Utilizzo dell'Intelligenza Artificiale Responsabile (AI) per prevedere l'esito e il coinvolgimento della terapia online

I disturbi mentali contribuiscono notevolmente al carico globale di malattia, ma molte persone non hanno accesso all'assistenza sanitaria mentale. Questo gap di trattamento è in parte dovuto a fattori strutturali (ad es. disponibilità) e atteggiamentali (ad es. paura dello stigma) barriere nella ricerca di assistenza sanitaria. La terapia digitale (DTx) sotto forma di interventi di salute mentale digitale o psicoterapia digitale può essere la soluzione a questo problema. L'integrazione delle tecnologie dell'informazione e della comunicazione (TIC) e dell'assistenza per la salute mentale ha il potenziale per aumentare l'efficienza dell'erogazione delle cure e consentire la personalizzazione dei trattamenti. L'analisi basata sull'intelligenza artificiale (AI) di grandi set di dati provenienti da programmi di psicoterapia digitale può consentire lo sviluppo e la convalida di modelli di previsione personalizzati. La previsione del coinvolgimento individuale e l'identificazione precoce di modelli di coinvolgimento spiacevoli possono migliorare la personalizzazione del DTx, che potrebbe aiutare a ridurre la non aderenza e migliorare l'esito del trattamento. La previsione personalizzata dei risultati DTx e dei modelli di coinvolgimento può essere ottenuta implementando approcci basati sull'intelligenza artificiale, come i modelli di previsione di Machine Learning. I modelli di previsione personalizzati possono portare a una migliore comprensione di chi trae maggior profitto da quale tipo di DTx in un contesto reale. Nel loro insieme, la personalizzazione dei risultati del trattamento DTx e il coinvolgimento possono i) migliorare i processi decisionali nella coppia paziente-clinico, ii) migliorare l'efficienza della psicoterapia digitale, iii) ridurre la sofferenza dei pazienti e iv) ridurre i costi diretti e indiretti legati alla salute mentale cura. È necessario tenere conto della potenziale discriminazione dovuta alla salute mentale nei modelli di previsione basati sull'intelligenza artificiale. L'AI imparziale e non discriminante viene spesso definita AI responsabile. La contabilizzazione dei pregiudizi nei modelli di previsione basati sull'intelligenza artificiale basati su un set di dati specifico è particolarmente importante nell'assistenza sanitaria mentale per prevenire l'accelerazione della discriminazione sanitaria.

Questo studio ha lo scopo di sviluppare modelli basati sull'intelligenza artificiale per la previsione personalizzata dell'impegno terapeutico e dei risultati del trattamento nei pazienti impegnati nella psicoterapia digitale. Un ampio set di dati del mondo reale di pazienti in un programma di psicoterapia digitale verrà utilizzato per addestrare algoritmi di intelligenza artificiale. Gli algoritmi di intelligenza artificiale responsabile saranno sviluppati descrivendo, tenendo conto e mitigando i pregiudizi dovuti alla gravità dei disturbi mentali nei modelli basati sull'intelligenza artificiale, oltre a considerare i pregiudizi dovuti ad altri attributi sensibili, come sesso, etnia e stato socio-demografico. Lo scopo del progetto proposto è stimare i modelli di previsione basati sull'intelligenza artificiale dell'impegno e dei risultati del trattamento sulla base dei dati dell'Unità di terapia online della Prof.ssa Heather Hadjistavropoulos dell'Università di Regina, Canada. Il set di dati dell'Unità di terapia online contiene una grande quantità di dati su DTx da persone con disturbi mentali (raccolti come parte di studi di ricerca nell'Unità di terapia online dal 2013 al 2021) e deriva dalla terapia cognitivo comportamentale finanziata con fondi pubblici e fornita da Internet (iCBT) nel Saskatchewan, Canada. In sintesi, il set di dati dell'unità di terapia online è molto adatto come set di dati di addestramento e test per modelli di previsione basati sull'intelligenza artificiale, in quanto comprende un gran numero di partecipanti, dati longitudinali recuperati dal mondo reale rispetto a una sperimentazione clinica e un ricco set delle caratteristiche predittive.