پیشبینی حالات روانی با هوش مصنوعی؛ آیا گوشی و مچبند میتوانند افسردگی و خودکشی را پیشبینی کنند؟
پیشبینی حالات روانی با هوش مصنوعی؛ آیا گوشی هوشمند و مچبند میتوانند افسردگی و افکار خودکشی را پیشبینی کنند؟
مقدمه؛ وقتی تلفن همراه به پنجرهای برای مشاهده مغز و رفتار تبدیل میشود
تصور کنید تلفن همراه یا ساعت هوشمند شما، بدون آنکه هر روز پرسشنامهای طولانی تکمیل کنید، تغییرات ظریف در خواب، فعالیت بدنی، الگوی استفاده از گوشی، سرعت تایپ، میزان تعامل اجتماعی، ضربان قلب، هدایت الکتریکی پوست و حتی الگوهای رفتاری روزمره را ثبت کند و یک روز پیش از آنکه خودتان متوجه تغییر وضعیت روانی شوید، احتمال افت خلق یا افزایش استرس را شناسایی کند.
این تصویر زمانی بیشتر شبیه داستانهای علمیتخیلی بود؛ اما امروز به یکی از حوزههای جذاب و بحثبرانگیز پژوهش در تقاطع علوم اعصاب، روانپزشکی، هوش مصنوعی، یادگیری ماشین، پزشکی دیجیتال و فناوریهای پوشیدنی تبدیل شده است.
ایده اصلی ساده به نظر میرسد: اگر تغییرات روانی در رفتار انسان بازتاب پیدا میکنند، شاید بتوان با اندازهگیری مداوم رفتار و سیگنالهای فیزیولوژیک، الگوهایی را شناسایی کرد که پیش از تشدید علائم روانپزشکی ظاهر میشوند.
این رویکرد با مفهومی به نام فنوتایپینگ دیجیتال (Digital Phenotyping) شناخته میشود؛ یعنی استفاده از دادههای حاصل از تعامل روزمره فرد با فناوریهای دیجیتال برای اندازهگیری و مطالعه ویژگیهای رفتاری، شناختی، اجتماعی و فیزیولوژیک او.
اما یک نکته اساسی وجود دارد:
ثبت یک الگوی رفتاری با تشخیص بیماری روانی یکسان نیست و پیشبینی آماری با پیشبینی قطعی نیز تفاوت دارد.
همین مرز، مهمترین بخش داستان هوش مصنوعی در سلامت روان است.
فنوتایپینگ دیجیتال چیست؟
فنوتایپینگ دیجیتال را میتوان نوعی مشاهده پیوسته و کمهزینه از رفتار انسان در محیط واقعی دانست.
در روشهای سنتی، روانپزشک یا روانشناس معمولاً وضعیت فرد را در یک یا چند جلسه ارزیابی میکند. پرسشنامههای استاندارد، مصاحبه بالینی و گزارش فرد یا اطرافیان نیز بخش مهمی از این ارزیابی را تشکیل میدهند.
اما وضعیت روانی انسان ثابت نیست.
خلق، اضطراب، انرژی، خواب، فعالیت اجتماعی و عملکرد شناختی ممکن است در طول روز و در طول هفته تغییر کنند.
فناوری دیجیتال این امکان را فراهم میکند که به جای چند نقطه محدود از زندگی فرد، مجموعهای طولی از دادهها ثبت شود.
برای مثال، یک گوشی هوشمند میتواند دادههایی مانند موارد زیر را در اختیار پژوهشگر قرار دهد:
مدت استفاده از نمایشگر
الگوی باز و بسته کردن برنامهها
سرعت و الگوی تایپ
میزان تعامل با تلفن همراه
الگوی تماسها و پیامها
الگوی جابهجایی و تحرک
فعالیتهای مرتبط با موقعیت مکانی
زمانهای فعالیت و عدم فعالیت
الگوهای استفاده از اینترنت
برخی شاخصهای تعامل اجتماعی
ساعتها و مچبندهای هوشمند نیز میتوانند بسته به مدل و حسگرهای موجود، اطلاعاتی مانند:
ضربان قلب
تغییرپذیری ضربان قلب یا HRV
فعالیت بدنی
الگوی خواب
دمای پوست
شتاب حرکت
هدایت الکتریکی پوست یا EDA
و گاهی سایر سیگنالهای فیزیولوژیک
را ثبت کنند.
ترکیب این دادهها میتواند تصویری پویا از وضعیت فرد ایجاد کند؛ تصویری که در پژوهشهای امروزی گاهی با عنوان Digital Phenotype یا «فنوتیپ دیجیتال» از آن یاد میشود.
از یک مچبند تا یک مدل هوش مصنوعی
اهمیت اصلی این فناوری صرفاً در جمعآوری داده نیست.
