Uso de inteligencia artificial responsable (IA) para predecir el resultado y el compromiso de la terapia en línea

Los trastornos mentales contribuyen en gran medida a la carga mundial de morbilidad, pero muchas personas no tienen acceso a la atención de la salud mental. Esta brecha de tratamiento se debe en parte a factores estructurales (p. ej., disponibilidad) y relacionados con la actitud (p. ej., miedo al estigma) barreras en la búsqueda de atención médica. La terapia digital (DTx) en forma de intervenciones digitales de salud mental o psicoterapia digital puede ser la solución a este problema. La integración de las Tecnologías de la Información y la Comunicación (TIC) y la atención de la salud mental tiene el potencial de aumentar la eficiencia de la prestación de la atención y permite la personalización de los tratamientos. El análisis basado en inteligencia artificial (IA) de grandes conjuntos de datos de programas de psicoterapia digital puede permitir desarrollar y validar modelos de predicción personalizados. La predicción del compromiso individual y la identificación temprana de patrones de compromiso adversos pueden mejorar la personalización de DTx, lo que podría ayudar a reducir la falta de adherencia y mejorar el resultado del tratamiento. La predicción personalizada de los resultados de DTx y los patrones de participación se pueden lograr mediante la implementación de enfoques basados ​​en IA, como los modelos de predicción de aprendizaje automático. Los modelos de predicción personalizados pueden conducir a una mejor comprensión de quién se beneficia más de qué tipo de DTx en un entorno del mundo real. En conjunto, la personalización de los resultados del tratamiento de DTx y el compromiso pueden i) mejorar los procesos de toma de decisiones en díadas paciente-médico, ii) mejorar la eficiencia de la psicoterapia digital, iii) reducir el sufrimiento de los pacientes y iv) reducir los costos directos e indirectos relacionados con la salud mental. cuidado. Es necesario tener en cuenta la discriminación potencial debido a la salud mental en los modelos de predicción basados ​​en IA. La IA imparcial y no discriminatoria a menudo se denomina IA responsable. Tener en cuenta el sesgo en los modelos de predicción basados ​​en IA basados ​​en un conjunto de datos específico es especialmente importante en la atención de la salud mental para evitar la aceleración de la discriminación en la salud.

Este estudio tiene como objetivo desarrollar modelos basados ​​en IA para la predicción personalizada del compromiso del tratamiento y los resultados del tratamiento en pacientes que participan en psicoterapia digital. Se utilizará un gran conjunto de datos del mundo real de pacientes en un programa de psicoterapia digital para entrenar algoritmos de IA. Los algoritmos de IA responsable se desarrollarán describiendo, contabilizando y mitigando el sesgo debido a la gravedad de los trastornos mentales en los modelos basados ​​en IA, además de considerar el sesgo debido a otros atributos sensibles, como el género, el origen étnico y el estado sociodemográfico. El objetivo del proyecto propuesto es estimar los modelos de predicción basados ​​en IA del compromiso del tratamiento y los resultados en función de los datos de la Unidad de Terapia en Línea de la Prof. Heather Hadjistavropoulos de la Universidad de Regina, Canadá. El conjunto de datos de la Unidad de terapia en línea contiene una gran cantidad de datos sobre DTx de personas con trastornos mentales (recopilados como parte de los ensayos de investigación en la Unidad de terapia en línea de 2013 a 2021) y se deriva de la terapia cognitiva conductual financiada con fondos públicos y proporcionada por Internet. (iCBT) en Saskatchewan, Canadá. En resumen, el conjunto de datos de la Unidad de terapia en línea es muy adecuado como conjunto de datos de prueba y entrenamiento para modelos de predicción basados ​​en IA, ya que comprende una gran cantidad de participantes, datos longitudinales recuperados del mundo real en oposición a un ensayo clínico y un conjunto rico de características predictivas.