با توسعه فناوری‌هایی مرتبط است که می‌تواند داده‌های مربوط به احساسات افراد را اندازه‌گیری، حس کند و مدل‌سازی کند.

در حالی که تحقیقات اولیه بر تعیین اینکه آیا یادگیری ماشینی می‌تواند از داده‌ها برای شناسایی احساسات فعلی یک شرکت‌کننده استفاده کند یا خیر، متمرکز بود، کار فعلی پیکارد و پدرلی در کلینیک Jameel MIT چندین قدم فراتر می‌رود. آنها می‌خواهند بدانند که آیا یادگیری ماشینی می‌تواند مسیر اختلال را تخمین بزند، تغییرات در رفتار فرد را شناسایی کند، و داده‌هایی را ارائه کند که مراقبت‌های پزشکی شخصی‌سازی شده را ارائه دهد.

پیکارد و شیمون فدور، دانشمند تحقیقاتی در آزمایشگاه محاسبات عاطفی پیکارد، همکاری با پدرلی را در سال 2016 آغاز کردند. پس از اجرای یک مطالعه آزمایشی کوچک، اکنون در چهارمین سال مطالعه پنج ساله با بودجه موسسه ملی سلامت خود هستند.

برای انجام این مطالعه، محققان شرکت کنندگان MGH مبتلا به اختلال افسردگی اساسی را که اخیراً درمان خود را تغییر داده اند، انتخاب کردند. تاکنون 48 شرکت کننده در این مطالعه ثبت نام کرده اند. به مدت 22 ساعت در روز، هر روز به مدت 12 هفته، شرکت کنندگان از مچ بند Empatica E4 استفاده می کنند. این مچ بندهای پوشیدنی که توسط یکی از شرکت‌هایی که پیکارد تأسیس کرده است، طراحی شده‌اند، می‌توانند اطلاعات مربوط به داده‌های بیومتریک، مانند فعالیت الکترودرمال (پوست) را دریافت کنند. شرکت‌کنندگان همچنین برنامه‌هایی را بر روی تلفن خود دانلود می‌کنند که داده‌های مربوط به پیام‌های متنی و تماس‌های تلفنی، موقعیت مکانی و استفاده از برنامه را جمع‌آوری می‌کند و همچنین از آنها می‌خواهد که یک نظرسنجی افسردگی دو هفته‌ای را تکمیل کنند.

هر هفته، بیماران به پزشک مراجعه می کنند که علائم افسردگی آنها را ارزیابی می کند.

پیکارد می‌گوید: «ما تمام داده‌هایی را که از دستگاه‌های پوشیدنی و گوشی‌های هوشمند جمع‌آوری کرده‌ایم در الگوریتم یادگیری ماشینی خود قرار می‌دهیم و سعی می‌کنیم ببینیم که یادگیری ماشینی برچسب‌های ارائه‌شده توسط پزشکان را تا چه حد خوب پیش‌بینی می‌کند. "در حال حاضر، ما در پیش بینی این برچسب ها بسیار خوب هستیم."



توانمندسازی کاربران

در حالی که توسعه الگوریتم‌های یادگیری ماشینی مؤثر چالشی است که محققان با آن روبرو هستند، طراحی ابزاری که کاربران خود را توانمند و ارتقاء بخشد، چالش دیگری است. پیکارد می‌گوید: «سوالی که اکنون واقعاً روی آن تمرکز می‌کنیم این است که وقتی الگوریتم‌های یادگیری ماشینی را در اختیار دارید، چگونه به مردم کمک می‌کند؟»

پیکارد و تیم او به طور انتقادی در مورد اینکه چگونه الگوریتم‌های یادگیری ماشینی ممکن است یافته‌های خود را به کاربران ارائه دهند فکر می‌کنند: از طریق یک دستگاه جدید، یک برنامه تلفن هوشمند، یا حتی روشی برای اطلاع دادن به پزشک یا یکی از اعضای خانواده از پیش تعیین‌شده در مورد بهترین روش پشتیبانی از کاربر.

به عنوان مثال، فناوری را تصور کنید که ثبت می‌کند فردی اخیراً کمتر می‌خوابد، بیشتر در خانه می‌ماند و ضربان قلبش سریع‌تر از حد معمول است. این تغییرات ممکن است به قدری ظریف باشد که خود فرد و عزیزانش هنوز متوجه آنها نشده باشند. الگوریتم‌های یادگیری ماشینی ممکن است بتوانند این داده‌ها را معنا کنند و آن‌ها را بر روی تجربیات گذشته فرد و تجربیات سایر کاربران ترسیم کنند. این فناوری ممکن است بتواند فرد را به انجام رفتارهای خاصی که در گذشته بهزیستی آنها را بهبود بخشیده است تشویق کند یا با پزشک خود تماس بگیرد.

در صورت اجرای نادرست، ممکن است این نوع فناوری اثرات نامطلوبی داشته باشد. اگر یک برنامه به کسی هشدار دهد که به سمت افسردگی عمیق می رود، می تواند اطلاعات دلسرد کننده ای باشد که منجر به احساسات منفی بیشتر می شود. Pedrelli و Picard کاربران واقعی را در فرآیند طراحی مشارکت می دهند تا ابزاری مفید و نه مضر ایجاد کنند.

چیزی که می‌تواند موثر باشد ابزاری است که می‌تواند به یک فرد بگوید: دلیل اینکه شما احساس ناراحتی می‌کنید ممکن است داده‌های مربوط به خواب شما تغییر کرده باشد، و داده‌ها به فعالیت اجتماعی شما مربوط می‌شوند، و شما هیچ زمانی با آن نداشته‌اید. دوستان شما، فعالیت بدنی شما کاهش یافته است. توصیه این است که راهی برای افزایش آن چیزها پیدا کنید.» پیکارد می گوید. این تیم همچنین حفظ حریم خصوصی داده ها و رضایت آگاهانه را در اولویت قرار داده است.

پیکارد می‌گوید: هوش مصنوعی و الگوریتم‌های یادگیری ماشینی می‌توانند ارتباط برقرار کنند و الگوهایی را در مجموعه داده‌های بزرگ شناسایی کنند که انسان‌ها به خوبی متوجه نمی‌شوند. من فکر می‌کنم یک مورد قانع‌کننده واقعی وجود دارد که فناوری به مردم کمک می‌کند در مورد مردم باهوش‌تر باشند.»

Halza