Τεχνητή νοημοσύνη και ψυχική υγεία συνδέονται πλέον σε πολλά επίπεδα, από την ανάλυση της ομιλίας για ενδείξεις κατάθλιψης μέχρι τη μοντελοποίηση της αλληλεπίδρασης μιας χημικής ουσίας με τους υποδοχείς του εγκεφάλου. Μια πρόσφατη συζήτηση στην ψυχοφαρμακολογία για τα ψυχεδελικά φωτίζει ένα ζήτημα που αφορά και τα δύο πεδία. Η δέσμευση μιας ουσίας σε έναν υποδοχέα δεν προβλέπει πάντα το αποτέλεσμα που θα έχει στο κύτταρο.
Στη νευροεπιστήμη αυτή η διάκριση ονομάζεται δέσμευση απέναντι σε λειτουργική δραστηριότητα. Δύο ουσίες μπορούν να προσκολληθούν στον ίδιο υποδοχέα σεροτονίνης, τον 5-HT2A, χωρίς να ενεργοποιήσουν τα ίδια ενδοκυττάρια μονοπάτια. Η ψιλοκυβίνη και μια μη ψυχοδραστική ουσία που δεσμεύεται στον ίδιο υποδοχέα μπορούν να έχουν πολύ διαφορετική κλινική εικόνα, όπως δείχνουν παρατηρήσεις από την έρευνα ψυχεδελικών (Nichols, 2016).
Τεχνητή νοημοσύνη και ψυχική υγεία στην ανακάλυψη φαρμάκων
Η τεχνητή νοημοσύνη έχει μπει σε αυτή τη διαδικασία με συγκεκριμένο ρόλο. Αλγόριθμοι μηχανικής μάθησης εκπαιδεύονται σε χιλιάδες μοριακές δομές για να προβλέψουν όχι μόνο ποια μόρια θα δεσμευτούν σε έναν υποδοχέα, αλλά και τι είδους λειτουργική απάντηση θα προκαλέσουν. Ο στόχος είναι να βρεθούν ουσίες με τα θεραπευτικά οφέλη των ψυχεδελικών χωρίς την ψυχοδραστική εμπειρία.
Αυτή η προσπάθεια έχει πρακτική σημασία για την ψυχιατρική φαρμακολογία, γιατί η ψυχοδραστική εμπειρία περιπλέκει τη χρήση αυτών των ουσιών σε κλινική ρουτίνα και απαιτεί επίβλεψη πολλών ωρών από ειδικευμένο προσωπικό. Κανένα υπολογιστικό μοντέλο, ωστόσο, δεν μπορεί ακόμη να προβλέψει με ασφάλεια το πλήρες λειτουργικό αποτέλεσμα μιας ουσίας στον ζωντανό εγκέφαλο, μόνο βάσει της δομής του μορίου.
Όταν η αναγνώριση μοτίβων δεν σημαίνει κατανόηση
Το ίδιο πρόβλημα, σε άλλη μορφή, εμφανίζεται στα συστήματα τεχνητής νοημοσύνης που αναλύουν λόγο, κείμενο ή έκφραση προσώπου για να εντοπίσουν ενδείξεις κατάθλιψης ή άγχους. Ένα μοντέλο μπορεί να μάθει ότι συγκεκριμένες λέξεις ή παύσεις στην ομιλία συνδέονται στατιστικά με καταθλιπτικά συμπτώματα σε ένα σύνολο δεδομένων.
Αυτή η στατιστική σύνδεση ανάμεσα σε ένα γλωσσικό χαρακτηριστικό και μια διάγνωση δεν αποδεικνύει ότι το μοντέλο έχει κατανοήσει τη λειτουργική πραγματικότητα του ανθρώπου που μιλάει. Ο Graham και οι συνεργάτες του (2019) σημειώνουν σε ανασκόπηση της βιβλιογραφίας ότι τα περισσότερα εργαλεία τεχνητής νοημοσύνης στην ψυχική υγεία έχουν αξιολογηθεί σε μικρούς, μη αντιπροσωπευτικούς πληθυσμούς, γεγονός που περιορίζει τη γενίκευση των ευρημάτων.
