Verantwoorde kunstmatige intelligentie (AI) gebruiken om het resultaat en de betrokkenheid van online therapie te voorspellen

Psychische stoornissen dragen in hoge mate bij aan de wereldwijde ziektelast, maar veel mensen hebben geen toegang tot geestelijke gezondheidszorg. Deze behandelingskloof is deels te wijten aan structurele (bijv. beschikbaarheid) en attitudegerelateerde (bijv. angst voor stigmatisering) belemmeringen bij het zoeken naar gezondheidszorg. Digitale therapieën (DTx) in de vorm van digitale geestelijke gezondheidsinterventies of digitale psychotherapie kunnen de oplossing zijn voor dit probleem. De integratie van informatie- en communicatietechnologie (ICT) en geestelijke gezondheidszorg heeft het potentieel om de efficiëntie van de zorgverlening te vergroten en maakt personalisatie van behandelingen mogelijk. Op kunstmatige intelligentie (AI) gebaseerde analyse van grote datasets van digitale psychotherapieprogramma's kan het mogelijk maken om gepersonaliseerde voorspellingsmodellen te ontwikkelen en te valideren. De voorspelling van individuele betrokkenheid en de vroege identificatie van ongewenste betrokkenheidspatronen kan de personalisatie van DTx verbeteren, wat zou kunnen helpen om therapieontrouw te verminderen en het resultaat van de behandeling te verbeteren. De gepersonaliseerde voorspelling van DTx-resultaten en betrokkenheidspatronen kan worden bereikt door op AI gebaseerde benaderingen te implementeren, zoals voorspellingsmodellen voor machine learning. Gepersonaliseerde voorspellingsmodellen kunnen leiden tot een beter begrip van wie het meest profiteert van wat voor soort DTx in een real-world setting. Alles bij elkaar kan personalisatie van DTx-behandelingsresultaten en -betrokkenheid i) de besluitvormingsprocessen in patiënt-arts-dyaden verbeteren, ii) de efficiëntie van digitale psychotherapie verbeteren, iii) het lijden van patiënten verminderen, en iv) directe en indirecte kosten in verband met geestelijke gezondheid verminderen zorg. Er moet rekening worden gehouden met mogelijke discriminatie als gevolg van geestelijke gezondheid in op AI gebaseerde voorspellingsmodellen. Onbevooroordeelde en niet-discriminerende AI wordt vaak verantwoordelijke AI genoemd. Rekening houden met vooroordelen in op AI gebaseerde voorspellingsmodellen op basis van een specifieke dataset is vooral belangrijk in de geestelijke gezondheidszorg om versnelling van gezondheidsdiscriminatie te voorkomen.

Deze studie heeft tot doel op AI gebaseerde modellen te ontwikkelen voor de gepersonaliseerde voorspelling van behandelingsbetrokkenheid en behandelingsresultaten bij patiënten die digitale psychotherapie ondergaan. Een grote, real-world dataset van patiënten in een digitaal psychotherapieprogramma zal worden gebruikt om AI-algoritmen te trainen. Verantwoorde AI-algoritmen zullen worden ontwikkeld door vooringenomenheid als gevolg van de ernst van mentale stoornissen in op AI gebaseerde modellen te beschrijven, er rekening mee te houden en deze te verminderen, naast het in overweging nemen van vooringenomenheid als gevolg van andere gevoelige kenmerken, zoals geslacht, etniciteit en sociaal-demografische status. Het doel van het voorgestelde project is om op AI gebaseerde voorspellingsmodellen van behandelingsbetrokkenheid en -resultaten te schatten op basis van gegevens van de Online Therapy Unit door prof. Heather Hadjistavropoulos van de Universiteit van Regina, Canada. De dataset van de Online Therapy Unit bevat een grote hoeveelheid gegevens over DTx van mensen met psychische stoornissen (verzameld als onderdeel van onderzoeksproeven in de Online Therapy Unit van 2013 tot 2021) en is afgeleid van de door de overheid gefinancierde, via internet geleverde, cognitieve gedragstherapie (iCBT) programma in Saskatchewan, Canada. Kortom, de dataset van de Online Therapy Unit is zeer geschikt als trainings- en testdataset voor op AI gebaseerde voorspellingsmodellen, aangezien deze een groot aantal deelnemers omvat, longitudinale data uit de echte wereld in tegenstelling tot een klinische proef, en een uitgebreide set van voorspellende kenmerken.