مسئله مهمتر این است که چگونه میتوان از میان میلیونها نقطه داده، الگوهای معنادار را استخراج کرد.
اینجاست که هوش مصنوعی (Artificial Intelligence) و یادگیری ماشین (Machine Learning) وارد میدان میشوند.
فرض کنید پژوهشگران اطلاعات مربوط به صدها فرد را برای چندین هفته ثبت کردهاند. در کنار آن، شرکتکنندگان هر روز وضعیت خلق، استرس، خواب یا اضطراب خود را گزارش کردهاند.
مدل یادگیری ماشین میتواند بررسی کند آیا میان تغییرات رفتاری و فیزیولوژیک و تغییرات گزارششده در خلق ارتباطی وجود دارد یا خیر.
برای مثال ممکن است مدل متوجه شود که در برخی افراد، مجموعهای از تغییرات شامل:
کاهش فعالیت بدنی + تغییر الگوی خواب + کاهش تعامل اجتماعی + تغییر استفاده از تلفن همراه + افزایش برخی شاخصهای فیزیولوژیک
با افزایش احتمال افت خلق همراه است.
اما اینجا یک تفاوت مهم وجود دارد:
مدل نمیگوید «این فرد قطعاً افسرده شده است».
بلکه ممکن است بگوید:
الگوی مشاهدهشده با افزایش احتمال یک تغییر خاص در وضعیت روانی همراه است.
این تفاوت برای پزشکی بسیار حیاتی است.
آیا میتوان افسردگی را با گوشی هوشمند پیشبینی کرد؟
افسردگی یکی از مهمترین حوزههایی است که پژوهشگران فنوتایپینگ دیجیتال روی آن تمرکز کردهاند.
علائم افسردگی تنها در احساس غمگینی خلاصه نمیشوند. تغییر در خواب، فعالیت، انرژی، سرعت روانی ـ حرکتی، تعامل اجتماعی، تمرکز و الگوهای روزمره نیز میتواند همراه آن باشد.
از دیدگاه علوم اعصاب، این موضوع اهمیت ویژهای دارد؛ زیرا اختلالات روانپزشکی را نمیتوان صرفاً به یک احساس ذهنی منفرد تقلیل داد.
افسردگی با شبکههای عصبی متعددی درگیر است و فرآیندهایی مانند:
تنظیم هیجان
پردازش پاداش
انگیزش
کنترل شناختی
توجه
خواب و ریتم شبانهروزی
پاسخ به استرس
در آن نقش دارند.
از این منظر، رفتار روزمره میتواند یکی از خروجیهای قابل مشاهده فعالیت پیچیده مغز باشد.
اگر فردی که معمولاً روزانه فعالیت اجتماعی بالایی دارد، ناگهان تعاملات اجتماعی خود را کاهش دهد، ساعات خوابش تغییر کند، تحرکش پایین بیاید و الگوی استفاده از گوشی نیز تغییر کند، ممکن است این مجموعه داده برای یک مدل آماری ارزشمند باشد.
اما این الگو بهتنهایی اثبات نمیکند که فرد به افسردگی مبتلا شده است.
ممکن است علت آن امتحان، بیماری جسمی، مشکلات خانوادگی، تغییر شغل، سفر یا دهها عامل دیگر باشد.
بنابراین زمینه (Context) در تحلیل سلامت روان اهمیت فوقالعادهای دارد.
چرا یک شاخص بهتنهایی کافی نیست؟
یکی از مهمترین مشکلات پیشبینی وضعیت روانی، ابهام زیستی و رفتاری سیگنالها است.
برای مثال، افزایش هدایت الکتریکی پوست میتواند با افزایش برانگیختگی فیزیولوژیک همراه باشد.
اما برانگیختگی همیشه به معنای استرس یا وضعیت منفی نیست.
فرد ممکن است هنگام:
ورزش کردن
هیجانزده شدن
حل کردن یک مسئله دشوار
مشاهده یک فیلم هیجانانگیز
صحبت کردن با یک دوست
یا تجربه اضطراب
تغییرات فیزیولوژیک مشابهی داشته باشد.
در نتیجه، یک سیگنال منفرد معمولاً معنای روانشناختی منحصربهفردی ندارد.
این مسئله یکی از دلایلی است که پژوهشگران به سمت Multimodal Data یا دادههای چندوجهی حرکت کردهاند.
در این رویکرد، اطلاعات چند منبع مختلف با یکدیگر ترکیب میشوند.
برای مثال:
فعالیت + خواب + ضربان قلب + HRV + EDA + تعاملات دیجیتال + گزارش خلق
ممکن است اطلاعات بیشتری نسبت به هرکدام از این شاخصها بهتنهایی ارائه کند.
