Acceptability and implementation feasibility of a mobile application powered by generative artificial intelligence for mental health screening and referral in Uganda

Sintesi Tecnica: Accettabilità e Fattibilità dell'Implementazione di un'Applicazione Mobile di Intelligenza Artificiale Generativa per la Salute Mentale in Uganda

Definizione del Problema

L'Uganda affronta una crisi critica della salute mentale, con una stima di 14 milioni di persone colpite da disturbi depressivi e d'ansia. Questo carico è esacerbato da una grave carenza di specialisti (circa uno psichiatra ogni milione di persone), finanziamenti limitati (1% del bilancio sanitario nazionale) e uno stigma pervasivo. Sebbene gli strumenti di salute digitale e le interazioni guidate dall'IA mostrino potenziale a livello globale, esiste una mancanza di prove riguardanti l'accettabilità e la fattibilità dell'implementazione in contesti africani a basso reddito. Gli strumenti di salute mentale basati sull'IA esistenti sono prevalentemente sviluppati per popolazioni occidentali ad alto reddito e di lingua inglese, sollevando preoccupazioni circa l'appropriatezza culturale, il bias algoritmico e le prestazioni nelle lingue locali. Inoltre, i vincoli infrastrutturali come l'instabilità della connessione internet, l'alto costo dei dati e la limitata proprietà di smartphone minacciano l'accesso equo.

Metodologia

Questo studio ha impiegato un disegno di prova di concetto a metodi misti condotto tra gennaio e maggio 2026 a Kampala, in Uganda.

• Partecipanti: Un campione mirato di 50 partecipanti è stato reclutato, composto da 25 membri del pubblico generale e 25 operatori sanitari (inclusi psichiatri, ufficiali clinici psichiatrici, infermieri e medici generici).
• Intervento: Lo studio ha valutato un'applicazione mobile alimentata da un'IA generativa progettata per lo screening della salute mentale, l'auto-cura e l'invio ai servizi.
  • Architettura Tecnica: L'app utilizza un Modello di Linguaggio di Grandi Dimensioni (LLM) integrato con strumenti di screening validati: il Patient Health Questionnaire (PHQ-4, PHQ-9) e la scala Generalized Anxiety Disorder (GAD-7).
  • Meccanismo IA: A differenza dei chatbot tradizionali basati su regole, il sistema utilizza un sistema di conoscenza basato su documenti. Esso recupera e interpreta informazioni di protocollo pre-caricate (linee guida PHQ/GAD) per generare risposte dinamiche, sensibili al contesto e in linguaggio naturale. Sebbene il sistema sia progettato per costruire risposte basandosi su un set curato di file piuttosto che fare affidamento su internet per generare il testo stesso, l'applicazione richiede comunque la connettività internet per la trasmissione dei dati e l'interazione, una dipendenza identificata esplicitamente come un principale ostacolo all'implementazione.
  • Funzionalità di Sicurezza: L'applicazione include una logica di invio automatico per sintomi gravi, inclusa una funzione di composizione automatica verso strutture sanitarie vicine in caso di suicidalità. Non è esplicitamente uno strumento diagnostico o di prescrizione.
  • Sicurezza: I dati sono protetti tramite Transport Layer Security (TLS 1.2+) e crittografia AES-256 a riposo. L'identificazione dell'utente è minimizzata, utilizzando i numeri di cellulare come identificatori unici con registrazione opzionale del nome.
• Raccolta Dati: Lo studio ha utilizzato una valutazione pre-post implementazione.
  • Quantitativa: Survey baseline e endline hanno misurato le percezioni, l'accettabilità e i modelli di utilizzo.
  • Qualitativa: Sono state condotte Interviste con Informatori Chiave (KII) e feedback a campo aperto per esplorare le esperienze degli utenti e le barriere.
• Framework Analitici:
  • Accettabilità: Valutata utilizzando il Modello di Accettazione della Tecnologia (TAM), concentrandosi sull'Utilità Percepita (PU) e sulla Facilità d'Uso Percepita (PEOU).
  • Fattibilità: Valutata utilizzando il framework di fattibilità di Bowen, che copre cinque domini: domanda, implementazione, praticità, integrazione ed espansione.

Risultati Chiave

Lo studio ha dimostrato un'alta accettabilità e fattibilità, sebbene rimangano significanti barriere infrastrutturali.

