Τα άτομα με γενικευμένη αγχώδη διαταραχή (GAD), μια κατάσταση που χαρακτηρίζεται από καθημερινή υπερβολική ανησυχία που διαρκεί τουλάχιστον έξι μήνες, έχουν υψηλό ποσοστό υποτροπής ακόμη και μετά τη λήψη θεραπείας. Τα μοντέλα τεχνητής νοημοσύνης (AI) μπορούν να βοηθήσουν τους κλινικούς γιατρούς να εντοπίσουν παράγοντες που προβλέπουν την μακροπρόθεσμη εξέλιξη της ανάρρωσης και να εξατομικεύσουν καλύτερα τη θεραπεία των ασθενών, σύμφωνα με ερευνητές από το Penn State.
Οι ερευνητές χρησιμοποίησαν μια μορφή τεχνητής νοημοσύνης που ονομάζεται μηχανική μάθηση για να αναλύσουν περισσότερους από 80 βασικούς παράγοντες - από ψυχολογικούς και κοινωνικοδημογραφικούς έως μεταβλητές υγείας και τρόπου ζωής - για 126 ανθρώπους που είχαν διαγνωστεί με GAD.
Τα δεδομένα προέρχονταν από την πολυετή μελέτη των Εθνικών Ινστιτούτων Υγείας των ΗΠΑ με την ονομασία Midlife in the United States, η οποία συλλέγει δεδομένα υγείας από κατοίκους των ηπειρωτικών ΗΠΑ ηλικίας 25 έως 74 ετών, οι οποίοι απάντησαν για πρώτη φορά σε ερωτηματολόγιατο 1995-96. Τα μοντέλα μηχανικής μάθησης εντόπισαν 11 μεταβλητές που εμφανίζονται πιο σημαντικές για την πρόβλεψη της ανάρρωσης και της μη ανάρρωσης, με ακρίβεια έως και 72%, στο τέλος μιας περιόδου εννέα ετών.
Οι ερευνητές δημοσίευσαν τα ευρήματά τους στο τεύχος Μαρτίου του περιοδικού Journal of Anxiety Disorders.
«Προηγούμενες έρευνες έχουν δείξει ένα πολύ υψηλό ποσοστό υποτροπής στην GAD, και υπάρχει επίσης περιορισμένη ακρίβεια στην κρίση των κλινικών γιατρών για την πρόγνωση των μακροπρόθεσμων αποτελεσμάτων», δήλωσε η Candice Basterfield, επικεφαλής συγγραφέας της μελέτης και υποψήφια διδάκτωρ στο Penn State. «Αυτή η έρευνα δείχνει ότι τα μοντέλα μηχανικής μάθησης παρουσιάζουν καλή ακρίβεια, ευαισθησία και ειδικότητα στην πρόβλεψη του ποιος θα ανακάμψει και ποιος όχι από τη GAD. Αυτοί οι προγνωστικοί δείκτες ανάρρωσης θα μπορούσαν να είναι πραγματικά σημαντικοί για να βοηθήσουν στη δημιουργία τεκμηριωμένων, εξατομικευμένων θεραπειών για μακροπρόθεσμη ανάρρωση».
Οι ερευνητές διαπίστωσαν ότι το υψηλότερο μορφωτικό επίπεδο, η μεγαλύτερη ηλικία, η μεγαλύτερη υποστήριξη από φίλους, η υψηλότερη αναλογία μέσης-ισχίων και η υψηλότερη θετική επιρροή, ή το αίσθημα μεγαλύτερης ευθυμίας, ήταν τα πιο σημαντικά για την ανάρρωση, με αυτή τη σειρά.
Εν τω μεταξύ, η καταθλιπτική επιρροή, οι καθημερινές διακρίσεις, ο μεγαλύτερος αριθμός συνεδριών με επαγγελματία ψυχικής υγείας τους τελευταίους 12 μήνες και ο μεγαλύτερος αριθμός επισκέψεων σε ιατρούς τους τελευταίους 12 μήνες αποδείχθηκαν πιο σημαντικά για την πρόβλεψη της μη ανάρρωσης.
Οι ερευνητές επικύρωσαν τα ευρήματα του μοντέλου συγκρίνοντας τις προβλέψεις της μηχανικής μάθησης με τα δεδομένα του MIDUS, διαπιστώνοντας ότι οι προβλεπόμενες μεταβλητές ανάκαμψης επιβεβαιώθηκαν από τους 95 συμμετέχοντες που δεν εμφάνιζαν συμπτώματα GAD στο τέλος της εννεαετούς περιόδου.
Τα ευρήματα υποδηλώνουν ότι οι κλινικοί γιατροί μπορούν να χρησιμοποιήσουν την τεχνητή νοημοσύνη για να εντοπίσουν αυτές τις μεταβλητές και να εξατομικεύσουν τη θεραπεία για τους ασθενείς με GAD - ειδικά εκείνους με σύνθετες διαγνώσεις, σύμφωνα με τους ερευνητές.
Σχεδόν το 50% έως 60% των ατόμων με GAD έχουν συνυπάρχουσα κατάθλιψη, δήλωσε η Michelle Newman, επικεφαλής συγγραφέας και καθηγήτρια ψυχολογίας στο Penn State. Εξήγησε ότι οι εξατομικευμένες θεραπείες θα μπορούσαν να στοχεύσουν σε αυτή την κατάθλιψη καθώς και να αντιμετωπίσουν το άγχος.
«Η μηχανική μάθηση δεν εξετάζει μόνο τους μεμονωμένους προγνωστικούς παράγοντες, αλλά μας βοηθά να κατανοήσουμε τόσο τη βαρύτητα αυτών των προγνωστικών παραγόντων - πόσο σημαντικοί είναι για την αποκατάσταση ή τη μη αποκατάσταση - όσο και τον τρόπο με τον οποίο αυτοί οι προγνωστικοί παράγοντες αλληλεπιδρούν μεταξύ τους, κάτι που είναι πέρα από ο,τιδήποτε μπορεί να προβλέψει ένας άνθρωπος», δήλωσε η Newman.