نقش خواب در پیشبینی وضعیت روانی
خواب یکی از جذابترین متغیرها در فنوتایپینگ دیجیتال است.
اختلال خواب هم میتواند پیامد مشکلات روانی باشد و هم با تشدید برخی علائم ارتباط داشته باشد.
تغییر در:
زمان خواب
مدت خواب
نظم خواب
بیدارشدنهای شبانه
فعالیت شبانه
زمان بیدار شدن
و ریتم شبانهروزی
میتواند برای الگوریتمهای پیشبینی اهمیت داشته باشد.
در برخی افراد، تغییر الگوی خواب ممکن است پیش از تغییر قابلتوجه در خلق مشاهده شود.
اما رابطه میان خواب و سلامت روان یکطرفه نیست.
به همین دلیل، الگوریتمهای پیشرفتهتر تلاش میکنند الگوهای زمانی و روابط متقابل متغیرها را بررسی کنند.
تلفن همراه چگونه میتواند اطلاعات رفتاری تولید کند؟
یکی از جذابترین ویژگیهای تلفن هوشمند این است که فرد تقریباً همیشه آن را همراه خود دارد.
این ویژگی، گوشی را به نوعی حسگر رفتاری تبدیل میکند.
نحوه تعامل فرد با نمایشگر ممکن است شامل اطلاعاتی درباره:
سرعت تایپ، مدت استفاده، الگوی لمس، تعداد تعاملات، زمان استفاده، جابهجایی میان برنامهها و برخی شاخصهای حرکتی
باشد.
پژوهشگران حتی مفهوم Digital Biomarker یا «بیومارکر دیجیتال» را برای برخی شاخصهای قابل استخراج از فناوری دیجیتال به کار میبرند.
با این حال، هر داده دیجیتالی الزاماً یک بیومارکر معتبر نیست.
برای تبدیل یک شاخص رفتاری به یک Digital Biomarker معتبر بالینی باید مسیر طولانی اعتبارسنجی طی شود.
تفاوت Digital Phenotyping و Digital Biomarker
این دو اصطلاح گاهی به اشتباه به جای یکدیگر استفاده میشوند.
فنوتایپینگ دیجیتال بیشتر به فرآیند اندازهگیری و توصیف رفتارها و ویژگیهای فرد با استفاده از دادههای دیجیتال اشاره دارد.
اما بیومارکر دیجیتال باید بتواند یک ویژگی قابل اندازهگیری و مرتبط با یک وضعیت زیستی یا بالینی را به شکل معتبر نشان دهد.
بنابراین هر Digital Phenotype الزاماً Digital Biomarker نیست.
این تمایز برای مقالات علمی و پژوهشهای پزشکی اهمیت زیادی دارد.
داستان متیو ناک و مسئله پیشبینی خودکشی
یکی از انگیزههای مهم برای توسعه چنین فناوریهایی، دشواری پیشبینی رفتار خودکشی است.
خودکشی از پیچیدهترین پدیدههای سلامت روان محسوب میشود و نمیتوان آن را با یک متغیر منفرد توضیح داد.
عوامل متعددی میتوانند در خطر خودکشی نقش داشته باشند؛ از جمله:
اختلالات خلقی
برخی اختلالات روانپزشکی
مصرف مواد
سابقه اقدام به خودکشی
انزوای اجتماعی
بحرانهای شدید زندگی
برخی عوامل شناختی و هیجانی
و مجموعهای از عوامل فردی و محیطی
اما وجود یک عامل خطر به معنای آن نیست که فرد در آینده نزدیک اقدام به خودکشی خواهد کرد.
همین مسئله باعث شده است که پژوهشگران به دنبال پیشبینی پویا و طولی خطر خودکشی باشند.
ایده این است که شاید تغییرات لحظهای در رفتار و فیزیولوژی بتواند اطلاعاتی را فراهم کند که در ارزیابیهای مقطعی دیده نمیشود.
آیا هوش مصنوعی میتواند زمان بروز افکار خودکشی را پیشبینی کند؟
پاسخ علمی باید بسیار محتاطانه باشد:
در حال حاضر نمیتوان از فناوریهای پوشیدنی یا هوش مصنوعی بهعنوان ابزاری قطعی برای پیشبینی زمان خودکشی استفاده کرد.
برخی مطالعات پژوهشی نشان دادهاند که دادههای دیجیتال میتوانند با برخی شاخصهای خطر خودکشی یا تغییرات وضعیت روانی ارتباط داشته باشند.
اما پیشبینی دقیق رفتار خودکشی یک مسئله بسیار دشوارتر است.
در این زمینه، چند مشکل وجود دارد.
اول اینکه رفتار خودکشی نسبتاً کمشیوع است.
وقتی یک پیامد نسبتاً نادر باشد، حتی یک مدل با دقت ظاهری بالا ممکن است تعداد قابلتوجهی هشدار کاذب تولید کند.
