La IA podrían ayudar a detectar ansiedad y depresión

Como la IA puede ayudar a detectar la depresión a tiempo

Investigadores de la Universidad de São Paulo (USP) en Brasil están utilizando inteligencia artificial (IA) y Twitter, una de las redes sociales más grandes del mundo, para crear modelos de predicción de ansiedad y depresión que podrían proporcionar señales de estos trastornos antes del diagnóstico clínico en el futuro.

El estudio se informa en un artículo publicado en la revista Language Resources and Evaluation. La construcción de una base de datos llamada SetembroBR fue el primer paso en el estudio. El nombre hace referencia a Septiembre Amarillo, una campaña anual de concientización y prevención del suicidio, y también al hecho de que la recolección de datos para el estudio comenzó un día en septiembre.
El segundo paso aún está en progreso pero ha proporcionado algunos hallazgos preliminares, como la posibilidad de detectar si una persona es propensa a desarrollar depresión únicamente en función de sus amigos y seguidores en las redes sociales, sin tener en cuenta sus propias publicaciones.
La base de datos compilada por el grupo contiene información relacionada con un corpus de textos (en portugués) y la red de conexiones que involucra a 3.900 usuarios de Twitter que informaron haber sido diagnosticados o tratados por problemas de salud mental antes de la encuesta. El corpus incluye todos los tweets públicos publicados por estos usuarios individualmente (sin retweets), lo que suma un total de alrededor de 47 millones de estos textos cortos.
El estudio también recopiló tweets de amigos y seguidores, de acuerdo con la observación de que las personas con problemas de salud mental tienden a seguir ciertas cuentas, como foros de discusión, influencers y celebridades que reconocen públicamente su depresión. «Estas personas se atraen mutuamente. Tienen intereses compartidos», dijo Paraboni, quien es investigador en el Centro de Inteligencia Artificial (C4AI), un Centro de Investigación en Ingeniería (ERC) establecido por FAPESP e IBM Brasil en USP.
FAPESP también apoyó el estudio del proyecto a través del proyecto «Análisis de lenguaje en redes sociales para la detección temprana de trastornos de salud mental», liderado por Paraboni.

Depresión y la ansiedad una preocupacion global.

Los trastornos de salud mental, incluida la depresión y la ansiedad, son una creciente preocupación mundial. La Organización Mundial de la Salud (OMS) estimó en base a datos de 2021 que el 3,8% de la población mundial, o alrededor de 280 millones de personas, se vieron afectadas por la depresión. La OMS también estimó un aumento del 25% en la prevalencia global de estos problemas de salud mental durante la pandemia de COVID-19. Los tweets fueron recopilados para el estudio durante este período.
En una encuesta reciente del Ministerio de Salud de Brasil que involucró a 784.000 participantes, el 11,3% dijo que había sido diagnosticado con depresión. La mayoría eran mujeres.
De acuerdo con investigaciones previas, los problemas de salud mental a menudo se reflejan en el lenguaje utilizado por los afectados. Este hallazgo ha llevado a un considerable número de estudios que involucran el procesamiento de lenguaje natural (PLN), con un enfoque en la depresión, la ansiedad y el trastorno bipolar, entre otros. Sin embargo, la mayoría de estos estudios analizan textos en inglés y no siempre coinciden con el perfil de la mayoría de los brasileños.
Los investigadores preprocesaron el corpus para eliminar hashtags, URLs, emoticonos y caracteres no estándar mientras se mantenían los textos originales. Luego, implementaron el aprendizaje profundo, una técnica de inteligencia artificial que enseña a las computadoras a procesar datos de una manera inspirada en el cerebro humano, para crear cuatro clasificadores de texto y embeddings de palabras (representaciones matemáticas dependientes del contexto de las relaciones entre palabras) utilizando modelos basados en representaciones de codificadores bidireccionales de transformadores (BERT), un algoritmo de aprendizaje automático para PLN. Estos modelos corresponden a una red neuronal que aprende contextos y significados mediante la monitorización de las relaciones de datos secuenciales, como las palabras en una frase.
La entrada de entrenamiento consistió en una muestra de 200 tweets seleccionados al azar de cada usuario. Los parámetros se definieron mediante la ejecución de validación cruzada de los datos de entrenamiento cinco veces y el cálculo del resultado promedio.

Cuales han sido las conclusiónes.

La conclusión fue que BERT tuvo el mejor rendimiento en términos de predicción de depresión y ansiedad, con una diferencia estadísticamente significativa entre él y LogReg, la siguiente mejor opción. Debido a que los modelos analizan secuencias de palabras y oraciones completas, fue posible observar que las personas con depresión, por ejemplo, tendían a escribir sobre temas relacionados con ellos mismos, utilizando verbos y frases en primera persona, así como temas como la muerte, la crisis y la psicología.
«Los signos de depresión que se pueden detectar durante una visita al médico no son necesariamente los mismos que aparecen en las redes sociales», dijo Paraboni. «Por ejemplo, el uso de los pronombres singulares en primera persona ‘yo’ y ‘me’ fue muy evidente, y en psicología esto se considera un signo clásico de depresión. También observamos el uso frecuente del emoji del corazón por parte de usuarios depresivos. Esto se siente ampliamente como un símbolo de afecto y amor, pero tal vez los psicólogos aún no lo hayan caracterizado como tal».
Todos los textos recopilados fueron anonimizados. «No publicamos ni los tweets reales ni los nombres de los usuarios. Nos aseguramos de que los estudiantes involucrados en el proyecto no tuvieran acceso a los datos del usuario para proteger la identidad de las personas», dijo.
Los investigadores están ampliando la base de datos, refinando sus técnicas computacionales y actualizando los modelos para ver si pueden producir una herramienta para su uso futuro en la detección temprana de personas con problemas de salud mental y ayudar a familias y amigos de jóvenes en riesgo de depresión y ansiedad.