Predicting depression from driving data using machine learning algorithms

運転は、絶え間ない計算の連続という複雑な行為です。ドライバーは、道路を注視し、距離を判断し、急な変化に反応し、ハンドルをしっかりと握り続けなければなりません。それらすべてを、溢れんばかりの感覚情報を処理しながら行わなければならないのです。気分、エネルギー、そして思考の明晰さに影響を及ぼす状態である「うつ病」を患うとき、これらの精神的リソースは乏しくなる可能性があります。これは安全の専門家にとって、実用的な問いを投げかけます。すなわち、「うつ病による目に見えない重みが、人の運転の仕方を変えてしまうのか？」という問いです。これまで、薬物が運転に与える影響についての研究は行われてきましたが、精神状態そのものが直接与える影響については、特定するのが困難でした。うつ病のドライバーは事故を起こしやすいとする研究もあれば、明確な関連性を見いだせないとする研究もあります。その難しさは、運転行動が微細であり、人によって大きく異なるため、走行中の車を観察するだけでパターンを見つけ出すのが難しいという点にあります。

ギリシャの研究チームは、運転をデータの流れへと変えることで、この問題に取り組むことにしました。彼らは69人の免許保持者を募りました。そのうち39人が主要なうつ病と診断されており、30人が診断を受けていませんでした。天候や交通量が多くの変数をもたらしてしまう現実の高速道路に彼らを送り出す代わりに、研究者たちは彼らをドライビング・シミュレーターの中に配置しました。これらは、本物のステアリングホイール、ペダル、ギアシフトを備えた、車の内部のような見た目と感覚を持つハイテクな部屋ですが、大型スクリーンには動く道路が投影されます。参加者は、さまざまなシナリオ（高速道路や、異なるレベルの交通量がある市街地など）を走行しました。機械はドライバーが行ったあらゆる動きを記録し、速度、ブレーキをどれほど強く踏んだか、ハンドルをどれほど回したか、前方の車とどれくらいの距離を保っていたかといったデータを収集しました。コンピュータは、これらの詳細を1秒間に約60回の割合で記録し、あらゆる決定と反応の、大規模で詳細なログを作成しました。

その後、研究者たちはこの膨大なデータを、「機械学習アルゴリズム」として知られる一種のコンピュータプログラムに入力しました。これらのアルゴ념は、人間が見落としてしまうようなパターンを見つけ出せるようになるまで、何千もの例を見て学習する学生のようなものだと考えることができます。コンピュータには、運転のログを読み込ませ、運転の仕方のみに基づいて、どのドライバーがうつ病で、どのドライバーがそうでないかを判別するよう求められました。チームは、データをコンピュータに提供する方法として、2つの異なるアプローチを試みました。第1のアプローチでは、各個人の走行全体を取り出し、平均速度やステアリング操作の典型的な量などに凝縮して要約しました。第2のアプローチでは、データを連続したタイムラインとして保持し、ドライバーがコースをナビゲートする際、秒単位でどのように行動が変化するかをコンピュータが観察できるようにしました。

結果は、データの提示方法によって成功は左右されるものの、コンピュータは確かに両グループの差を学習できることを示しました。研究者が要約アプローチを用いたとき、コンピュータモデルは非常に成功し、うつ病のドライバーを約74パーセントの確率で正しく特定できました。モデルはある種の習慣が際立っていることを見出しました。例えば、うつ病のドライバーは高速道路でのステアリング操作に変動が多く、市街地の交通では前方の車との距離が不安定になる傾向がありました。これらの小さく不規則な行動の変化が、コンピュータが判断を下すための手がかりとなったのです。しかし、研究者が第2のアプローチ、つまり秒単位のタイムラインを用いたとき、コンピュータはより苦戦しました。健康なドライバーとうつ病のドライバーを区別することに手間取り、しばくほとんど全員がうつ病であると推測してしまいました。これは、全体的な運転パターンの方が、瞬間的な変動よりも強い信号であることを示唆しています。

この研究はまた、データ自体の性質についても重要なことを明らかにしました。コンピュータは、健康なドライバーを特定するよりも、うつ病のドライバーを特定することの方がはるかに容易であることを見出したのです。うつ病グループの運転行動は驚くほど一貫しており、あたかも全員が似たような、少しためらいがちな運転をしているかのようでした。一方で、健康なドライバーは非常に多様でした。速く走る人もいれば遅い人もおり、鋭く曲がる人もいればスムーズに走る人もいました。健康なグループがあまりにも多様であったため、コンピュータは「標準的な」ドライバーがどのような姿であるかを定義するのが困難でした。この不均衡により、モデルはうつ病を検知する方向に偏ってしまい、これは混合グループの中から特定の疾患を見つけ出そうとする際に共通して直面する課題です。

有望な結果ではありますが、研究者たちは、自分たちが運転を通じてうつ病を診断する完璧な方法を見つけた、とは主張していません。この研究は概念実証であり、制御されたシミュレーション内ではそのアイデアが機能することを示しましたが、最終的な解決策ではありませんでした。データはわずか69人から得られたものであり、研究では2種類の異なるシミュレーターを使用していたため、研究者はデータを一致させるために追加の作業を必要としました。また、コンピュータモデルの訓練に使用された人数も比較的少なく、それが一般の人々にどの程度自信を持って適用できるかを制限しています。著者らは、今後の研究にはより多くのドライバーを含める必要があり、結果をより良く理解するためにはさらに高度なコンピュータ技術を用いる必要があるだろうと示唆しています。現時点では、この研究は新しい視点を提供しています。すなわち、うつ病は人の運転の仕方に、かすかではあるが検出可能な「指紋」を残しており、人間の目には見えなくても、機械はそのパターンを読み取ることができるという視点です。