ИИ предсказывает психические проблемы подростков раньше, чем они начнутся

Искусственный интеллект предсказывает риск психического здоровья подростков до появления симптомов

Новое исследование, опубликованное в журнале Nature Medicine, демонстрирует, что искусственный интеллект может идентифицировать подростков с высоким риском серьезных проблем с психическим здоровьем до того, как симптомы станут выраженными. Эта инновационная модель не просто анализирует текущие симптомы; она выявляет скрытые факторы, такие как нарушения сна и конфликты в семьях, которые способствуют этому риску. Эта возможность открывает шанс значительно улучшить доступ к поддержке в сфере психического здоровья, возможно, сделав оценку и ранние вмешательства доступными через врачей общей практики.

Количество случаев психических заболеваний среди молодежи значительно возросло, что оказывает еще большее давление на и так перегруженные службы психического здоровья. Одно из главных препятствий на пути к улучшению психиатрической помощи — это трудность в определении, какие молодые люди наиболее уязвимы и имеют наибольший риск развития психических расстройств. Возможность точно предсказать, кто из населения столкнется с проблемами, позволила бы более эффективно распределять ресурсы, направленные на предотвращение.

«В Соединенных Штатах наблюдается кризис психического здоровья среди молодежи. Почти 50% подростков сталкиваются с какой-либо формой психического заболевания, причём две трети из них не получают поддержку от профессионалов в области психического здоровья», — пояснил автор исследования Эллиот Хилл, стажёр в области здоровья AI в Школе медицины Университета Дьюка.

«Мы хотели протестировать, может ли ИИ помочь обнаружить, какие дети находятся в наибольшем риске ухудшения психического здоровья. Если мы сможем предсказать, кто в этом риске, мы сможем лучше распределить ресурсы по психическому здоровью таким пациентам, которые в них больше всего нуждаются, чтобы снизить нагрузку на перегруженных специалистов».

Ученые использовали данные из большого, продолжающегося исследования, называемого Исследованием развития мозга и когнитивного развития подростков, которое включает более 11,000 детей по всей территории США. Это исследование собирает информацию о различных аспектах жизни этих детей, включая их социальные окружения, поведение и развитие мозга на протяжении нескольких лет. Исследователи использовали эти обширные данные для обучения компьютерных моделей, известных как нейронные сети. Эти модели предназначены для изучения сложных закономерностей из большого объема данных. Цель заключалась в том, чтобы проверить, могут ли эти модели предсказать будущий риск психического здоровья подростка на основе ранее собранной информации.

Исследовательская группа создала два основных типа моделей прогнозирования. Один тип, называемый моделью, основанной на симптомах, был натренирован для прогнозирования будущего риска психического здоровья на основе симптомов, которые подростки уже показывали. Этот подход аналогичен тому, как в настоящее время часто оценивают риск.

Другой тип, называемый моделью, основанной на механизмах, был разработан для прогнозирования риска на основе возможных скрытых причин психических проблем, таких как проблемы со сном, семейные трудности и стрессовые детские переживания. Эта модель не основывалась на текущих симптомах. Обе модели использовали анкеты, заполненные подростками и их родителями. Некоторые модели также учитывали данные сканирования мозга, полученные с помощью магнитно-резонансной томографии, чтобы выяснить, могут ли измерения мозга улучшить прогнозы.

Для измерения риска психического здоровья исследователи использовали концепцию, называемую «p-фактором». P-фактор — способ измерения общих трудностей с психическим здоровьем по различным типам проблем, таким как тревожность, депрессия и поведенческие особенности. Вместо того чтобы сосредоточиться на конкретных диагнозах, p-фактор предоставляет единый балл, отражающий уровень психологического стресса индивида. Исследовательская группа разделила подростков на четыре группы, основанные на их оценках p-фактора, начиная от отсутствия риска и заканчивая высоким риском. Компьютерные модели были затем натренированы на предсказание, в какую группу риска подросток попадет через год.

Модель искусственного интеллекта смогла с высокой точностью предсказать, какие подростки развивают серьезные психические болезни. Модель, обученная на существующих психиатрических симптомах, достигла уровня точности 0.84, в то время как модель, основанная исключительно на скрытых причинах, достигла 0.75.

Полученные результаты показывают, что «модели ИИ, обученные на психосоциальных и поведенческих опросниках, могут точно прогнозировать будущий риск психического здоровья и одновременно предлагая потенциальные цели для вмешательства», — сообщил Хилл PsyPost. «Наша модель показала важность качества сна и проактивного поведения для прогнозирования будущего риска психического здоровья».

Среди различных проанализированных факторов нарушения сна оказались самым сильным предиктором будущих психических заболеваний. Влияние проблем со сном на риск психического здоровья было больше, чем у неблагоприятных детских переживаний или истории психического здоровья в семье. Подростки с выраженными нарушениями сна с гораздо большей вероятностью переходили в группу высшего риска в течение года. Другие значимые факторы включали конфликты в семье и низкий уровень контроля со стороны родителей.

«В литературе неблагоприятные детские переживания и история психического здоровья в семье часто считаются доминирующими предикторами будущего психического здоровья», — пояснил Хилл. «Хотя эти факторы также были сильными предикторами в нашей модели, влияние качества сна на прогнозы психического здоровья оказалось даже сильнее. Это обнадеживающая находка, так как этот фактор можно модифицировать с помощью основанных на доказательствах поведенческих вмешательств».

Интересно, что включение данных визуализации мозга не улучшило эффективность модели. Это указывает на то, что простые психосоциальные анкеты, а не дорогие и сложные для доступа методы нейровизуализации, могут быть достаточными для определения риска психического здоровья. Полученные результаты указывают на то, что модели искусственного интеллекта могут использоваться в рутинных медицинских учреждениях, таких как педиатрические клиники или школы, для выявления подростков, находящихся в группе риска, до того, как они развивают серьезные психические расстройства.

Исследователи также признали некоторые ограничения своего исследования. Данные были собраны от общей популяции подростков, а не от молодых людей, уже обратившихся за психиатрической помощью. Поэтому будет важно протестировать эти модели в клинических условиях, чтобы убедиться, что они работают эффективно для тех, кто ищет помощи. Будущие исследования также должны исследовать способы сделать эти инструменты прогнозирования более практичными и доступными. Это может включать выявление минимального набора вопросов анкеты, необходимых для поддержания точности, снижая нагрузку на людей, проходящих эти оценки.

«Хотя исследование ABCD было общей выборкой населения США, возможно, что клинические популяции систематически отличаются от общей популяции», — пояснил Хилл. «Поэтому крайне важно протестировать нашу модель в клинических условиях, прежде чем внедрять её в массовом масштабе. В нашей работе мы сосредотачиваемся на городских районах Северной Каролины, так как там существует критический дефицит специалистов в области психического здоровья».

«Этот проект стал результатом многообразного многопрофильного сотрудничества исследователей в области машинного обучения, психологов, психиатров и нейробиологов. Без замечательных соавторов этого было бы невозможно».

Исследование под названием "Прогнозирование риска психического здоровья у подростков" было написано Эллиотом Д. Хиллом, Пратиком Кашьяпом, Элизабет Раффанелло, Юн Ван, Терри Е. Мофитом, Авшалоном Каспи, Мэттью Энгельхардом и Джонатаном Познером.