Sztuczna inteligencja w przewidywaniu rokowania chorób psychicznych

Sztuczna inteligencja (AI) coraz częściej znajduje zastosowanie w przewidywaniu rokowania chorób psychicznych, oferując nowe możliwości wspierania decyzji klinicznych i poprawy wyników leczenia pacjentów. Modele uczenia maszynowego zastosowane do elektronicznych dokumentacji medycznych wykazują zdolność do przewidywania kryzysów zdrowia psychicznego z wyprzedzeniem, co może prowadzić do poprawy wyników leczenia oraz zmniejszenia obciążeń i kosztów¹.

Przewidywanie kryzysów zdrowia psychicznego

Badania wykazały możliwość przewidywania kryzysów zdrowia psychicznego z 28-dniowym wyprzedzeniem przy użyciu technik uczenia maszynowego zastosowanych do longitudinalnie zbieranych danych z elektronicznych dokumentacji medycznych. Model ogólny osiągnął AUROC (obszar pod krzywą ROC) wynoszący 0,797, co wskazuje na wysoką dokładność przewidywań². Ta zdolność predykcyjna ma szczególne znaczenie kliniczne, ponieważ identyfikacja pacjentów zagrożonych kryzysem przed jego wystąpieniem jest kluczowa dla poprawy wyników leczenia i zarządzania obciążeniem pracą.

Sześciomiesięczne prospektywne badanie oceniające wykorzystanie algorytmu w praktyce klinicznej wykazało, że przewidywania były klinicznie wartościowe pod względem zarządzania obciążeniem pracą lub zmniejszania ryzyka kryzysu w 64% przypadków³. Zespoły zdrowia psychicznego nie zgodziły się tylko z 7% przewidywań modelu, co świadczy o wysokiej zgodności między oceną algorytmu a opinią klinicystów⁴.

Duże modele językowe w ocenie prognozy

Duże modele językowe (LLM) wykazują potencjał w ocenie prognozy i długoterminowych wyników w zaburzeniach depresyjnych, oferując wgląd w to, jak modele AI porównują się z perspektywami ludzkimi⁵. Badania oceniają zdolność LLM do generowania prognozy, przewidywanych wyników z interwencją profesjonalną i bez niej, oraz przewidywanych długoterminowych pozytywnych i negatywnych konsekwencji dla osób z depresją⁵.

Obserwacja, że trzy z czterech badanych LLM ściśle odzwierciedlały oczekiwania ekspertów zdrowia psychicznego w scenariuszach obejmujących leczenie, podkreśla perspektywiczną wartość technologii w oferowaniu profesjonalnych prognoz klinicznych⁵. Badania wykazały optymizm wyrażany przez LLM, specjalistów zdrowia psychicznego i społeczeństwo dotyczący pozytywnych wyników związanych z profesjonalną pomocą w leczeniu depresji⁶.

Wyzwania i ograniczenia

Pomimo obiecujących wyników, wykorzystanie AI w przewidywaniu rokowania chorób psychicznych napotyka na pewne wyzwania. ChatGPT-3.5 wykazywał znacząco pesymistyczną prognozę, różniącą się od innych LLM, specjalistów i społeczeństwa⁵. Ten pesymistyczny pogląd budzi obawy, ponieważ może potencjalnie zmniejszyć motywację pacjentów do rozpoczęcia lub kontynuowania terapii depresji⁷.

Głównym ograniczeniem badań nad AI w psychiatrii jest znana i potencjalnie nieznana specyficzność kohort jednoośrodkowych². To ograniczenie wskazuje na potrzebę przeprowadzenia badań wieloośrodkowych w celu walidacji wyników i zapewnienia możliwości generalizacji modeli na różne populacje pacjentów.

Znaczenie kliniczne i przyszłe perspektywy

Wpływ oceny możliwości powrotu do zdrowia na relację terapeutyczną powinien być tutaj odnotowany, ponieważ bezpośrednio wpływa na zaangażowanie terapeuty w poświęcanie czasu i wysiłku pacjentowi, a także wpływa na motywację pacjenta do rozpoczęcia lub podtrzymania leczenia⁶. Zapewnienie zniuansowanej i szczerze przedstawionej prognozy służy wzmocnieniu morale pacjenta i kultywowaniu optymizmu w przypadkach, gdy pełne wyzdrowienie jest prawdopodobne, przy jednoczesnym temperowaniu oczekiwań w bardziej niekorzystnych scenariuszach klinicznych⁷.

Rosnące zapotrzebowanie na opiekę nad zdrowiem psychicznym coraz częściej skłania szpitale do aktywnego poszukiwania nowych metod przewidywania zapotrzebowania i lepszego wykorzystania ograniczonych zasobów w celu poprawy wyników leczenia pacjentów i zmniejszenia długoterminowych kosztów⁴. Wdrożenie modeli predykcyjnych w psychiatrii klinicznej prawdopodobnie poprawi leczenie i zwiększy jakość życia oraz długość życia osób z chorobami psychicznymi⁸.

Badania wskazują, że wyniki pokazują potencjalną wartość LLM w uzupełnianiu wiedzy specjalistów, ale także podkreślają potrzebę dalszych badań w celu optymalizacji integracji LLM i zapewnienia sprawiedliwego zastosowania w opiece nad zdrowiem psychicznym⁶. Wysokie rozpowszechnienie chorób psychicznych i potrzeba skutecznej opieki nad zdrowiem psychicznym, w połączeniu z najnowszymi postępami w dziedzinie sztucznej inteligencji, doprowadziły do wzrostu badań nad tym, jak uczenie maszynowe może pomóc w wykrywaniu, diagnozowaniu i leczeniu problemów zdrowia psychicznego⁹.