Psichikos sveikatos Amerika prognozuoja, kad 2024 m. beveik 60 milijonų amerikiečių sirgo psichikos liga, o Alabamos universiteto Birmingeme atlikti tyrimai rodo, kad nuo 2017 m. Amerikos koledžų studentų potrauminio streso sutrikimo ir ūminio streso sutrikimo diagnozių skaičius labai išaugo.
Siekdami išspręsti didėjančias psichikos sveikatos problemas Jungtinėse Amerikos Valstijose, UAB „Education and Human Sciences“ mokyklos mokslininkai sukūrė įrankį, padedantį konsultantams atpažinti kolegijos studentus, kuriems yra padidėjusi nerimo ir depresinių sutrikimų rizika, prieš jų būklei paūmėjus.
Savo straipsnyje, paskelbtame Konsultavimo ir plėtros žurnalasYusen Zhai, Ph.D., UAB Community Counseling Clinic direktorius, naudojo mašininį mokymąsi – dirbtinio intelekto porūšį, kad nustatytų mokyklų jau renkamos informacijos modelius, pvz., amžių, biologinę lytį, metus mokykloje, rasę ir etninė priklausomybė ir pagrindinės grupės, tai gali būti didesnės psichikos sveikatos sutrikimų rizikos rodiklis.
„Dabartiniai nuspėjamieji modeliai, naudojami su nerimu ar depresija kovojantiems studentams rasti, priklauso nuo studentų, kurie jau lankėsi pas sveikatos priežiūros paslaugų teikėją, informacija“, – sakė Zhai.
„Tai gali nepastebėti studentų, kurie galbūt net nesuvokia, kad jiems reikia pagalbos, nenori ieškoti priežiūros ir susiduria su kliūtimis gauti paslaugas. Mūsų AI įrankis gali rasti studentų, kuriems gali prireikti pagalbos, o jaudinanti ir žavinga dalis yra tai, kad jis gerai veikia tarp bendrųjų studentų, o ne tik tuos, kurie jau naudojosi sveikatos paslaugomis“.
Zhai taip pat paaiškina, kad daugelis dabartinių modelių yra sukurti naudojant klinikinius pavyzdžius ir duomenis ir mokymo proceso metu nėra veikiami bendra studentų populiacija. Siekdamas užpildyti šią spragą, jis ir jo komanda siekė sukurti mašininio mokymosi nuspėjimo modelius, kurie nesiremtų klinikiniais pavyzdžiais ar su sveikata susijusia informacija, o labiau socialine ir ekonomine demografija, kuri, kaip parodė tyrimai, yra susijusi su sunkesniu nerimu ir depresija.
Vertinant modelį atsižvelgiama į tokius veiksnius kaip lytis, rasė ir etninė priklausomybė, finansinė įtampa, priklausymo miesteliui jausmas, neįgalumo statusas ir amžius.
Be apribojimų ir pasitikėjimo, Zhai AI modeliai rodo didelį nuspėjimo tikslumą ir gali padėti atpažinti rizikos grupei priklausančius asmenis iš plačios kolegijos studentų populiacijos.
„Laikus gydymas yra labai svarbus, nes delsimas gali sukelti sunkesnių sveikatos pasekmių“, – sakė Zhai.
„Išnaudodami dirbtinio intelekto potencialą, psichikos sveikatos specialistai gali priimti labiau pagrįstus sprendimus ir parengti planus studentams. Svarbu pažymėti, kad šie modeliai skirti ne pakeisti esminį žmonių sveikatos priežiūros paslaugų teikėjų vaidmenį, o papildyti jų patirtį ir sustiprinti psichikos sveikatos specialistų gebėjimas priimti pagrįstus sprendimus išlaikant santykių ir į žmogų orientuotą konsultavimo pobūdį.
Žvelgdami į ateitį, Zhai ir jo tyrimų grupė nori remtis žiniomis ir patirtimi, įgytomis iš šio projekto, ir kurti mašininio mokymosi modelius, skirtus nustatyti įvairesnes psichikos sveikatos problemas, įskaitant medžiagų vartojimo sutrikimus ir savižudybių riziką. tikslas išplėsti priemonių taikymą K-12 nustatymams ir visai visuomenei.
„Psichikos sveikatos skirtumai yra susiję su rimtais sveikatos rezultatais, o sparčiai tobulėjant technologijoms norime tęsti mokslinius tyrimus, kad sukurtume įrankius, kurie padėtų psichikos sveikatos specialistams pašalinti psichikos sveikatos priežiūros spragas ir pagerinti rezultatus.”