अवसाद का निदान करना एक मुश्किल व्यवसाय है।
कोई रक्त परीक्षण नहीं है, कोई स्कैन नहीं है, कोई बायोप्सी नहीं है जो कुछ गड़बड़ हो गया है। इसके बजाय, पूर्ण वजन एक प्रशिक्षित चिकित्सक के कौशल पर है, जो किसी व्यक्ति की प्रतिक्रियाओं के आधार पर मानक प्रश्नों की एक श्रृंखला के आधार पर मूल्यांकन करने के लिए है। निदान इस तथ्य से और जटिल है कि अवसाद को कई तरीकों से प्रदर्शित किया जा सकता है- उदासीनता से लेकर आंदोलन तक चरम भोजन या सोने के तरीके।
तो, यह धारणा कि कृत्रिम बुद्धिमत्ता यह अनुमान लगाने में मदद कर सकती है कि क्या कोई व्यक्ति अवसाद से पीड़ित है, संभावित रूप से एक बड़ा कदम है - यद्यपि वह अपने साथ यह सवाल लाता है कि इसका उपयोग कैसे किया जा सकता है।
MIT के कंप्यूटर साइंस एंड आर्टिफिशियल इंटेलिजेंस लेबोरेटरी (CSAIL) की एक शोधकर्ता तुका अलहनई कहती हैं कि यह संभव है, अवसाद से जुड़े भाषण और भाषा पैटर्न की पहचान करने के लिए मशीन लर्निंग मॉडल की क्षमता है। इससे भी महत्वपूर्ण बात यह है कि जिस मॉडल और साथी MIT के वैज्ञानिक मोहम्मद घासेमी ने विकसित किया था, वह किसी चिकित्सक के प्रश्नों के प्रति उनकी विशिष्ट प्रतिक्रियाओं के बजाय, लोगों के बोलने के विश्लेषण के माध्यम से अपेक्षाकृत उच्च सटीकता के साथ अवसाद को पहचानने में सक्षम था।
यह वही है जो अल्हानई को "संदर्भ-मुक्त" विश्लेषण के रूप में संदर्भित करता है; दूसरे शब्दों में, मॉडल अपने कथनों को उन शब्दों से लेता है जिन्हें लोग चुनते हैं और उन्हें कैसे कहते हैं, उनके बयानों के अर्थ की व्याख्या किए बिना।
"वह कहती है कि मॉडल को विशेष प्रश्नों के उत्तरों पर ध्यान केंद्रित करने के लिए कहने के बजाय, यह अपने आप पता लगाने के लिए प्रोग्राम किया जाता है कि वह किस पर ध्यान केंद्रित करना चाहता है, " वह कहती है।
संभावित लाभ, अलहनई नोट, एक चिकित्सक के साथ औपचारिक, संरचित साक्षात्कार के बाहर किसी व्यक्ति की अधिक प्राकृतिक बातचीत का मूल्यांकन करने के लिए एक दिन में इस प्रकार के तंत्रिका नेटवर्क दृष्टिकोण का उपयोग किया जा सकता है। यह लागत, दूरी या बस जागरूकता की कमी के कारण लोगों की व्यावसायिक मदद लेने के लिए प्रोत्साहित करने में सहायक हो सकता है, जो कि कुछ गलत है।
"यदि आप एक स्केलेबल तरीके से मॉडल को तैनात करना चाहते हैं, " वह कहती है, "आप अपने द्वारा उपयोग किए जा रहे डेटा पर बाधाओं की मात्रा को कम करना चाहते हैं। आप इसे किसी भी नियमित बातचीत में तैनात करना चाहते हैं और मॉडल को प्राकृतिक बातचीत, व्यक्ति की स्थिति से उठा सकते हैं। "
स्पॉटिंग पैटर्न
मॉडल रोगियों के 142 साक्षात्कारों से ऑडियो, वीडियो और टेप पर केंद्रित है, जिनमें से लगभग 30 प्रतिशत चिकित्सकों द्वारा अवसाद का निदान किया गया था। विशेष रूप से, इसने अनुक्रम मॉडलिंग नामक एक तकनीक का उपयोग किया, जिसमें उदास और गैर-उदास दोनों लोगों के पाठ और ऑडियो डेटा के अनुक्रम मॉडल में खिलाए गए थे। उस से, अवसाद के साथ और बिना लोगों के लिए विभिन्न भाषण पैटर्न उभरे। उदाहरण के लिए, "उदास", "कम" या "नीचे" जैसे शब्द ध्वनि संकेतों के साथ जोड़े जा सकते हैं जो चापलूसी और अधिक नीरस हैं।
लेकिन यह मॉडल पर निर्भर था कि कौन से पैटर्न अवसाद के अनुरूप थे। फिर इसने लागू किया कि यह भविष्यवाणी करने के लिए क्या सीखा कि नए विषय उदास थे। अंतत: इसने अवसाद की पहचान करने में 77 प्रतिशत सफलता दर हासिल की।
शोधकर्ताओं ने यह भी पाया कि मॉडल को पूरी तरह से अवसाद की भविष्यवाणी करने के लिए और अधिक डेटा की आवश्यकता थी कि कैसे एक आवाज सुनाई देती है, जैसा कि एक व्यक्ति द्वारा इस्तेमाल किए गए शब्दों के विपरीत है। उत्तरार्द्ध के साथ, जब यह विशेष रूप से पाठ पर केंद्रित था, तो मॉडल को अवसाद की भविष्यवाणी करने के लिए केवल सात अनुक्रमों के औसत का विश्लेषण करने की आवश्यकता थी। लेकिन केवल वॉयस ऑडियो का उपयोग करते समय, इसमें 30 अनुक्रमों की आवश्यकता होती है। इससे पता चलता है कि एक व्यक्ति जो शब्द चुनता है वह अवसाद का एक बेहतर भविष्यवक्ता होता है।
एल्गोरिथ्म ओवररीच?
