Pedrelli که 15 سال است به عنوان پزشک و پژوهشگر در حوزه روانشناسی فعالیت می‌کند، عنوان می‌کند: “واضح است که موانع بسیاری برای دسترسی و دریافت مراقبت کافی برای بیماران مبتلا به اختلالات سلامت روان وجود دارد.”
این موانع ممکن است شامل فهمیدن زمان و محل جستجوی کمک، یافتن یک سرویس دهنده نزدیک که بیماران را حمل می‌کند، و به دست آوردن منابع مالی و حمل و نقل برای حضور در قرار ملاقات‌ها باشد.
Pedrelli استادیار روانشناسی در دانشکده پزشکی هاروارد و معاون برنامه تحقیقاتی و بالینی افسردگی در بیمارستان دولتی ماساچوست (MGH) می‌باشد. برای بیش از پنج سال، او با Picard، استاد هنر و علوم رسانه‌ای MIT و پژوهشگر اصلی در کلینیک MIT Abdul Latif Jameel در پروژه‌ای برای توسعه الگوریتم‌های یادگیری ماشینی همکاری می‌کند. این نقش کمک کننده شامل تشخیص و نظارت بر تغییرات علائم در بیماران مبتلا به اختلال افسردگی اساسی می‌باشد.
یادگیری ماشینی نوعی از فناوری هوش مصنوعی است که در آن، زمانی که به ماشین داده‌های زیادی و نمونه‌هایی از رفتار خوب داده می‌شود (یعنی وقتی یک ورودی خاص را می‌بیند، چه خروجی مناسبی تولید کند)، می‌تواند به طور مستقل یک کار را به خوبی انجام دهد. همچنین می‌تواند به شناسایی الگوهای معنادار کمک کند، که ممکن است انسان‌ها بدون کمک دستگاه قادر به یافتن سریع آن‌ها نباشند. با استفاده از دستگاه‌های پوشیدنی و تلفن‌های هوشمند شرکت‌کنندگان در مطالعه،Picard و Pedrelli می‌توانند داده‌های دقیقی در مورد رسانایی پوست و درجه حرارت، ضربان قلب، سطح فعالیت فیزیکی و اجتماعی، ارزیابی شخصی افسردگی، الگوهای خواب و غیره جمع‌آوری کنند. هدف آن‌ها توسعه الگوریتم‌های یادگیری ماشینی است که می‌توانند این حجم عظیم از داده‌ها را دریافت و آن را معنادار کنند.
مانند تشخیص اینکه چه زمانی ممکن است یک فرد با مشکل مواجه شود و چه چیزی ممکن است برای او مفید باشد. آن‌ها امیدوارند که الگوریتم‌های آن‌ها در نهایت پزشکان و بیماران را با اطلاعات مفیدی در مورد مسیر بیماری فردی و درمان موثر مجهز کند.
Picard افزود: “در تلاشیم مدل‌های پیچیده‌ای بسازیم که نه تنها می‌توانند موارد رایج در بین مردم را بیاموزند، بلکه می‌توانند مواردی که در زندگی افراد متغیر است را بیاموزند. ما می‌خواهیم به افرادی که می‌خواهند به اطلاعاتی که مبتنی بر شواهد و اطلاعات شخصی است دسترسی داشته باشند و برای سلامتی آن‌ها تفاوت ایجاد کند.”
یادگیری ماشینی و سلامت روان
Picard در سال 1991 به آزمایشگاه رسانه MIT ملحق شد. سه سال بعد، او کتابی به نام ” Affective Computing ” منتشر کرد که باعث گسترش رشته‌ای با این نام شد. Affective Computing در حال حاضر یک حوزه تحقیقاتی قوی است که با توسعه فناوری‌هایی مرتبط است که می‌تواند داده‌های مربوط به احساسات افراد را اندازه‌گیری، احساس کرده و مدل‌سازی کند.
در حالی که تحقیقات اولیه بر تعیین اینکه آیا یادگیری ماشینی می‌تواند از داده‌ها برای شناسایی احساسات فعلی یک شرکت‌کننده استفاده کند یا خیر، متمرکز بود، کار فعلی Picard و Pedrelli در کلینیک Jameel MIT چندین قدم فراتر می‌رود. آن‌ها می‌خواهند بدانند که آیا یادگیری ماشینی می‌تواند مسیر اختلال را تخمین بزند، تغییرات در رفتار فرد را شناسایی کند، و داده‌هایی را ارائه دهد که مراقبت‌های پزشکی شخصی‌سازی شده را ارائه دهد.
Picard و Szymon Fedor، دانشمند تحقیقاتی در آزمایش Affective Computing، همکاری با Pedrelli را در سال 2016 آغاز کردند. پس از اجرای یک مطالعه آزمایشی کوچک، اکنون در چهارمین سال مطالعه پنج ساله با بودجه انستیتو ملی سلامت هستند.