Η ικανότητα ενός συστήματος να αναγνωρίζει ένα μοτίβο δεν ισοδυναμεί με την ικανότητα να κατανοήσει τι σημαίνει αυτό το μοτίβο για τον άνθρωπο που το παράγει.
Στην κλινική πράξη αυτή η διαφορά γίνεται αισθητή με απλό τρόπο. Ένας άνθρωπος μπορεί να μιλάει με αργό ρυθμό και λίγες λέξεις όχι επειδή βρίσκεται σε καταθλιπτικό επεισόδιο, αλλά επειδή είναι κουρασμένος, επειδή σκέφτεται προσεκτικά τι θα πει ή επειδή αυτός είναι ο συνηθισμένος τρόπος ομιλίας του. Η επιφανειακή ομοιότητα δεν αρκεί από μόνη της για μια διάγνωση.
Τι μπορεί και τι δεν μπορεί να προσφέρει ένα εργαλείο τεχνητής νοημοσύνης
Υπάρχουν εφαρμογές όπου η τεχνητή νοημοσύνη έχει δώσει μετρήσιμα αποτελέσματα. Ο αυτοματοποιημένος συνομιλητικός βοηθός Woebot, βασισμένος σε αρχές γνωσιακής συμπεριφορικής θεραπείας, μείωσε συμπτώματα κατάθλιψης και άγχους σε φοιτητές μέσα σε δύο εβδομάδες χρήσης, σύμφωνα με τυχαιοποιημένη μελέτη των Fitzpatrick και συνεργατών (2017).
Η μελέτη αυτή είχε μικρό δείγμα και σύντομη παρακολούθηση, οπότε τα ευρήματά της δείχνουν μια πιθανή βοήθεια για ελαφρά συμπτώματα και όχι απόδειξη ότι ένα πρόγραμμα λογισμικού αντικαθιστά τη θεραπευτική σχέση. Οι Fiske, Henningsen και Buyx (2019) υπογραμμίζουν σε ανασκόπηση δεοντολογικών ζητημάτων ότι η απουσία πραγματικής ενσυναίσθησης σε αυτά τα συστήματα παραμένει σημαντικό όριο.
Η ίδια νηφάλια στάση χρειάζεται και απέναντι στα εργαλεία διάγνωσης και απέναντι στα μοντέλα ανακάλυψης φαρμάκων. Η δέσμευση σε ένα μοτίβο δεδομένων, όπως η δέσμευση σε έναν υποδοχέα, είναι το πρώτο βήμα μιας διαδικασίας που παραμένει ουσιαστικά κλινική. Το τι θα συμβεί στη ζωή ενός συγκεκριμένου ανθρώπου εξαρτάται από παράγοντες που κανένας αλγόριθμος δεν έχει ακόμη καταγράψει με πληρότητα.
Βιβλιογραφία
- Nichols, D. E. (2016). Psychedelics. Pharmacological Reviews, 68(2), 264-355.
- Fitzpatrick, K. K., Darcy, A., & Vierhile, M. (2017). Delivering Cognitive Behavior Therapy to Young Adults With Symptoms of Depression and Anxiety Using a Fully Automated Conversational Agent (Woebot): A Randomized Controlled Trial. JMIR Mental Health, 4(2), e19.
- Fiske, A., Henningsen, P., & Buyx, A. (2019). Your Robot Therapist Will See You Now: Ethical Implications of Embodied Artificial Intelligence in Psychiatry, Psychology, and Psychotherapy. Journal of Medical Internet Research, 21(5), e13216.
- Graham, S., Depp, C., Lee, E. E., Nebeker, C., Tu, X., Kim, H. C., & Jeste, D. V. (2019). Artificial Intelligence for Mental Health and Mental Illnesses: an Overview. Current Psychiatry Reports, 21(11), 116.