यह अभी भी बहुत जल्द कहने के लिए है कि कैसे एक एआई मॉडल को अवसाद निदान में शामिल किया जा सकता है। CSAIL के एक वरिष्ठ शोध वैज्ञानिक जेम्स ग्लास का कहना है, "यह अधिक फ्री-फॉर्म इंटरैक्शन का विश्लेषण करने में सक्षम होने की दिशा में एक कदम है, लेकिन यह केवल एक प्रारंभिक कदम है।" उन्होंने कहा कि परीक्षण का नमूना "छोटा" था। वह यह भी कहते हैं कि शोधकर्ता यह समझने की कोशिश करना चाहते हैं कि अवसाद के संकेत के रूप में पहचाने जाने वाले सभी कच्चे डेटा से कौन से विशिष्ट पैटर्न हैं।
"ये सिस्टम अधिक विश्वसनीय हैं जब आपके पास वे क्या उठा रहे हैं, इसके लिए एक स्पष्टीकरण है, " वे कहते हैं।
यह महत्वपूर्ण है क्योंकि मानसिक स्वास्थ्य स्थितियों के निदान में एआई का उपयोग करने का पूरा विचार संदेह के अपने हिस्से से मिला है। यह पहले से ही थेरेपी चैटबॉट्स में इस्तेमाल किया जा रहा है, जैसे कि Woebot, लेकिन वास्तविक निदान में शामिल होने से मशीनों की भूमिका दूसरे स्तर पर हो जाएगी।
कनाडाई डॉक्टर एडम हॉफमैन ने हाल ही में वाशिंगटन पोस्ट में लिखते हुए, संभावित परिणामों के बारे में चेतावनी दी जिसे उन्होंने "एल्गोरिथ्म ओवरसर्च" कहा।
उन्होंने कहा, "झूठी सकारात्मक बातें, उदाहरण के लिए, उन लोगों का नेतृत्व कर सकती हैं जो अभी तक विश्वास करने के लिए उदास नहीं हैं कि वे हैं।" “एक मानसिक स्वास्थ्य आनुवांशिक, शारीरिक और पर्यावरणीय कारकों का एक जटिल अंतर है। हम दवा में प्लेसबो और नोस्को प्रभाव को जानते हैं, जब चीनी गोलियों के अंधे उपयोगकर्ता या तो दवा के सकारात्मक या नकारात्मक प्रभाव का अनुभव करते हैं क्योंकि उनके पास या तो सकारात्मक या नकारात्मक अपेक्षाएं होती हैं।
"कहा जा रहा है कि आप अस्वस्थ हैं, सचमुच ऐसा कर सकते हैं।"
हॉफमैन ने इस बात पर भी चिंता जताई कि ऐसे एआई डायग्नोस्टिक टूल के निष्कर्षों को तीसरे पक्ष के बाहर से रखा जा सकता है, जैसे कि बीमाकर्ता या नियोक्ता। "डिप्रेशन डिटेक्टरों" के माध्यम से संभावित दुर्व्यवहार के बारे में चिंता उसी तरह द नेक्स्ट वेब पर हालिया ब्लॉग पोस्ट में उद्धृत की गई थी।
अल्हानाई और ग्लास ने मानसिक स्वास्थ्य निदान के लिए एआई मॉडल पर बहुत अधिक भरोसा करने के जोखिमों के बारे में आशंका सुनी है। लेकिन वे कहते हैं कि उनका अनुसंधान चिकित्सकों की मदद करने के लिए तैयार है, न कि उन्हें बदलने में।
"हमें उम्मीद है कि हम विश्लेषण का एक पूरक रूप प्रदान कर सकते हैं, " ग्लास कहते हैं। “मरीज हर समय डॉक्टर के पास नहीं होता है। लेकिन अगर मरीज घर पर अपने फोन में बात कर रहा है, तो शायद एक दैनिक डायरी रिकॉर्ड कर रहा है, और मशीन एक बदलाव का पता लगाती है, यह रोगी को संकेत दे सकता है कि उन्हें डॉक्टर से संपर्क करना चाहिए।
वह कहते हैं, '' हम डॉक्टर के बजाय प्रौद्योगिकी के फैसले नहीं देख रहे हैं। '' “हम इसे चिकित्सक को एक और इनपुट मीट्रिक प्रदान करने के रूप में देखते हैं। उनके पास अभी भी वे सभी मौजूदा इनपुट्स का उपयोग होगा जो वे उपयोग करते हैं। यह सिर्फ उन्हें अपने टूलबॉक्स में एक और उपकरण दे रहा होगा। ”
