Τα άτομα με γενικευμένη αγχώδη διαταραχή, μια κατάσταση που χαρακτηρίζεται από καθημερινή υπερβολική ανησυχία που διαρκεί τουλάχιστον έξι μήνες, έχουν υψηλό ποσοστό υποτροπής ακόμη και μετά τη λήψη θεραπείας. Τα μοντέλα τεχνητής νοημοσύνης (AI) θα μπορούσαν να βοηθήσουν τους γιατρούς να εντοπίσουν παράγοντες που προβλέπουν τη μακροπρόθεσμη ανάρρωση, εξατομικεύοντας καλύτερα τη θεραπεία των ασθενών, σύμφωνα με ερευνητές από το Penn State.
Οι ερευνητές χρησιμοποίησαν μια μορφή τεχνητής νοημοσύνης που ονομάζεται μηχανική μάθηση για να αναλύσουν περισσότερους από 80 βασικούς παράγοντες – από ψυχολογικούς και κοινωνικοδημογραφικούς έως μεταβλητές υγείας και τρόπου ζωής – για 126 ανώνυμα άτομα που είχαν διαγνωστεί με γενικευμένη αγχώδη διαταραχή.
Τα δεδομένα προήλθαν από τη μελέτη των Εθνικών Ινστιτούτων Υγείας των ΗΠΑ με τίτλο Midlife in the United States, η οποία συλλέγει δεδομένα υγείας από κατοίκους των ΗΠΑ ηλικίας 25 έως 74 ετών, οι οποίοι ερωτήθηκαν για πρώτη φορά το 1995-96. Τα μοντέλα μηχανικής μάθησης εντόπισαν 11 μεταβλητές που φαίνονται πιο σημαντικές για την πρόβλεψη της ανάρρωσης και της μη ανάρρωσης, με ακρίβεια έως και 72%, στο τέλος μιας περιόδου εννέα ετών.
Οι ερευνητές δημοσίευσαν τα ευρήματά τους στο Journal of Anxiety Disorders.
Πώς βοηθά η AI;
«Προηγούμενες έρευνες επισημαίνουν ότι γενικευμένη αγχώδης διαταραχή παρουσιάζει υψηλά ποσοστά υποτροπής ενώ η ακρίβεια της κλινικής εκτίμησης στην πρόβλεψη των μακροπρόθεσμων αποτελεσμάτων είναι περιορισμένη», αναφέρουν οι ερευνητές.
«Η παρούσα μελέτη υποδηλώνει ότι τα μοντέλα μηχανικής μάθησης παρουσιάζουν υψηλή ακρίβεια, ευαισθησία και εξειδίκευση στην πρόβλεψη του ποιος θα ανακάμψει και ποιος δεν θα ανακάμψει από τη γενικευμένη αγχώδη διαταραχή. Αυτοί οι προγνωστικοί δείκτες ανάρρωσης θα μπορούσαν να βοηθήσουν στη δημιουργία τεκμηριωμένων, εξατομικευμένων θεραπειών για μακροπρόθεσμη ανάρρωση» εξηγούν οι ερευνητές.
Οι ερευνητές έτρεξαν τις βασικές μεταβλητές μέσω δύο μοντέλων μηχανικής μάθησης: ένα μοντέλο γραμμικής παλινδρόμησης που εξετάζει τη σχέση μεταξύ δύο μεταβλητών και απεικονίζει τα σημεία δεδομένων κατά μήκος μιας σχεδόν ευθείας γραμμής και ένα μη γραμμικό μοντέλο που διακλαδίζεται σαν δέντρο, με διαφορετικά παρακλάδια που απεικονίζουν τον τρόπο με τον οποίο αυτο-διορθώνονται τα προηγούμενα σφάλματα.
Ποιες είναι οι σημαντικότερες μεταβλητές;
Τα μοντέλα εντόπισαν τις μεταβλητές που αποτελούν το κλειδί για την πρόβλεψη της ανάκαμψης ή μη ανάκαμψης κατά τη διάρκεια της εννεαετούς περιόδου, με το γραμμικό μοντέλο να υπερτερεί του μη γραμμικού. Τα μοντέλα προσδιόρισαν επίσης πόσο σημαντική ήταν κάθε μεταβλητή σε σύγκριση με τις άλλες για την πρόβλεψη των αποτελεσμάτων της ανάκαμψης.
Σύμφωνα με τους ερευνητές, το υψηλότερο μορφωτικό επίπεδο, η μεγαλύτερη ηλικία, η μεγαλύτερη υποστήριξη από φίλους, η υψηλότερη αναλογία μέσης-ισχίων και η υψηλότερη θετική επιρροή ή το αίσθημα μεγαλύτερης ευθυμίας φάνηκαν να είναι τα πιο σημαντικά για την ανάρρωση, με αυτήν την σειρά.
Από την άλλη, η καταθλιπτική διάθεση, οι καθημερινές εμπειρίες διακριτικής μεταχείρισης, ο μεγαλύτερος αριθμός συνεδριών με επαγγελματία ψυχικής υγείας κατά τους τελευταίους 12 μήνες και ο μεγαλύτερος αριθμός επισκέψεων σε ιατρούς κατά τους τελευταίους 12 μήνες φάνηκαν να είναι τα πιο σημαντικά για την πρόβλεψη της μη ανάρρωσης.
Οι ερευνητές επαλήθευσαν τα ευρήματα του μοντέλου συγκρίνοντας τις προβλέψεις της μηχανικής μάθησης με τα δεδομένα του MIDUS (συλλογή δεδομένων), επισημαίνοντας ότι οι προβλεπόμενες μεταβλητές ανάκαμψης αντιστοιχούσαν με τους 95 συμμετέχοντες που δεν εμφάνιζαν συμπτώματα γενικευμένης αγχώδους διαταραχής στο τέλος της περιόδου.