دوم اینکه رفتار انسان بسیار وابسته به شرایط است.
سوم اینکه الگوهای افراد با یکدیگر متفاوتاند.
چهارم اینکه مدل ممکن است در یک جمعیت عملکرد مناسبی داشته باشد اما در جمعیت دیگر عملکرد آن کاهش پیدا کند.
و پنجم اینکه یک هشدار اشتباه در حوزه خودکشی میتواند پیامدهای جدی داشته باشد.
بنابراین معیارهایی مانند Sensitivity، Specificity، PPV، NPV، AUROC، Calibration و External Validation اهمیت بیشتری از یک «درصد دقت» ساده دارند.
مشکل بزرگ AI در سلامت روان: همبستگی با علیت متفاوت است
یکی از مهمترین اصول روششناسی پژوهش این است:
Correlation does not imply causation.
اگر الگوریتم مشاهده کند که کاهش فعالیت اجتماعی با افت خلق همراه است، نمیتوان نتیجه گرفت کاهش تعامل اجتماعی علت افسردگی بوده است.
ممکن است هر دو پیامد عامل دیگری باشند.
یا حتی رابطهای دوطرفه وجود داشته باشد.
این مسئله در علوم اعصاب محاسباتی و روانپزشکی دیجیتال اهمیت ویژهای دارد.
هدف پژوهشگران باید حرکت از:
تشخیص همبستگی
به سوی:
مدلسازی علّی و آزمون مداخلات
باشد.
چرا مدلهای شخصیسازیشده اهمیت دارند؟
انسانها از نظر رفتار روزمره بسیار متفاوتاند.
فرض کنید یک فرد هر شب ساعت ۱۱ میخوابد و فرد دیگری معمولاً ساعت ۲ بامداد به خواب میرود.
اگر الگوریتم صرفاً بر اساس میانگین جمعیت آموزش دیده باشد، ممکن است رفتار طبیعی یکی از این افراد را غیرطبیعی تلقی کند.
این مشکل با مفهوم Personalized Digital Phenotyping اهمیت پیدا میکند.
در این رویکرد، الگوریتم به جای اینکه فقط بپرسد:
«این رفتار نسبت به میانگین مردم چگونه است؟»
میپرسد:
«این رفتار نسبت به خط پایه خود این فرد چگونه تغییر کرده است؟»
این تغییر دیدگاه میتواند بسیار مهم باشد.
برای مثال کاهش ۳۰ درصدی فعالیت اجتماعی ممکن است برای یک فرد تغییر بسیار بزرگی باشد، اما برای فرد دیگری طبیعی باشد.
بنابراین Baseline شخصی یکی از مفاهیم کلیدی در آینده سلامت روان دیجیتال خواهد بود.
از دادههای جمعیتی تا Digital Twin
در چشمانداز بلندمدت، میتوان تصور کرد که مدلهای هوش مصنوعی بتوانند یک مدل پویا از وضعیت فرد ایجاد کنند.
چنین مدلی ممکن است اطلاعاتی درباره:
خواب
فعالیت
استرس
تعاملات اجتماعی
شناخت
خلق
فیزیولوژی
و سابقه بالینی
را در طول زمان ترکیب کند.
این ایده به حوزههای پیشرفتهتر مانند Digital Twin نزدیک میشود.
البته «دوقلوی دیجیتال» انسان در پزشکی هنوز مفهومی بسیار پیچیدهتر از یک داشبورد سلامت است و نباید آن را با یک مدل ساده پیشبینی خلق یکسان دانست.
نقش یادگیری عمیق در پیشبینی حالات روانی
با افزایش حجم دادهها، روشهای Deep Learning نیز میتوانند مورد استفاده قرار گیرند.
شبکههای عصبی بازگشتی، مدلهای مبتنی بر توالی و معماریهای جدیدتر میتوانند برای دادههایی که در طول زمان ثبت میشوند جذاب باشند.
دادههای سلامت دیجیتال ماهیتی Longitudinal دارند؛ یعنی یک فرد ممکن است هزاران مشاهده در روزها و هفتههای مختلف داشته باشد.
بنابراین مسئله تنها تشخیص یک تصویر یا یک سیگنال نیست.
مدل باید بتواند:
زمان، ترتیب رخدادها، تغییرات فردی و تعامل چندین متغیر را در نظر بگیرد.
این مسئله، حوزه را به Time-Series Machine Learning و Temporal Modeling نزدیک میکند.
چرا Explainable AI در روانپزشکی ضروری است؟
فرض کنید الگوریتم اعلام کند:
«احتمال افت شدید خلق در هفت روز آینده افزایش یافته است.»
