{"id":1795,"date":"2019-11-01T11:36:14","date_gmt":"2019-11-01T14:36:14","guid":{"rendered":"https:\/\/icc.fcen.uba.ar\/?p=1795"},"modified":"2022-03-29T10:38:13","modified_gmt":"2022-03-29T13:38:13","slug":"psiquiatria-computacional-en-auge","status":"publish","type":"post","link":"https:\/\/icc.fcen.uba.ar\/en\/psiquiatria-computacional-en-auge\/","title":{"rendered":"Psiquiatr\u00eda Computacional en auge"},"content":{"rendered":"

Investigadores de inteligencia artificial desarrollan herramientas computacionales que ayudan a profesionales de la salud a caracterizar trastornos mentales alterados a trav\u00e9s del discurso. Mediante un algoritmo de coherencia con clasificadores de aprendizaje autom\u00e1tico, los cient\u00edficos est\u00e1n pudiendo medir alteraciones en pacientes esquizofr\u00e9nicos y predecir con efectividad qu\u00e9 pacientes tendr\u00e1n un brote psic\u00f3tico.<\/span><\/strong><\/p>\n

\u00bfEs la mente un objeto de estudio abstracto e intangible? A diferencia de otras \u00e1reas de la medicina, la psiquiatr\u00eda tiene una fuerte presencia de subjetividad, siendo esta subjetividad la caracter\u00edstica central que tienen m\u00e9dicos, psiquiatras y psic\u00f3logos para obtener informaci\u00f3n del paciente. Se trata de los discursos del paciente, las decisiones que toma, las narraciones de su propio comportamiento y narraciones de familiares y amigos de este paciente y, desde ya, la propia subjetividad del m\u00e9dico al evaluar al sujeto considerando estas m\u00faltiples fuentes de informaci\u00f3n, que tambi\u00e9n incluye factores ambientales, demogr\u00e1ficos y\/o gen\u00e9ticos, entre otros. A pesar de no contar con esta objetividad o datos duros, desde la psiquiatr\u00eda se indican medicamentos psicoactivos tanto o m\u00e1s fuertes que en otras \u00e1reas de la medicina, las cuales s\u00ed cuentan con informaci\u00f3n objetiva obtenida del paciente (Ej. la traumatolog\u00eda cuenta con ecograf\u00edas, radiograf\u00edas o resonancias; la cardiolog\u00eda dispone de electrocardiogramas y hemogramas; la medicina cl\u00ednica solicita diferentes an\u00e1lisis de laboratorio sumados a la descripci\u00f3n del dolor del paciente, etc.). Para poder lidiar con un objeto tan inasible como la mente, la cl\u00ednica psiqui\u00e1trica recurre a test y formularios estandarizados que le permiten describir esta informaci\u00f3n de forma m\u00e1s rigurosa.<\/span><\/p>\n

En este contexto, la psiquiatr\u00eda computacional ha emergido como un \u00e1rea interdisciplinaria relevante que utiliza diferentes modelos computacionales, en particular modelos de inteligencia artificial, para describir los estados mentales de pacientes y sujetos en general, apoyando a los profesionales que se desempe\u00f1an en salud mental. A fin de encarar su tarea, esta disciplina tambi\u00e9n se vale de diferentes producciones de la mente como ventana del conocimiento. <\/span><\/p>\n

Desde hace algunos a\u00f1os, investigadores del Laboratorio de Inteligencia Artificial Aplicada (LIAA)<\/a> del ICC (en conjunto con investigadores en Neurociencia de Exactas-UBA y a trav\u00e9s de colaboraciones conjuntas con el Servicio de Psiquiatr\u00eda de Fleni, la Universidad Torcuato Di Tella e <\/span>IBM Watson Research Center<\/i><\/span>) han encontrado una enorme oportunidad de trabajo, no s\u00f3lo para bajar la cuota de apreciaciones subjetivas durante el relevamiento de diferentes aspectos de enfermedades mentales sino tambi\u00e9n para poder cuantificar los resultados de los experimentos.<\/span><\/p>\n

\u201cUno de los primeros casos de aplicaci\u00f3n de modelos de aprendizaje autom\u00e1tico fue en pacientes depresivos o bipolares en fase depresiva. Lo que se estudiaba era la calidad de las emociones expresadas por los sujetos (positivas o negativas) y su intensidad. Todo esto permit\u00eda inferir las caracter\u00edsticas de un discurso depresivo<\/i><\/span>\u201d, puntualiza <\/span>Facundo Carrillo<\/b><\/span>, investigador del ICC en el LIAA. Carrillo comenz\u00f3 con este tipo de estudios en neurociencia cognitiva en su tesis de licenciatura y luego los continu\u00f3 (y evolucion\u00f3) en su doctorado. <\/span><\/p>\n

El investigador se\u00f1ala que a partir de esta experiencia, junto a otros colaboradores, consideraron que era posible extraer informaci\u00f3n de otro tipo de discursos, en pacientes esquizofr\u00e9nicos. \u201c<\/span>Empezamos a trabajar este tema con Diego Fern\u00e1ndez Slezak (investigador del ICC y director del proyecto) en un principio pensando que ser\u00eda importante contar con una herramienta que, de acuerdo a un texto o un audio, nos brinde una etiqueta de diagn\u00f3stico (esquizofr\u00e9nico, bipolar, sano). Sin embargo, nos dimos cuenta que a los m\u00e9dicos no les interesaba esto sino m\u00e1s bien una herramienta que les ayude a integrar el diagn\u00f3stico computacional con su conocimiento e interpretaci\u00f3n subjetiva. En definitiva, una extracci\u00f3n de caracter\u00edsticas (feature extraction) que a trav\u00e9s de un algoritmo indicara qu\u00e9 nivel de coherencia tiene el paciente, del 1 al 10<\/i><\/span>\u201d, comenta Carrillo, quien recientemente defendi\u00f3 su tesis de doctorado sobre Modelos computacionales para caracterizar estados mentales alterados.<\/span><\/p>\n

