AI-baserade språkmodeller för diagnos av depression och ångest

Forskarna i projektet vill utveckla AI-baserade språkmodeller som ska tillämpas i kliniska sammanhang för att stödja diagnostisering och uppföljning av depression och ångest.

Depression och ångest är en av vår tids stora folksjukdomar som skapar både ett stort lidande och kostnader för många människor. Exempelvis står mental ohälsa för nästan hälften av alla sjukskrivningar i Sverige idag. Att ge korrekt och tidig diagnos samt att följa utvecklingen av ångest och depression över tid är viktigt för att starta, ändra, eller avsluta rätt behandling vid rätt tidpunkt, något som påskyndar tillfrisknandet och minskar lidandet. 

Diagnostisering av ångest och depression sker idag främst genom subjektiva bedömningar och erfarenheter av kliniker, baserade på intervjuer mellan behandlande personal och patient, som ibland stöds av skattningsskalor. Ofta saknas validerade beslutsstöd. Språket är det naturliga sättet för människor att kommunicera sina mentala tillstånd, dock saknas tillförlitliga och vetenskapligt standardiserade verktyg för att mäta hur patienter beskriver sin mentala ohälsa i kliniska sammanhang.

Forskargruppen har tidigare gjort de grundläggande studierna på hur patienter kan beskriva mental ohälsa med ord, som analyseras med semantiska språkmodeller, och hur dessa har hög validitet till skattningsskalor för depression och ångest. Projektet syftar nu till att ge ett nyskapande och substantiellt bidrag genom att visa hur träffsäkerheten av dessa mätinstrument markant kan förbättras genom: 

• Att kombinera olika svarsformat som fritext och skattningsskalor, samt olika typer av frågor på ett optimalt sätt.
• Att använda “intelligenta enkäter” som väljer de frågor som ger mest information om en tilltänkt diagnos. 
• Att använda AI-baserade, djupa språkmodeller som förstår grammatik och semantik på olika språk, samt maskininlärningsalgoritmer som väger samman olika frågor på ett optimalt sätt.
• Att undersöka patienters och klinkers inställning och upplevelse av nytta, precision och tillförlitlighet till att använda sig av dessa mätinstrument i kliniska sammanhang. 
• Att i en randomiserad klinisk prövning, RCT, utvärdera hur det utarbetade beslutsstödet, jämfört med rådande praktik, påverkar hur länge patienter är sjuka och längden av sjukskrivningar.

De föreslagna metoderna förbättrar radikalt precisionen i diagnostiseringar av depression och
ångest. Preliminära data visar:

• Att andelen feldiagnostisering kan halveras jämfört med skattningsskalor genom att kombinera flera texter och skattningsskalor med AI.
• Att metoden med bara fritext och ordsvar, med större träffsäkerhet än i tidigare litteratur, predicerar skattningsskalor (r = .85). 
• Att ordsvar är mer korrekta än skattningsskalor på att klassificera självupplevda känslotillstånd eller känslotillstånd uttryckta i ansiktsuttryck.

Sammanfattningsvis ämnar forskarna att skapa nya och praktiskt tillämpbara metoder, där patienter i texter, på ett naturligt sätt, kan beskriva hur de mår. Detta menar forskarna kommer att öka tillförlitligheten i diagnostisering och uppföljning av ångest och depression. I randomiserade kliniska prövningar kommer de att mäta hur detta påskyndar tillfriskningen och förkortar sjukskrivningarna.