Denne artikkelen er produsert og finansiert av Universitetet i Oslo - les mer.

Med kunstige intelligens ser forskerne tidene der pasienten kobler seg på og av behandlingsprogrammet.
Med kunstige intelligens ser forskerne tidene der pasienten kobler seg på og av behandlingsprogrammet.

Kunstig intelligens kan forutsi hvem som vil avbryte behandling mot angst og depresjon

Algoritmen kan fortelle hvilke pasienter som kan droppe behandlingen de følger via nett.

– Bare ved å se på når pasienten logger inn og ut på datamaskinen sin kan den kunstige intelligensen gi beskjed hvis pasienten mest sannsynlig kommer til å avbryte programmet, forklarer Ulysse Côté-Allard, forsker ved Institutt for informatikk på Universitetet i Oslo.

Algoritmen kan gi en advarsel

Dette kan gi bedre oppfølging av pasienter fra psykologer og psykiatere.

Behandlerne ser lettere hvilke pasienter som trenger tett oppfølging eller en endring av behandlingsplanen.

– Vi ønsket å bruke så lite informasjon om pasientene som mulig. Dette er både for å bevare personvernet og også fordi den kunstige intelligensen vil være enklere å få tatt i bruk hvis den ikke er avhengig av mye sensitiv informasjon som må vurderes med tanke på GDPR, forklarer Côté-Allard.

GDPR er de europeiske retningslinjene for personvern.

Forskerne henter data fra det nettbaserte behandlingsprogrammet eMeistring. Programmet gir veiledet behandling til pasienter som lider av sosial angstlidelse, depresjon eller panikklidelse. Behandlingen er basert på kognitiv atferdsterapi.

– Den grunnleggende ideen er at pasienten selv påvirker måten de føler seg og oppfører seg på, ved å endre måten de ser og tenker på seg selv og verden.

Den eneste informasjonen forskerne har brukt for å trene opp den kunstige intelligensen, er tidspunktet på dagen når pasienten kobler seg på det internett-baserte behandlingsprogrammet og når de kobler fra.

Ulysse Côté-Allard, forsker ved Institutt for informatikk ved Universitetet i Oslo.
Ulysse Côté-Allard, forsker ved Institutt for informatikk ved Universitetet i Oslo.

Internett-behandling av angst og depresjon

Pasientene som bruker eMeistring får kunnskap, gjør øvelser og fyller ut spørreskjemaer.

– Ved å lære om diagnosen sin gjennom lesestoff kan pasientene lære ferdigheter som kan redusere symptomene, forklarer Côté-Allard.

Han legger til at behandlingen ikke er hans ekspertise.

Behandlingstilbudet eMeistring er veiledet av psykisk helsepersonell. Dette gjør det mye enklere og rimeligere enn å behandle ansikt-til-ansikt. Kostnaden er dessuten mye lavere både for pasientene og for helsepersonell.

Gir terapeuten mulighet til oppfølging

Pasientene kan gjennomføre behandlingen når de har tid. Siden det er ventetid og begrenset tilgang på helsepersonell innen behandling av psykiske lidelser, vil støtte av internett-behandling bidra til at flere får et tilbud. De vil også raskere kunne få hjelp som er viktig for utfallet av behandlingen.

– Internettbaserte psykologiske behandlinger har mindre interaksjon med terapeuten. Det gjør det utfordrende å forutsi pasientens respons og oppfølging av terapien. Det er her forskningen vår kommer inn og blir viktig, sier Côté-Allard.

Forskernes mål er å forutsi så tidlig som mulig, om noen har sannsynlighet for å stoppe behandlingen slik at terapeuten kan gi tettere oppfølging.

Terapeuten får da muligheten til å endre behandlingsplanen når de mener det er nødvendig.

– Den kunstige intelligensen kan fungere som en type sikkerhetsnett, sier Côté-Allard.

Jim Tørresen er professor og leder for forskningsgruppen Robotikk og intelligente systemer (ROBIN) ved UiO.
Jim Tørresen er professor og leder for forskningsgruppen Robotikk og intelligente systemer (ROBIN) ved UiO.

Systemet kan allerede brukes

Analytikerne har brukt informasjon fra 342 pasienter i eMeistring for å trene opp den kunstige intelligensen. Etter syv dager begynner algoritmen å forutsi med en nøyaktighet på over 70 prosent. Og med en nøyaktighet på 95 prosent etter 20 dager, som er en tredjedel av den totale behandlingslengden, ifølge Côté-Allard.

– Å kun bruke påloggings- og utloggingstider fra deltakere gjør det vanskelig å forutsi hvor godt pasientene vil følge opp behandlingen. Likevel tror vi at modellen allerede nå kan gi informasjon som er nyttig for klinikere. De kan identifisere pasienter som er mer utsatt for frafall og dermed har nytte av mer målrettet oppfølging. Modellen kan også forbedres ved å trene den på en større gruppe pasienter, forklarer Côté-Allard.

Nordgreen peker på at modellen kan støtte nett-terapeuten under behandling, spesielt ved skreddersydd terapeutstøtte.

– Klinisk forskning har ikke klart å finne demografiske eller kliniske variabler som kan forutsi behandlingsresultater. Faktisk bruk, for eksempel pålogginger, er derfor en lovende tilnærming. Basert på modellen fra Ulysse og hans gruppe kan vi sette i gang et trafikklyssystem for terapeutene som de kan bruke for å skreddersy behandlingen.

Jim Tørresen og Ulysse Côté-Allard forteller at algoritmen ikke går på bekostning av personvern.
Jim Tørresen og Ulysse Côté-Allard forteller at algoritmen ikke går på bekostning av personvern.

Jim Tørresen, professor og leder for forskningsgruppen Robotikk og intelligente systemer (ROBIN) ved UiO, har ledet arbeidet med den kunstige intelligensen. Han mener resultatene kan bli viktig for terapeuter i fremtiden.

– Når vi viser at det er mulig å forutsi tidlig hvor bra flertallet av pasienter vil følge opp et behandlingsprogram, kan det bidra til at behandlere tidligere tar bedre beslutninger om hvem som skal prioriteres for oppfølging. Det er også et potensial i de automatiserte systemene til å tilpasse seg hver enkelt pasient for en best mulig effekt av et behandlingsprogram.

Om forskningsprosjektet

Forskningen har vært en del av Norges forskningsrådsfinansierte INTROMAT-prosjekt (2016-2021). Dette er et tverrfaglig prosjekt som har utforsket bruk av teknologi i forbindelse med psykiske helsespørsmål. Forskningen har vært ledet av Tine Nordgreen, avdeling for psykiatri ved Haukeland universitetssykehus, i samarbeid med flere andre norske private og offentlige institusjoner.

Referanse:

Ulysse Côté-Allard mfl.: Adherence Forecasting for Guided Internet-Delivered Cognitive Behavioral Therapy: A Minimally Data-Sensitive Approach. IEEE Journal of Biomedical and Health Informatics, 2022. (Sammendrag) DOI: 10.1109/JBHI.2022.3204737

Powered by Labrador CMS