Prediction of Mental Health Disorders: From Markers to Models in Artificial Intelligence

La mente umana è un paesaggio vasto e intricato, e per secoli la comprensione delle sue tempeste — depressione, ansia e il peso schiacciante dello stress — si è affidata pesantemente alla conversazione. Un medico ascolta un paziente che descrive i propri sentimenti, osserva il suo comportamento e applica linee guida consolidate per formulare una diagnata. Questo metodo è profondamente umano, ma ha dei limiti. Dipende dalla capacità di una persona di articolare un dolore che spesso è difficile da nominare, e tratta la mente come uno stato binario: o una persona è malata o non lo è. Negli ultimi anni, un nuovo strumento è entrato in questo campo, uno che non si affida solo alle parole, ma al linguaggio silenzioso ed elettrico del corpo stesso. Questo è il regno dell'intelligenza artificiale, dove i computer vengono istruiti per trovare schemi nei dati che sono troppo sottili per l'occhio umano. Guardando il ritmo di un battito cardiaco, l'attività elettrica del cervello o persino il modo in cui una persona dorme, i ricercatori stanno iniziando a vedere se le macchine possano individuare i primi segni di disagio mentale prima che si verifichi una crisi.

Un team di ricercatori dell'Amity University in India si è posto l'obiettivo di mappare questo territorio emergente. Volevano sapere se i computer potessero prevedere in modo affidabile queste comuni condizioni di salute mentale meglio dei metodi tradizionali attualmente in uso. Per farlo, non hanno condotto un singolo esperimento in laboratorio. Al contrario, hanno effettuato una massiccia revisione del mondo scientifico, raccogliendo e analizzando 185 diversi studi pubblicati nell'ultimo decennio. Questi studi utilizzavano una grande varietà di dati, dalle scansioni cerebrali ai monitor cardiaci, fino a sondaggi e registrazioni video. I ricercatori hanno esaminato come diversi programmi informatici, che spaziavano da algoritmi più vecchi e semplici a sistemi di deep learning più nuovi e complessi, si comportassero quando chiamati a identificare segni di depressione, ansia o stress. Il loro obiettivo era scoprire quale approccio funzionasse meglio e capire quali segnali biologici i computer stessero effettivamente utilizzando per prendere le loro decisioni.

I ricercatori hanno prima organizzato gli indizi biologici che segnalano il disagio mentale in quattro gruppi distinti. Hanno esaminato i marcatori elettrofisiologici, ovvero i modelli elettrici del cervello catturati da sensori sul cuoio capelluto. Hanno esaminato i marcatori fisiologici, come le variazioni della frequenza cardiaca, della pressione sanguigna e il modo in cui la pelle conduce elettricità quando una persona è emotiva. Hanno anche considerato i marcatori immunologici, che sono segni di infiammazione nel corpo, e i marcatori psicologici, come la qualità e la durata del sonno di una persona. Ordinando questi segnali, il team ha potuto vedere quali apparivano più frequentemente nelle persone che soffrivano di specifiche condizioni. Ad esempio, hanno scoperto che certe irregolarità nelle onde cerebrali e livelli elevati di specifiche proteine infiammatorie erano frequentemente collegati alla depressione, mentre le variazioni nella variabilità della frequenza cardiaca erano comuni sia nell'ansia che nello stress.

Una volta organizzati i dati biologici, il team ha confrontato le prestazioni dei modelli informatici. Hanno testato quattro tipi principali di algoritmi. Il primo gruppo includeva strumenti di machine learning tradizionale, come le Support Vector Machines, che agiscono come un sofisticato smistatore cercando di tracciare una linea tra dati sani e malsani, e le Random Forests, che costruiscono molti piccoli alberi decisionali per raggiungere una conclusione. Hanno anche testato i K-Nearest Neighbors, un metodo che ipotizza una condizione basandosi sulla somiglianza di un nuovo caso con casi passati. Il secondo gruppo era costituito da modelli di deep learning, sistemi avanzati progettati per imitare gli strati del cervello umano. Questi sistemi possono elaborare i dati grezzi direttamente, apprendendo schemi complessi senza che l'uomo debba indicare manualmente ogni singola caratteristica.

I risultati di questo confronto sono stati chiari e coerenti. I modelli di deep learning si sono dimostrati gli strumenti più accurati e affidabili per prevedere i disturbi della salute mentale. Quando testati sulla depressione, questi modelli avanzati hanno raggiunto un'accuratezza media del 96,04 percento. Per l'ansia, hanno raggiunto il 92,31 percento e per lo stress hanno toccato il 94,14 percento. Ancora più importante, questi modelli erano stabili; i loro risultati non oscillavano selvaggiamente da uno studio all'altro, suggerendo che potessero gestire i dati disordinati e reali forniti dai pazienti. Al contrario, i modelli di machine learning tradizionale, pur essendo ancora utili, mostravano una maggiore variabilità. Le Random Forests si sono comportate bene, in particolare per l'ansia e la depressione, ma il metodo più semplice dei K-Nearest Neighbors è stato quello che ha faticato di più, specialmente nel cercare di rilevare lo stress, producendo spesso risultati incoerenti. Lo studio suggerisce che la capacità del deep learning di trovare connessioni nascoste e complesse nei dati gli conferisca un vantaggio significativo rispetto ai metodi più vecchi.

Tuttavia, i ricercatori sono stati cauti nel sottolineare che questa tecnologia non è ancora un prodotto finito pronto per ogni studio medico. Un ostacolo principale è rappresentato dai dati stessi. Molti degli studi che hanno esaminato si basavano su piccoli gruppi di persone, spesso studenti o personale ospedaliero, il che significa che i modelli informatici potrebbero non funzionare altrettanto bene per gli anziani, i bambini o le persone provenienti da contesti culturali differenti. C'è anche una mancanza di dati a lungo termine; la maggior parte degli studi guardava a un singolo momento nel tempo piuttosto che monitorare come la salute mentale di una persona cambi nel corso di mesi o anni. Inoltre, i ricercatori hanno enfatizzato che questi strumenti non dovrebbero sostituire i medici umani. Invece, dovrebbero agire come un sistema di supporto, un modo per intercettare i primi segnali di avvertimento che un essere umano potrebbe perdere.

Il percorso da seguire prevede di affrontare queste lacune. Il team suggerisce che il lavoro futuro debba includere gruppi di persone più diversificati e concentrarsi sul monitoraggio continuo tramite dispositivi indossabili, come gli smartwatch, che possono tracciare la frequenza cardiaca e il sonno giorno e notte. Hanno anche evidenziato la necessità di regole etiche rigorose per proteggere i dati sensibili che questi sistemi raccolgono. Sebbene la tecnologia mostri una grande promessa per la creazione di piani di trattamento personalizzati e per la riduzione dello stigma della malattia mentale rendendo la diagnosi più oggettiva, essa richiede una gestione attenta. Lo studio conclude che, sebbene l'intelligenza artificiale abbia dimostrato di poter vedere schemi nella mente umana che precedentemente erano invisibili, il vero valore deriverà dall'uso di queste intuizioni per aiutare le persone in modo sicuro, equo e profondamente umano.