AI z 76% skutecznością przewidzi, czy terapia psychiatryczna zadziała. Badacze z USA otwierają drogę do personalizacji leczenia i końca z metodą prób i błędów.
W skrócie:
- Metaanaliza 155 badań potwierdziła, że uczenie maszynowe potrafi prognozować, czy pacjent odniesie korzyść z konkretnej terapii psychiatrycznej.
- Algorytmy osiągnęły średnią dokładność na poziomie 76%, a najlepsze wyniki uzyskiwano przy wykorzystaniu danych z neuroobrazowania mózgu.
- Celem jest stworzenie narzędzi, które pomogą klinicystom szybciej dobierać spersonalizowane leczenie, zamiast polegać na procesie prób i błędów.
W gabinecie psychiatrycznym lub terapeutycznym rozgrywa się cichy dramat, który zna niemal każdy pacjent: niepewność. Czy ta terapia poznawczo-behawioralna zadziała? A może lepsze będą leki? A jeśli tak, to które? Przez dekady odpowiedź była jedna – trzeba próbować. To żmudne, często frustrujące doświadczenie, które pochłania czas, energię i pieniądze. Wygląda jednak na to, że era leczenia “po omacku” może wkrótce dobiec końca. Wszystko za sprawą sztucznej inteligencji, która – jak dowodzą naukowcy z Northeastern University – potrafi z zaskakującą precyzją przewidzieć, co nam pomoże.
Jak zakończyć wróżenie z fusów w leczeniu duszy?
Debata na temat roli AI w zdrowiu psychicznym nabiera rumieńców, ale najnowsze badania dostarczają argumentów, które trudno zignorować. Zespół pod kierownictwem Joshuy Curtissa, profesora psychologii stosowanej na Northeastern University, przeprowadził potężną metaanalizę opublikowaną w prestiżowym Clinical Psychology Review. Naukowcy wzięli pod lupę 155 istniejących badań, które wykorzystywały uczenie maszynowe do prognozowania reakcji pacjentów na leczenie. To nie jest pojedynczy eksperyment, lecz spojrzenie z lotu ptaka na całą dziedzinę.
“Od dawna interesuje nas w zdrowiu psychicznym, czy modele uczenia maszynowego dobrze sobie radzą z przewidywaniem, kiedy ktoś może odnieść korzyść z określonego rodzaju leczenia, czy to psychoterapii, czy farmakoterapii” – wyjaśnia Curtiss. I dodaje bez ogródek: “Jeśli od początku wiemy, czy ktoś dobrze zareaguje na daną terapię, możemy zaoszczędzić mnóstwo czasu i energii na szukaniu odpowiedniego rozwiązania dla pacjenta”. To sedno problemu. Obecnie klinicysta, opierając się na swoim doświadczeniu i wiedzy, wciąż porusza się w sferze prawdopodobieństwa. Algorytm może mu dać do ręki narzędzie oparte na twardych danych.
76% skuteczności to dopiero początek. Co odkryli naukowcy?
Wyniki metaanalizy są obiecujące. Średnia dokładność algorytmów w przewidywaniu skuteczności leczenia wyniosła około 76%. To bardzo dużo, biorąc pod uwagę złożoność ludzkiej psychiki. Modele karmi się różnorodnymi danymi: od informacji z wywiadów i kwestionariuszy, przez dane biologiczne, aż po wyniki neuroobrazowania. Co ciekawe, to właśnie te ostatnie – skany mózgu – okazały się kluczowe. Modele, które uwzględniały neuroobrazowanie, osiągały znacznie wyższą dokładność.
“Nie jesteśmy w stanie stwierdzić, po prostu patrząc na pacjenta, czy skorzysta on na terapii poznawczo-behawioralnej, czy na lekach” – przyznaje Curtiss. I tu właśnie pojawia się pole do popisu dla ilościowych narzędzi. Co ciekawe, badanie nie wykazało, by któryś konkretny typ algorytmu uczenia maszynowego był wyraźnie lepszy od innych. Ważniejsza okazała się jakość i rodzaj danych wejściowych. Największym wyzwaniem pozostaje wciąż leczenie objawów depresji – tu algorytmy radziły sobie nieco gorzej, co tylko pokazuje, jak skomplikowane jest to schorzenie. Mimo tego 76% to wynik, który w medycynie robi wrażenie.
Czy algorytm zastąpi terapeutę? Ostudzamy emocje
Wizja, w której pacjent rozmawia z empatycznym botem, to wciąż melodia przyszłości (i dla wielu – niezbyt pociągająca). Badania Curtissa i jego zespołu nie zmierzają do zastąpienia lekarzy, lecz do ich wzmocnienia. Chodzi o stworzenie narzędzi wspierających decyzje kliniczne – na przykład w formie internetowych kalkulatorów predykcyjnych, do których lekarz mógłby wprowadzić dane pacjenta i uzyskać prognozę. Dziś większość tych zaawansowanych metod jest niedostępna dla przeciętnego specjalisty.
“Te wyniki wspierają ideę, że uczenie maszynowe może być pomocne” – podsumowuje Curtiss. “Musimy nadal dbać o to, by robiło to dobrze, (ale) to potwierdza, że uczenie maszynowe jest użytecznym narzędziem dla medycyny precyzyjnej, która szuka sposobów na personalizację leczenia”. Zamiast metody prób i błędów, opartej wyłącznie na doświadczeniu, otrzymujemy podejście wspomagane analizą danych na ogromną skalę. To nie rewolucja, która wyrzuci terapeutów z gabinetów. To raczej ewolucja, która da im do ręki potężniejszy skalpel. Skalpel, który pozwoli szybciej i celniej docierać do źródła problemu. A to dla pacjentów jest informacja na wagę złota.