برای انجام این مطالعه، پژوهشگران شرکت کنندگان MGH مبتلا به اختلال افسردگی بنیادی را که اخیراً درمان خود را تغییر داده‌اند، انتخاب کردند. تاکنون 48 شرکت کننده در این مطالعه ثبت نام کرده‌اند. به مدت 22 ساعت در روز، هر روز به مدت 12 هفته، شرکت کنندگان از مچ بند Empatica E4 استفاده می‌کنند.
این مچ بندهای پوشیدنی که توسط یکی از شرکت‌هایی که Picard تأسیس کرده است، طراحی شده‌اند، می‌توانند اطلاعات مربوط به داده‌های بیومتریک، مانند فعالیت الکترودرمال (پوست) را دریافت کنند. شرکت‌کنندگان همچنین برنامه‌هایی را بر روی تلفن خود دانلود می‌کنند که داده‌های مربوط به پیام‌های متنی و تماس‌های تلفنی، موقعیت مکانی و استفاده از برنامه را جمع‌آوری می‌کنند و همچنین از آن‌ها می‌خواهند یک نظرسنجی افسردگی دو هفته‌ای را تکمیل کنند.
هر هفته، بیماران به پزشک مراجعه می‌کنند که علائم افسردگی آن‌ها را ارزیابی شود.
Picard می‌گوید: “ما تمام داده‌هایی را که از دستگاه‌های پوشیدنی و گوشی‌های هوشمند جمع‌آوری کرده‌ایم را در الگوریتم یادگیری ماشینی خود قرار دادیم و سعی بر این است که مشاهده کنیم که یادگیری ماشینی برچسب‌های ارائه‌شده توسط پزشکان را تا چه حد خوب پیش‌بینی می‌کند. در حال حاضر، ما در پیش بینی این برچسب‌ها بسیار خوب هستیم.”
توانمندسازی کاربران
در حالی که توسعه الگوریتم‌های یادگیری ماشینی مؤثر چالشی است که پژوهشگران با آن روبرو هستند، طراحی ابزاری که کاربران توانایی خود را ارتقاء بخشد، چالش دیگری است. Picard می‌گوید: “سوالی که اکنون به طور جد روی آن متمرکزیم این است که الگوریتم‌های یادگیری ماشینی چگونه به مردم کمک می‌کنند؟”
Picard و تیم او به طور انتقادی در مورد اینکه چگونه الگوریتم‌های یادگیری ماشینی ممکن است یافته‌های خود را به کاربران ارائه دهند، می‌اندیشند: از طریق یک دستگاه جدید، یک برنامه تلفن هوشمند، یا حتی روشی برای اطلاع دادن به پزشک.
به عنوان مثال، فناوری را تصور کنید که ثبت می‌کند فردی اخیراً کمتر می‌خوابد، بیشتر در خانه می‌ماند و ضربان قلبش سریع‌تر از حد معمول است. این تغییرات ممکن است به قدری ظریف باشد که خود فرد و عزیزانش هنوز متوجه این دسته علائم نشده باشند. الگوریتم‌های یادگیری ماشینی ممکن است بتوانند این داده‌ها را معنا کنند و آن‌ها را بر روی تجربیات گذشته فرد و تجربیات سایر کاربران ترسیم کنند. این فناوری ممکن است بتواند فرد را به انجام رفتارهای خاصی که در گذشته بهزیستی آن‌ها را بهبود بخشیده است تشویق کند یا با پزشک خود تماس بگیرد.
در صورت اجرای نادرست، ممکن است این نوع فناوری اثرات نامطلوبی داشته باشد. اگر یک برنامه به کسی هشدار دهد که به سمت افسردگی عمیق می‌رود، می‌تواند اطلاعات دلسرد کننده‌ای باشد که منجر به احساسات منفی بیشتر می شود. Pedrelli و Picard کاربران واقعی را در فرآیند طراحی مشارکت می‌دهند تا ابزاری را ایجاد کنند که مفید باشد، نه مضر.
چیزی که می‌تواند موثر باشد ابزاری است که می‌تواند به یک فرد بگوید دلیل اینکه شما احساس ناراحتی می‌کنید ممکن است داده‌های مربوط به خواب شما تغییر کرده باشد، و داده‌ها به فعالیت اجتماعی شما مربوط می‌شوند، و شما هیچ زمانی به آن اختصاص نداده‌اید.
Picard می‌گوید: “هوش مصنوعی و الگوریتم‌های یادگیری ماشینی می‌توانند ارتباط برقرار کنند و الگوهایی را در مجموعه داده‌های بزرگ شناسایی کنند که انسان‌ها به خوبی متوجه آن نیستند. در واقع فناوری به مردم کمک می‌کند در مورد مردم باهوش‌تر باشند.”
خلاصه:
یادگیری ماشینی یک فناوری هوش مصنوعی می‌باشد که با داده‌ها و نمونه‌هایی از یک رفتار مشخص، در انجام مستقل یک کار مهارت پیدا می‌کند. می‌تواند الگوهای معنی‌داری را شناسایی کند که انسان‌ها بدون کمک دستگاه قادر به تشخیص آن‌ها به سرعت نباشند.