En particular, existe una caracter\u00edstica muy valiosa para estudiar computacionalmente la esquizofrenia: el discurso desorganizado (un discurso incoherente que salta de un tema a otro y responde preguntas de una manera no relacionada con el disparador). En muchas patolog\u00edas, sobre todo las psic\u00f3ticas, los pacientes inventan palabras (ej. \u201cme enoj\u00e9 tanto que tom\u00e9 un plato y lo arroj\u00e9 al geshinker” o “as\u00ed que casi grit\u00e9 todo\u201d) o usan palabras comunes de manera extra\u00f1a (ej. un bol\u00edgrafo denominado “patines de papel” o un reloj denominado “recipiente del tiempo\u201d). Ante este escenario, los investigadores aplicaron t\u00e9cnicas de procesamiento del lenguaje natural (NLP) para desarrollar un <\/span>algoritmo de coherencia<\/i><\/span> que fuese capaz de medir los rasgos alterados en pacientes esquizofr\u00e9nicos. El algoritmo interpreta lo m\u00e1s literalmente posible la noci\u00f3n de incoherencia antes mencionada pero para poder representar esas palabras usa <\/span>word embedding<\/i><\/span>, un modelo entrenado donde las palabras o frases del lenguaje pueden ser vinculadas a vectores de n\u00fameros reales, es decir \u201ccoordenadas\u201d, para poder estudiar cu\u00e1n cerca est\u00e1 una palabra o una frase de otra. Durante los experimentos realizados, este modelo ayud\u00f3 significativamente a poder representar el nivel de coherencia en el discurso de cada paciente.<\/span><\/p>\n

Carrillo coment\u00f3 que hicieron una prueba de concepto del algoritmo en 20 pacientes y en 20 sujetos control, confirmando que la coherencia media era m\u00e1s baja en los pacientes esquizofr\u00e9nicos y duplicando el nivel de acierto del tratamiento (indicaci\u00f3n de f\u00e1rmacos) de un 40 a un 80%.<\/span><\/a><\/p>\n

\"\"

Facundo Carrillo<\/p><\/div>\n

\u201cAl momento de desarrollar nuestro proyecto de investigaci\u00f3n nos encontramos con dos grandes obst\u00e1culos: por un lado, las transcripciones hechas manualmente por personas eran muy costosas y agotadoras. La necesidad de incrementar la muestra de sujetos del experimento nos llev\u00f3 a migrar hacia transcripciones autom\u00e1ticas como las de IBM o Google. Por otro lado, el algoritmo autom\u00e1tico que us\u00e1bamos tomaba los puntos de las frases como algo informativo, sin poder marcar diferencias entre una oraci\u00f3n y otra y, a su vez, al aparecer un neologismo expresado por el paciente, el software \u2018speech to text\u2019 lo asociaba a la palabra que mejor conoc\u00eda, con lo cual perd\u00edamos informaci\u00f3n espec\u00edfica de ese discurso. Por ende, tuvimos que subsanar todos estos problemas ajustando el modelo de aprendizaje autom\u00e1tico<\/i><\/span>\u201d, argumenta el investigador del ICC.<\/span><\/p>\n

Los investigadores del LIAA escalaron el experimento a 34 pacientes del hospital de la Universidad de Columbia (EE. UU.). Les hicieron un seguimiento durante dos a\u00f1os y medio y, en ese tiempo, a 5 de esos pacientes se les diagnostic\u00f3 esquizofrenia. Se indag\u00f3 si hab\u00eda una diferencia en el discurso de estos pacientes respecto a cuando eran sanos, midiendo los niveles de coherencia en los textos analizados, y pudieron clasificar a los pacientes de alto riesgo y predecir cu\u00e1les generar\u00edan la patolog\u00eda y cu\u00e1les no, con un 100 % de efectividad. No obstante, como este experimento estaba hecho con pocos sujetos, lo repitieron con 59 pacientes m\u00e1s, pudiendo predecir el desenlace en esquizofrenia con un 83% de efectividad. \u201c<\/span>La publicaci\u00f3n del primer experimento en 2015, en la revista Nature Partner Journal Schizofrenia, le dio un gran impulso al proyecto, posibilitando nuevas colaboraciones y resultados<\/i><\/span>\u201d, destaca Carrillo. El proyecto de investigaci\u00f3n de Fern\u00e1ndez Slezak y Carrillo se realiz\u00f3 interdisciplinariamente junto a Mariano Sigman (Director e Investigador del Laboratorio de Neurociencia Integrativa de la Universidad Torcuato Di Tella), Guillermo Cecchi (Director del Grupo de Psicolog\u00eda Computacional de <\/span>IBM Watson Research Center<\/i><\/span>) y a otros colaboradores esenciales como psic\u00f3logos, psiquiatras y ling\u00fcistas.<\/span><\/p>\n

Publicaciones de alto impacto <\/b><\/span><\/p>\n

Los resultados m\u00e1s relevantes de este proyecto pueden visualizarse en los siguientes papers que se publicaron en revistas de alto impacto en psiquiatr\u00eda:<\/span><\/p>\n