سؤال پزشک این خواهد بود:
چرا؟
اگر پاسخ مدل فقط یک عدد باشد، اعتماد به آن دشوار خواهد بود.
به همین دلیل Explainable AI یا XAI اهمیت زیادی پیدا میکند.
پزشک باید بتواند تا حد امکان بفهمد کدام متغیرها در تصمیم مدل نقش داشتهاند.
برای مثال:
کاهش فعالیت
تغییر خواب
تغییر HRV
کاهش تعامل اجتماعی
یا تغییر الگوی استفاده از گوشی
ممکن است بهعنوان عوامل مؤثر در پیشبینی مدل گزارش شوند.
البته توضیحپذیری مدل لزوماً به معنای کشف علت زیستی بیماری نیست.
چالش مهمتر: هشدار اشتباه
در پزشکی، هشدار بیش از حد میتواند به اندازه عدم هشدار مشکلساز باشد.
اگر سیستم دائماً به فرد هشدار دهد که:
«ممکن است وضعیت روانی شما در حال بدتر شدن باشد»
ممکن است خود هشدار به عاملی برای افزایش اضطراب تبدیل شود.
از سوی دیگر، اگر سیستم به اشتباه وضعیت فرد را طبیعی ارزیابی کند، ممکن است یک فرصت مهم برای مداخله از دست برود.
این همان مسئله کلاسیک False Positive و False Negative است.
در حوزه سلامت روان، انتخاب نقطه تعادل میان این دو، یک تصمیم صرفاً فنی نیست؛ بلکه تصمیمی بالینی، اخلاقی و حتی اجتماعی است.
آیا پیشبینی خلق میتواند خودش خلق را تغییر دهد؟
این پرسش یکی از جذابترین مسائل این حوزه است.
فرض کنید الگوریتم به فرد بگوید:
«امروز احتمالاً روز سختی خواهید داشت.»
آیا فرد با دریافت این پیام، واقعاً روز سختتری خواهد داشت؟
ممکن است در برخی افراد چنین اتفاقی رخ دهد.
پیشبینی دیگر صرفاً یک مشاهده منفعل نیست؛ بلکه ممکن است رفتار فرد را تغییر دهد.
در علوم اجتماعی و سیستمهای پیچیده، این مسئله به Feedback Loop نزدیک میشود.
الگوریتم وضعیت فرد را پیشبینی میکند.
فرد پیشبینی را میبیند.
پیشبینی بر رفتار او اثر میگذارد.
رفتار جدید دوباره داده تولید میکند.
مدل این داده را دریافت میکند.
بنابراین سیستم وارد یک چرخه بازخوردی میشود.
این یکی از دلایلی است که طراحی مداخلات دیجیتال سلامت روان باید بسیار دقیق باشد.
آیا میتوان از هوش مصنوعی برای مداخله استفاده کرد؟
هدف نهایی بسیاری از پژوهشگران صرفاً پیشبینی نیست.
اگر بتوانیم افت وضعیت روانی را زودتر شناسایی کنیم، شاید بتوانیم پیش از تشدید علائم مداخله کنیم.
برای مثال سیستم ممکن است پیشنهاد کند فرد:
خواب خود را منظم کند
فعالیت بدنی داشته باشد
با فردی مورد اعتماد ارتباط برقرار کند
تمرین آرامسازی انجام دهد
یک فعالیت از پیش تعیینشده را دنبال کند
یا با متخصص سلامت روان تماس بگیرد.
اما اینجا نیز باید احتیاط کرد.
الگوریتم نباید جایگزین روانپزشک یا روانشناس شود.
بهویژه در شرایطی مانند خطر خودکشی، تصمیمگیری بالینی باید در چارچوب پروتکلهای حرفهای و با مشارکت متخصص انجام شود.
سلامت روان دیجیتال و مفهوم Digital Mental Health
مجموعه این فناوریها در چارچوب گستردهتر Digital Mental Health قرار میگیرد.
سلامت روان دیجیتال شامل طیف گستردهای از فناوریها است:
اپلیکیشنهای سلامت روان
تلهروانپزشکی
چتباتهای سلامت روان
ابزارهای پوشیدنی
پایش دیجیتال
فنوتایپینگ دیجیتال
مداخلات مبتنی بر تلفن همراه
و سامانههای تصمیمیار بالینی
این حوزه بهسرعت در حال رشد است، اما رشد فناوری نباید با اثبات اثربخشی بالینی اشتباه گرفته شود.
یک اپلیکیشن ممکن است از نظر فناوری بسیار پیشرفته باشد، اما برای استفاده بالینی هنوز به مطالعات اعتبارسنجی، آزمونهای کنترلشده، ارزیابی ایمنی و بررسی پیامدهای بلندمدت نیاز داشته باشد.
