Diagnosticar a depressão é um negócio complicado.
Não há exame de sangue, nem exame, nem biópsia para fornecer provas concretas de algo que deu errado. Em vez disso, o peso total está na habilidade de um clínico treinado de fazer uma avaliação baseada em grande parte nas respostas de uma pessoa a uma série de perguntas padrão. O diagnóstico é ainda mais complicado pelo fato de que a depressão pode ser exibida de várias maneiras - da apatia à agitação, a padrões extremos de alimentação ou de sono.
Assim, a noção de que a inteligência artificial poderia ajudar a prever se uma pessoa está sofrendo de depressão é potencialmente um grande passo à frente - ainda que isso traga dúvidas sobre como ela pode ser usada.
O que torna isso possível, diz Tuka Alhanai, pesquisador do Laboratório de Ciência da Computação e Inteligência Artificial do MIT (CSAIL), é a capacidade de um modelo de aprendizado de máquina para identificar padrões de fala e linguagem associados à depressão. Mais importante ainda, o modelo que ela e seu colega cientista do MIT, Mohammad Ghassemi, desenvolveram foi capaz de reconhecer a depressão com um grau relativamente alto de precisão, analisando como as pessoas falam, ao invés de suas respostas específicas às perguntas do clínico.
É o que Alhanai se refere como análise “sem contexto”; em outras palavras, o modelo segue as palavras que as pessoas escolhem e como as dizem, sem tentar interpretar o significado de suas afirmações.
"Em vez de dizer ao modelo para se concentrar em respostas a perguntas específicas, ele está programado para descobrir sozinho o que quer focar", diz ela.
O benefício potencial, observa Alhanai, é que esse tipo de abordagem de rede neural poderia um dia ser usado para avaliar as conversas mais naturais de uma pessoa fora de uma entrevista formal e estruturada com um clínico. Isso pode ser útil para encorajar as pessoas a procurarem ajuda profissional quando, de outra forma, não o fazem, devido ao custo, distância ou simplesmente a falta de consciência de que algo está errado.
“Se você quiser implantar modelos de maneira escalável”, ela diz, “você quer minimizar a quantidade de restrições que você tem nos dados que está usando. Você quer implantá-lo em qualquer conversa regular e ter o modelo de pegar, a partir da interação natural, o estado do indivíduo. ”
Padrões de marcação
O modelo focou em áudio, vídeo e transcrições de 142 entrevistas de pacientes, dos quais cerca de 30% foram diagnosticados com depressão por médicos. Especificamente, utilizou uma técnica chamada modelagem de seqüências, na qual sequências de texto e dados de áudio de pessoas deprimidas e não deprimidas foram inseridas no modelo. A partir disso, diferentes padrões de fala surgiram para pessoas com e sem depressão. Por exemplo, palavras como “triste”, “baixo” ou “baixo” tendem a ser emparelhadas com sinais de voz mais planos e monótonos.
Mas coube ao modelo determinar quais padrões eram consistentes com a depressão. Então aplicou o que aprendeu para prever quais novos sujeitos estavam deprimidos. Em última análise, alcançou uma taxa de sucesso de 77% na identificação de depressão.
Os pesquisadores também descobriram que o modelo precisava de muito mais dados para prever a depressão apenas pela forma como uma voz soava, ao contrário das palavras que uma pessoa usava. Com este último, quando se focou exclusivamente no texto, o modelo precisava analisar uma média de apenas sete sequências para prever a depressão. Mas quando se usa apenas áudio de voz, são necessárias 30 seqüências. Isso sugere que as palavras que uma pessoa escolhe é um melhor preditor de depressão do que como elas soam.
Superação algorítmica?
Ainda é muito cedo para dizer como um modelo de IA pode ser incorporado ao diagnóstico de depressão. "É um passo em direção a ser capaz de analisar mais interações de forma livre, mas é apenas uma etapa inicial", diz James Glass, cientista sênior de pesquisa do CSAIL. Ele observa que a amostra de teste era "pequena". Ele também diz que os pesquisadores vão querer entender melhor quais padrões específicos de todos os dados brutos que o modelo identificou como indicativos de depressão.
"Esses sistemas são mais confiáveis quando você tem uma explicação para o que eles estão aprendendo", diz ele.
Isso é importante porque toda a idéia de usar a IA no diagnóstico de condições de saúde mental foi recebida com sua parcela de ceticismo. Ele já está sendo usado em chatbots de terapia, como Woebot, mas estar envolvido no diagnóstico real levaria o papel das máquinas para outro nível.
O médico canadense Adam Hofmann, escrevendo recentemente no Washington Post, alertou sobre as possíveis conseqüências para o que ele chamou de “ultrapassagem algorítmica”.
"Os falsos positivos, por exemplo, podem levar as pessoas que ainda não estão deprimidas a acreditar que estão", escreveu ele. “A saúde mental é uma interação complexa de fatores genéticos, físicos e ambientais. Sabemos dos efeitos placebo e nocebo na medicina, quando os usuários cegos de pílulas de açúcar experimentam os efeitos positivos ou negativos de um medicamento, porque eles têm as expectativas positivas ou negativas dele.
"Ser dito que você está doente pode literalmente fazer isso."
Hofmann também levantou preocupações sobre quanto tempo as conclusões de tais ferramentas de diagnóstico de IA poderiam ser mantidas fora de terceiros, como seguradoras ou empregadores. Essa ansiedade sobre abuso potencial através de "detectores de depressão" foi também citado em um post recente no The Next Web.
Alhanai e Glass ouviram a especulação apreensiva sobre os riscos de confiar demais em modelos de IA para diagnóstico de saúde mental. Mas eles dizem que sua pesquisa é voltada para ajudar os médicos, não substituí-los.
"Esperamos poder fornecer uma forma complementar de análise", diz Glass. “O paciente não está com o médico o tempo todo. Mas se o paciente estiver falando em casa no telefone, talvez gravando um diário, e a máquina detectar uma alteração, isso pode indicar ao paciente que ele deve entrar em contato com o médico.
"Não vemos a tecnologia tomando decisões em vez do clínico", acrescenta ele. “Nós vemos isso como uma outra métrica de entrada para o clínico. Eles ainda teriam acesso a todas as entradas atuais que usam. Isso seria apenas dar-lhes outra ferramenta em sua caixa de ferramentas.
