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

De menselijke geest is een uitgestrekt, ingewikkeld landschap, en eeuwenlang heeft het begrijpen van de stormen die er heersen — depressie, angst en de verpletterende last van stress — sterk geleund op gesprekken. Een arts luistert naar een patiënt die zijn of haar gevoelens beschrijft, observeert het gedrag en past gevestigde richtlijnen toe om tot een diagnose te komen. Deze methode is diep menselijk, maar kent grenzen. Het is afhankelijk van het vermogen van een persoon om pijn te verwoorden die vaak moeilijk te benoemen is, en het behandelt de geest als een binaire staat: of iemand is ziek, of men is dat niet. In de afgelopen jaren is er een nieuw instrument in dit veld geïntroduceerd, een instrument dat niet alleen op woorden vertrouwt, maar op de stille, elektrische taal van het lichaam zelf. Dit is het domein van kunstmatige intelligentie, waar computers worden geleerd om patronen in data te vinden die te subtiel zijn voor het menselijk oog. Door te kijken naar het ritme van een hartslag, de elektrische activiteit van de hersenen, of zelfs de manier waarop iemand slaapt, beginnen onderzoekers te zien of machines de vroege tekenen van mentale nood kunnen opsporen voordat er een crisis optreedt.

Een team onderzoekers van Amity University in India zette zich schrap om dit opkomende terrein in kaart te brengen. Ze wilden weten of computers deze veelvoorkomende mentale gezondheidstoestanden betrouwbaarder konden voorspellen dan de traditionele methoden die momenteel in gebruik zijn. Om dit te doen, voerden ze geen enkele experiment in een laboratorium uit. In plaats daarvan voerden ze een massale review van de wetenschappelijke wereld uit, waarbij ze 185 verschillende studies verzamelden en analyseerden die over het afgelopen decennium zijn gepubliceerd. Deze studies gebruikten een grote verscheidenheid aan data, van hersenscans en hartmonitoren tot enquêtes en video-opnames. De onderzoekers keken naar hoe verschillende computerprogramma's, variërend van oudere, simpelere algoritmen tot nieuwere, complexere deep learning-systemen, presteerden wanneer ze de opdracht kregen om tekenen van depressie, angst of stress te identificeren. Hun doel was om uit te zoeken welke aanpak het beste werkte en om te begrijpen welke biologische signalen de computers daadwerkelijk gebruikten om hun beslissingen te nemen.

De onderzoekers organiseerden eerst de biologische aanwijzingen die mentale nood signaleren in vier afzonderlijke groepen. Ze keken naar elektrofysiologische markers, wat de elektrische patronen van de hersenen zijn die worden vastgelegd door sensoren op de hoofdhuid. Ze onderzochten fysiologische markers, zoals veranderingen in de hartslag, bloeddruk en de manier waarop de huid elektriciteit geleidt wanneer een persoon emotioneel is. Ze hielden ook rekening met immunologische markers, wat tekenen van ontsteking in het lichaam zijn, en psychologische markers, zoals de kwaliteit en duur van iemands slaap. Door deze signalen te sorteren, kon het team zien welke het meest voorkwamen bij mensen die leden aan specifieke aandoeningen. Zo ontdekten ze dat bepaalde onregelmatigheden in hersengolven en verhoogde niveaus van specifieke ontstekingsproteïnen vaak gelinkt waren aan depressie, terwijl veranderingen in de hartslagvariabiliteit veel voorkomend waren bij zowel angst als stress.

Zodra ze de biologische data hadden georganiseerd, vergeleek het team de prestaties van de computermodellen. Ze testten vier hoofdtypen algoritmen. De eerste groep bestond uit traditionele machine learning-tools, zoals Support Vector Machines, die fungeren als een geavanceerde sorteerder die probeert een lijn te trekken tussen gezonde en ongezonde datapunten, en Random Forests, die veel kleine beslissingsbomen bouwen om tot een conclusie te komen. Ze testten ook K-Nearest Neighbors, een methode die een conditie voorspelt op basis van hoe vergelijkbaar een nieuwe casus is met eerdere gevallen. De tweede groep bestond uit deep learning-modellen, geavanceerde systemen die ontworpen zijn om de lagen van het menselijk brein na te bootsen. Deze systemen kunnen ruwe data direct verwerken en leren complexe patronen herkennen zonder dat mensen eerst handmatig elke kenmerk hoeven aan te wijzen.

De resultaten van deze vergelijking waren duidelijk en consistent. De deep learning-modellen bleken de meest nauwkeurige en betrouwbare instrumenten te zijn voor het voorspellen van mentale stoornissen. Wanneer getest op depressie, bereikten deze geavanceerde modellen een gemiddelde nauwkeurigheid van 96,04 procent. Voor angst bereikten ze 92,31 procent, en voor stress haalden ze 94,14 procent. Belangrijker nog, deze modellen waren stabiel; hun resultaten schommelden niet wild van de ene studie naar de andere, wat suggereert dat ze de rommelige, echte wereld-data kunnen verwerken die patiënten daadwerkelijk aanleveren. In contrast hiermee vertoonden de traditionele machine learning-modellen, hoewel ze nog steeds nuttig zijn, meer variabiliteit. Random Forests presteerden goed, met name bij angst en depressie, maar de simpelere K-Nearest Neighbors-methode had het moeilijkst, vooral bij het detecteren van stress, waarbij het vaak inconsistente resultaten produceerde. De studie suggereert dat het vermogen van deep learning om verborgen, complexe verbanden in de data te vinden, het een aanzienlijk voordeel geeft ten opzichte van oudere methoden.

De onderzoekers merkten echter voorzichtig op dat deze technologie nog geen afgewerkt product is dat klaar is voor elke dokterpraktijk. Een grote hindernis is de data zelf. Veel van de studies die zij hebben beoordeeld, leunden op kleine groepen mensen, vaak studenten of ziekenhuispersoneel, wat betekent dat de computermodellen mogelijk minder goed werken voor oudere volwassenen, kinderen of mensen uit verschillende culturele achtergronden. Er is ook een gebrek aan langetermijngegevens; de meeste studies keken naar een enkel moment in de tijd in plaats van hoe de mentale gezondheid van een persoon over maanden of jaren verandert. Bovendien benadrukten de onderzoekers dat deze instrumenten de menselijke arts niet moeten vervangen. In plaats daarvan zouden ze als een ondersteunend systeem moeten fungeren, een manier om vroege waarschuwingssignalen op te vangen die een mens zou kunnen missen.

De weg vooruit houdt in dat deze tekortkomingen moeten worden aangepakt. Het team stelt voor dat toekomstig werk meer diverse groepen mensen moet omvatten en zich moet richten op continue monitoring met behulp van draagbare apparaten, zoals smartwatches, die hartslag en slaappatronen dag en nacht kunnen volgen. Ze benadrukten ook de noodzaak van strikte ethische regels om de gevoelige data die deze systemen verzamelen te beschermen. Hoewel de technologie veelbelovend is voor het creëren van gepersonaliseerde behandelplannen en het verminderen van het stigma op mentale ziekte door de diagnose objectiever te maken, vereist het zorgvuldige behandeling. De studie concludeert dat hoewel kunstmatige intelligentie heeft aangetoond dat het patronen in de menselijke geest kan zien die voorheen onzichtbaar waren, de ware waarde zal komen van het gebruik van deze inzichten om mensen op een veilige, eerlijke en diep menselijke manier te helpen.