بزرگترین مانع؛ حریم خصوصی
شاید حساسترین بخش فنوتایپینگ دیجیتال، خود الگوریتم نباشد.
دادهها هستند.
دادههایی که میتوانند درباره سلامت روان فرد اطلاعات تولید کنند، بسیار حساساند.
اطلاعات مربوط به:
موقعیت مکانی
تماسها
الگوی خواب
فعالیت اجتماعی
تعاملات دیجیتال
علائم روانی
رفتار روزانه
در صورت افشای نامناسب میتوانند پیامدهای جدی داشته باشند.
بنابراین Privacy by Design باید از ابتدای طراحی سامانه در نظر گرفته شود.
پژوهشگر باید از ابتدا مشخص کند:
چه دادهای جمعآوری میشود؟
چرا جمعآوری میشود؟
چه کسی به آن دسترسی دارد؟
داده تا چه مدت نگهداری میشود؟
آیا داده قابل شناسایی است؟
آیا شرکتکننده میتواند از مطالعه خارج شود؟
و اگر الگوریتم خطر روانی را شناسایی کرد، چه کسی مسئول اقدام بعدی است؟
آیا شرکتهای بیمه میتوانند از سلامت روان دیجیتال استفاده کنند؟
این نگرانی صرفاً نظری نیست.
اگر فناوری بتواند برخی ویژگیهای روانی را از دادههای روزمره استخراج کند، این پرسش مطرح میشود که آیا چنین اطلاعاتی ممکن است روزی توسط:
شرکتهای بیمه
کارفرمایان
شرکتهای تبلیغاتی
پلتفرمهای فناوری
یا سایر سازمانها
استفاده شود.
در یک سناریوی نگرانکننده، ممکن است دادهای که فرد برای مراقبت از سلامت خود در اختیار یک اپلیکیشن قرار داده است، بعدها برای تصمیمی کاملاً متفاوت مورد استفاده قرار گیرد.
بنابراین مسئله اصلی فقط «آیا هوش مصنوعی میتواند پیشبینی کند؟» نیست.
سؤال بزرگتر این است:
چه کسی حق دارد بداند هوش مصنوعی درباره سلامت روان ما چه پیشبینیای کرده است؟
سوگیری الگوریتمی؛ تهدیدی جدی برای پزشکی دیجیتال
اگر یک مدل عمدتاً بر اساس دادههای یک گروه خاص آموزش داده شود، ممکن است در جمعیتهای دیگر عملکرد ضعیفتری داشته باشد.
این مسئله به Algorithmic Bias معروف است.
تفاوتهای فرهنگی، اجتماعی، زبانی، اقتصادی، سنی و حتی الگوهای استفاده از فناوری میتوانند بر عملکرد مدل اثر بگذارند.
بنابراین یک مدل سلامت روان باید در جمعیتهای متنوع آزمایش شود.
External Validation یکی از الزامات اساسی برای ارزیابی قابلیت تعمیم چنین مدلهایی است.
مدلی که در یک دانشگاه عملکرد خوبی دارد، لزوماً در یک بیمارستان، کشور یا فرهنگ دیگر همان عملکرد را نخواهد داشت.
چرا «دقت ۸۰ درصد» بهتنهایی معنای زیادی ندارد؟
گاهی در گزارشهای فناوری گفته میشود:
«هوش مصنوعی با دقت ۸۰ درصد خلق فرد را پیشبینی کرد.»
این جمله در نگاه اول بسیار چشمگیر است.
اما از دیدگاه آمار پزشکی، سؤالهای مهمتری مطرح میشود:
این ۸۰ درصد چگونه محاسبه شده است؟
مجموعه داده آموزش و آزمون چگونه تقسیم شدهاند؟
آیا Cross-Validation انجام شده است؟
آیا مدل روی دادهای کاملاً مستقل آزموده شده است؟
میزان Sensitivity چقدر بوده است؟
Specificity چقدر بوده است؟
AUROC چقدر بوده است؟
آیا مدل Calibration مناسبی داشته است؟
آیا دادههای فرد جدید را میتواند تحلیل کند؟
آیا عملکرد مدل در طول زمان پایدار است؟
بنابراین «Accuracy» فقط یکی از معیارهاست.
در پزشکی، Clinical Utility اهمیت بیشتری دارد.
تفاوت Research Prototype با ابزار بالینی
بسیاری از فناوریهایی که در رسانهها معرفی میشوند، هنوز در مرحله پژوهشی قرار دارند.
ممکن است یک الگوریتم در یک مطالعه آزمایشگاهی عملکرد جالبی نشان دهد، اما برای تبدیل شدن به ابزار بالینی باید مراحل بیشتری را پشت سر بگذارد.
