Utilisation de l'intelligence artificielle (IA) responsable pour prédire les résultats et l'engagement de la thérapie en ligne

Les troubles mentaux contribuent grandement à la charge mondiale de morbidité, mais de nombreuses personnes n'ont pas accès aux soins de santé mentale. Cet écart de traitement est en partie dû à des facteurs structurels (par exemple, la disponibilité) et liés à l'attitude (par exemple, la disponibilité). peur de la stigmatisation) obstacles à la recherche de soins de santé. La thérapie numérique (DTx) sous la forme d'interventions numériques en santé mentale ou de psychothérapie numérique peut être la solution à ce problème. L'intégration des technologies de l'information et de la communication (TIC) et des soins de santé mentale a le potentiel d'accroître l'efficacité de la prestation des soins et permet la personnalisation des traitements. L'analyse basée sur l'intelligence artificielle (IA) de grands ensembles de données provenant de programmes de psychothérapie numérique peut permettre de développer et de valider des modèles de prédiction personnalisés. La prédiction de l'engagement individuel et l'identification précoce des modèles d'engagement indésirables peuvent améliorer la personnalisation du DTx, ce qui pourrait aider à réduire la non-observance et à améliorer les résultats du traitement. La prédiction personnalisée des résultats DTx et des modèles d'engagement peut être obtenue en mettant en œuvre des approches basées sur l'IA, telles que les modèles de prédiction d'apprentissage automatique. Les modèles de prédiction personnalisés peuvent permettre de mieux comprendre qui profite le plus de quel type de DTx dans un environnement réel. Pris ensemble, la personnalisation des résultats du traitement DTx et l'engagement peuvent i) améliorer les processus de prise de décision dans les dyades patient-clinicien, ii) améliorer l'efficacité de la psychothérapie numérique, iii) réduire la souffrance des patients et iv) réduire les coûts directs et indirects liés à la santé mentale. se soucier. Il est nécessaire de tenir compte de la discrimination potentielle due à la santé mentale dans les modèles de prédiction basés sur l'IA. L'IA impartiale et non discriminante est souvent qualifiée d'IA responsable. La prise en compte des biais dans les modèles de prédiction basés sur l'IA basés sur un ensemble de données spécifique est particulièrement importante dans les soins de santé mentale pour empêcher l'accélération de la discrimination en matière de santé.

Cette étude vise à développer des modèles basés sur l'IA pour la prédiction personnalisée de l'engagement dans le traitement et des résultats du traitement chez les patients engagés dans une psychothérapie numérique. Un vaste ensemble de données réelles de patients dans un programme de psychothérapie numérique sera utilisé pour former des algorithmes d'IA. Des algorithmes d'IA responsables seront développés en décrivant, en tenant compte et en atténuant les biais dus à la gravité des troubles mentaux dans les modèles basés sur l'IA, en plus de tenir compte des biais dus à d'autres attributs sensibles, tels que le sexe, l'origine ethnique et le statut sociodémographique. L'objectif du projet proposé est d'estimer les modèles de prédiction basés sur l'IA de l'engagement et des résultats du traitement sur la base des données de l'unité de thérapie en ligne du professeur Heather Hadjistavropoulos de l'Université de Regina, au Canada. L'ensemble de données de l'unité de thérapie en ligne contient une grande quantité de données sur le DTx de personnes atteintes de troubles mentaux (collectées dans le cadre d'essais de recherche dans l'unité de thérapie en ligne de 2013 à 2021) et est dérivée de la thérapie cognitivo-comportementale financée par l'État et fournie par Internet. (iCBT) en Saskatchewan, Canada. En résumé, l'ensemble de données de l'unité de thérapie en ligne convient parfaitement comme ensemble de données de formation et de test pour les modèles de prédiction basés sur l'IA, car il comprend un grand nombre de participants, des données longitudinales extraites du monde réel par opposition à un essai clinique et un ensemble riche de fonctionnalités prédictives.