211service.com
Hoe machine learning depressie kan helpen aanpakken
Depressie is een eenvoudig klinkende aandoening met een complexe oorsprong die niet volledig wordt begrepen. Nu kan machinaal leren wetenschappers in staat stellen enkele van zijn mysteries te ontrafelen om een betere behandeling te bieden.
Om de diagnose ernstige depressieve stoornis te krijgen, waarvan wordt gedacht dat het het resultaat is van een combinatie van genetische, omgevings- en psychologische factoren, moeten patiënten verschillende van een lange lijst symptomen, zoals vermoeidheid of gebrek aan concentratie. Eenmaal gediagnosticeerd, kunnen ze cognitieve gedragstherapie of medicatie krijgen om hun toestand te verlichten. Maar niet elke behandeling werkt voor elke patiënt, omdat de symptomen sterk kunnen variëren.
Onlangs zijn veel onderzoekers op het gebied van kunstmatige intelligentie begonnen met het ontwikkelen van manieren om machine learning toe te passen in medische situaties. Dergelijke benaderingen zijn in staat om trends en details te ontdekken in enorme datasets die mensen nooit zouden kunnen, waardoor resultaten worden geplaagd die kunnen worden gebruikt om andere patiënten te diagnosticeren. De New Yorker onlangs gelopen een bijzonder interessant essay over het gebruik van de techniek om diagnoses te stellen op basis van medische scans.
Soortgelijke benaderingen worden gebruikt om licht te werpen op depressie. EEN studie gepubliceerd in Psychiatrisch onderzoek eerder dit jaar bleek dat MRI-scans kunnen worden geanalyseerd door machine learning-algoritmen om de waarschijnlijkheid vast te stellen dat iemand aan de aandoening lijdt. Door subtiele verschillen te identificeren in scans van mensen die wel en niet lijden, ontdekte het team dat ze in staat waren om te identificeren welke onzichtbare patiënten leden aan een depressieve stoornis op MRI-scans met een nauwkeurigheid van ongeveer 75 procent.
Misschien interessanter, Vox-rapporten dat onderzoekers van het Weill Cornell Medical College een vergelijkbare aanpak volgen om verschillende soorten depressie te identificeren. Door machine learning-algoritmen gegevens te laten ondervragen die zijn vastgelegd wanneer de hersenen in rusttoestand zijn, hebben de wetenschappers vier verschillende subtypen van de aandoening kunnen categoriseren die zich manifesteren als verschillende mengsels van angst en gebrek aan plezier.
Natuurlijk zijn niet alle pogingen om zulke fijnmazige diagnoses uit MRI-scans af te leiden in het verleden succesvol geweest. Maar het gebruik van AI biedt veel betere kansen om een signaal te herkennen dan wanneer individuele artsen zich over scans buigen. Op zijn minst geven de experimenten gewicht aan het idee dat er verschillende soorten depressie zijn.
De aanpak zou slechts een onderdeel kunnen zijn van een bredere inspanning om machine learning te gebruiken om subtiele aanwijzingen met betrekking tot de aandoening te ontdekken. Onderzoekers van het Langone Medical Center van de Universiteit van New York gebruiken bijvoorbeeld machinale leertechnieken om vocale patronen te ontdekken die specifiek zijn voor mensen met een depressie, evenals voor aandoeningen zoals PTSS.
En het idee dat er veel soorten depressie kunnen zijn, zou volgens Vox nuttig kunnen zijn. Het merkt een andere op recent onderzoek uitgevoerd door onderzoekers van Emory University die ontdekten dat machine learning verschillende patronen van hersenactiviteit in fMRI-scans kon identificeren die correleerden met de effectiviteit van verschillende vormen van behandeling.
Met andere woorden, het is misschien niet alleen mogelijk om AI te gebruiken om unieke soorten depressie te identificeren, maar ook om vast te stellen hoe ze het beste kunnen worden behandeld. Dergelijke benaderingen zijn nog ver verwijderd van klinisch relevante resultaten, maar ze tonen wel aan dat het mogelijk is om in de toekomst betere manieren te vinden om patiënten te helpen.
In de tussentijd proberen sommige onderzoekers ook AI's te ontwikkelen om ervoor te zorgen dat depressie niet leidt tot tragische gevolgen zoals zelfbeschadiging of zelfmoord. Afgelopen maand bijv. Bedrade gemeld dat wetenschappers van de Florida State University machine learning-software hadden ontwikkeld die patronen in medische dossiers analyseert om patiënten te signaleren die mogelijk risico lopen op zelfmoordgedachten. En Facebook beweert dat het iets soortgelijks kan doen door gebruikersinhoud te analyseren, maar het valt nog te bezien hoe effectief zijn interventies kunnen zijn.
(Lees verder: vox , Bedrade , New Yorker , Grote vragen over de hulpmiddelen voor zelfmoordpreventie van Facebook, technologie voor stemanalyse kan ziekte diagnosticeren)