این مسیر میتواند شامل:
کشف شاخص ← توسعه الگوریتم ← اعتبارسنجی داخلی ← اعتبارسنجی خارجی ← مطالعه آیندهنگر ← آزمون بالینی ← ارزیابی ایمنی ← ارزیابی اثربخشی ← بررسی کاربرد بالینی
باشد.
بنابراین نباید هر الگوریتم پژوهشی را یک «دستگاه تشخیص پزشکی» تلقی کرد.
آینده پیشبینی حالات روانی چگونه خواهد بود؟
احتمالاً آینده این حوزه نه در یک حسگر واحد، بلکه در ترکیب چند منبع داده خواهد بود.
در یک سامانه پیشرفته، ممکن است اطلاعات زیر در کنار یکدیگر تحلیل شوند:
Wearable Sensors + Smartphone Data + Sleep + Activity + HRV + EDA + Voice + Facial Behavior + Cognitive Tasks + Clinical Assessments
این دادهها میتوانند به شکل طولی تحلیل شوند تا تغییرات فردی بهتر شناسایی شوند.
اما حتی در چنین سامانهای نیز الگوریتم باید نقش «کمککننده به تصمیمگیری» داشته باشد، نه جایگزین متخصص.
ارتباط این فناوری با علوم اعصاب
از منظر علوم اعصاب، جذابیت فنوتایپینگ دیجیتال در این است که میتواند پلی میان:
فعالیت مغز ← وضعیت فیزیولوژیک ← رفتار ← محیط ← سلامت روان
ایجاد کند.
مغز در خلأ فعالیت نمیکند.
تنظیم هیجان، انگیزش، توجه، خواب و رفتار اجتماعی در تعامل دائمی با بدن و محیط اتفاق میافتند.
به همین دلیل، اندازهگیری رفتار روزمره میتواند مکمل تصویربرداری عصبی، ارزیابی شناختی و دادههای بالینی باشد.
در آینده، ترکیب Neuroimaging، EEG، Digital Phenotyping، Biomarkers و Machine Learning میتواند مسیرهای تازهای را برای مطالعه اختلالات مغزی و روانپزشکی ایجاد کند.
آیا گوشی هوشمند میتواند «ذهن» ما را بخواند؟
خیر.
این فناوریها ذهن را مستقیماً نمیخوانند.
آنها نشانههای غیرمستقیم رفتار و فیزیولوژی را اندازهگیری میکنند و سپس با استفاده از مدلهای آماری یا یادگیری ماشین، احتمال برخی وضعیتها را تخمین میزنند.
این تفاوت باید برای عموم مردم کاملاً روشن باشد.
هوش مصنوعی نمیتواند صرفاً با مشاهده نحوه لمس صفحه تلفن، با قطعیت بفهمد فرد چه فکری میکند.
بلکه ممکن است یک الگوی رفتاری را با یک وضعیت خاص مرتبط کند.
بنابراین بهتر است به جای اصطلاحات اغراقآمیز مانند «خواندن ذهن»، از مفاهیمی مانند:
پیشبینی احتمالی وضعیت روانی، پایش دیجیتال رفتار و تخمین خطر
استفاده شود.
یک انقلاب احتمالی؛ از درمان پس از بحران به پیشگیری پیش از بحران
اگر این فناوریها در آینده بتوانند با دقت، اعتبار و ایمنی کافی تغییرات معنادار سلامت روان را زودتر شناسایی کنند، یکی از مهمترین دستاوردهای آنها میتواند تغییر زمان مداخله باشد.
در پزشکی سنتی، گاهی فرد زمانی به سیستم درمانی مراجعه میکند که علائم به اندازه کافی شدید شدهاند.
اما در پزشکی پیشبینانه، هدف این است که تغییرات اولیه زودتر شناسایی شوند.
این همان ایده Predictive, Preventive and Personalized Medicine است.
با این حال، «زودتر تشخیص دادن» فقط زمانی ارزشمند است که بتوانیم بر اساس آن تشخیص، مداخلهای ایمن و مؤثر ارائه کنیم.
اگر یک مدل فقط هشدار بدهد اما هیچ مسیر بالینی مشخصی برای اقدام وجود نداشته باشد، ارزش آن محدود خواهد بود.
مهمترین پرسش آینده: آیا الگوریتم میتواند انسان را بهتر از خودش بشناسد؟
شاید پاسخ نهایی این پرسش هنوز مشخص نباشد.
انسانها گاهی تغییرات خود را دیر تشخیص میدهند.
ممکن است فردی کاهش تدریجی انرژی، تغییر خواب یا کاهش ارتباطات اجتماعی خود را طبیعی تلقی کند.
یک سیستم پایش طولی شاید بتواند چنین تغییراتی را زودتر مشاهده کند.
اما الگوریتم نیز محدودیت دارد.
دادهها ناقصاند.
رفتار انسان پیچیده است.