1. Accettabilità (Risultati TAM):

• Utilità Percepita: Post-implementazione, il 95,6% dei partecipanti del pubblico generale ha ritenuto le informazioni rilevanti per le proprie necessità, e il 90,9% ha dichiarato che raccomanderebbe l'applicazione. Gli operatori sanitari (HCW) hanno visto lo strumento come un prezioso meccanismo di supporto decisionale che riduce il carico di lavoro e migliora l'accuratezza diagnostica per i non specialisti.
• Facilità d'Uso Percepita: Il 90,9% ha concordato che le funzionalità fossero facili da usare, e il 77,3% ha potuto utilizzare l'app senza assistenza di terzi. Tuttavia, i glitch tecnici (domande ripetitive) e le barriere linguistiche (interfaccia solo in inglese) sono stati segnalati come punti di attrito.

2. Fattibilità (Risultati del Framework di Bowen):

• Domanda: C'era una sostanziale domanda latente; il 100% dei partecipanti al baseline ha espresso la volontà di utilizzare l'app. Post-implementazione, il 56,7% del pubblico generale ha utilizzato l'app per lo screening o l'auto-cura entro un mese.
• Implementazione: Le barriere primarie identificate sono state la dipendenza da internet, l'alto costo dei dati mobili e la mancanza di funzionalità multilingue. Il 40% dei partecipanti all'endline ha citato i costi dei dati come un ostacolo maggiore.
• Praticità: L'app è stata ritenuta pratica per contesti clinici e comunitari, con il 45,45% degli utenti che ha completato una sessione di screening in 5–10 minuti.
• Integrazione: Il 96% dei partecipanti al baseline preferiva che l'app fosse collegata alle strutture sanitarie. All'endline, il 36,4% degli utenti aveva seguito un invio raccomandato dall'app.
• Espansione: Il 100% dei partecipanti era disposto a raccomandare l'app ad altri. Tuttavia, il 76% dei partecipanti al baseline ha indicato che la funzionalità bilingue (inglese + lingue locali) è essenziale per una portata più ampia.

Contributi Chiave

• Validazione Contestuale: Questo è il primo studio che valuta uno strumento di salute mentale basato su IA generativa specificamente nel contesto ugandese, fornendo prove del fatto che tali tecnologie possono essere accettabili e fattibili in contesti a basse risorse.
• Applicazione dell'IA Generativa: Lo studio dimostra l'utilità degli LLM nel fornire uno screening della salute mentale strutturato e basato su protocolli (PHQ/GAD) con la flessibilità di una conversazione in linguaggio naturale, andando oltre i chatbot rigidi basati su alberi decisionali.
• Supporto al Task-Sharing: I risultati suggeriscono che lo strumento può supportare efficacemente il task-sharing, responsabilizzando i fornitori non specialisti e il pubblico generale per condurre screening iniziali e auto-cura, alleviando potenzialmente il carico sulle scarse risorse specialistiche.
• Approfondimenti sull'Implementazione: La ricerca identifica barriere specifiche e azionabili per la scalabilità nell'Africa subsahariana, ovvero la necessità di capacità offline, accesso ai dati a costo zero e localizzazione nelle lingue locali.

Significato e Rivendicazioni

Il documento sostiene che un'applicazione mobile basata su IA generativa è una soluzione fattibile e altamente accettabile per lo screening, l'auto-cura e l'invio nella salute mentale in Uganda. Gli autori affermano che l'applicazione mostra promesse per:

• Ridurre lo Stigma: Offrendo anonimato e privacy, lo strumento incoraggia la divulgazione tra individui riluttanti a cercare cure faccia a faccia.
• Migliorare l'Accesso: Affronta barriere strutturali come i costi di viaggio, i tempi di attesa e la carenza di specialisti.
• Rafforzare l'Assistenza Non Specialistica: Serve come risorsa di capacità di crescita, fornendo una guida strutturata e riducendo il carico cognitivo per gli operatori sanitari.

Tuttavia, gli autori mantengono una posizione modesta riguardo alla scalabilità. Concludono che, sebbene la prova di concetto sia un successo, la scalabilità efficace è subordinata all'affrontamento delle barriere strutturali relative alla connettività internet, ai costi dei dati, l'accessibilità linguistica e la proprietà di smartphone. Il documento afferma esplicitamente che sono necessari studi più ampi per valutare l'efficacia a lungo termine, l'efficacia dei costi e l'integrazione dello strumento nei sistemi sanitari di routine prima di un roll-out nazionale diffuso.