سیگنالها مبهماند.
و مهمتر از همه، انسان فقط مجموعهای از دادهها نیست.
احساسات، روابط، فرهنگ، تجربههای زندگی و معنای شخصی رویدادها در سلامت روان نقش دارند و بسیاری از آنها به آسانی در قالب عدد ذخیره نمیشوند.
بنابراین آینده مطلوب، رقابت میان انسان و هوش مصنوعی نیست.
آینده مطلوب، همکاری انسان و هوش مصنوعی است.
از «پیشبینی» تا «پیشگیری»
شاید مهمترین تحول این حوزه زمانی اتفاق بیفتد که پژوهشگران از خود بپرسند:
بعد از پیشبینی چه اتفاقی میافتد؟
اگر الگوریتم احتمال افت خلق را افزایشیافته تشخیص دهد، آیا فرد باید پیام دریافت کند؟
اگر احتمال خطر خودکشی افزایش پیدا کند، چه کسی باید مطلع شود؟
آیا بیمار باید با پزشک تماس بگیرد؟
آیا سیستم باید یک مداخله شناختی ارائه کند؟
آیا باید مراقب یا عضو خانواده در جریان قرار گیرد؟
و مهمتر از همه:
چه کسی مسئول تصمیم نهایی است؟
این پرسشها نشان میدهند که آینده سلامت روان دیجیتال فقط به توسعه الگوریتمهای قدرتمندتر وابسته نیست.
ما به همان اندازه به:
اخلاق پزشکی، روانپزشکی، علوم اعصاب، امنیت سایبری، حقوق داده، طراحی انسانمحور و سیاستگذاری سلامت
نیاز داریم.
جمعبندی؛ هوش مصنوعی هنوز ذهن انسان را نمیخواند، اما شاید بتواند تغییرات آن را زودتر تشخیص دهد
ایده استفاده از تلفن همراه، ساعت هوشمند و مچبند برای پایش وضعیت روانی، یکی از جذابترین حوزههای در حال توسعه در پزشکی دیجیتال است.
فنوتایپینگ دیجیتال این امکان را فراهم میکند که به جای تکیه صرف بر ارزیابیهای مقطعی، رفتار و فیزیولوژی فرد در محیط واقعی و در طول زمان بررسی شود.
ترکیب دادههایی مانند:
خواب، فعالیت بدنی، ضربان قلب، HRV، هدایت الکتریکی پوست، تعاملات اجتماعی و الگوی استفاده از تلفن همراه
با الگوریتمهای Machine Learning و Artificial Intelligence میتواند به شناسایی الگوهایی کمک کند که با تغییرات سلامت روان همراه هستند.
پژوهشهای این حوزه همچنین این پرسش را مطرح کردهاند که آیا میتوان از چنین فناوریهایی برای پیشبینی افسردگی، افت خلق، افزایش استرس یا حتی تغییرات مرتبط با خطر خودکشی استفاده کرد.
اما فاصله میان یک یافته پژوهشی امیدوارکننده و یک ابزار بالینی قابل اعتماد بسیار زیاد است.
هوش مصنوعی هنوز نمیتواند با قطعیت بگوید یک انسان فردا افسرده خواهد شد یا چه زمانی دست به خودکشی خواهد زد.
آنچه فناوری امروز میتواند انجام دهد، در بهترین حالت، استخراج الگوهای احتمالی از دادههای پیچیده و کمک به شناسایی تغییراتی است که ممکن است برای متخصص سلامت روان ارزشمند باشند.
آینده این حوزه احتمالاً متعلق به سامانههایی خواهد بود که:
شخصیسازیشده، چندوجهی، طولی، توضیحپذیر، دارای اعتبارسنجی خارجی، حافظ حریم خصوصی و تحت نظارت متخصصان بالینی
باشند.
اگر این مسیر با دقت علمی و اخلاقی طی شود، شاید روزی تلفن همراه و ساعت هوشمند نه برای «خواندن ذهن انسان»، بلکه برای کمک به شناخت زودهنگام تغییراتی به کار گرفته شوند که خود فرد یا حتی اطرافیانش هنوز متوجه آنها نشدهاند.
و شاید ارزشمندترین دستاورد این فناوری دقیقاً همین باشد:
نه اینکه ماشین جای روانپزشک یا متخصص علوم اعصاب را بگیرد؛ بلکه بتواند پیش از آنکه یک بحران به نقطه بیبازگشت برسد، نشانهای ظریف را به انسانی متخصص نشان دهد.
این همان نقطهای است که هوش مصنوعی، علوم اعصاب و روانپزشکی میتوانند به جای آنکه رقیب یکدیگر باشند، به سه ضلع یک نظام پیشگیرانه و شخصیسازیشده برای سلامت مغز و روان تبدیل شوند.
