شناسایی افراد مبتلا به افسردگی با سلفی موبایل

در حال حاضر گروهی از محققان کالج دارتموث در نیوهمپشایر مشغول توسعه نمونه اپلیکیشن مذکور به نام MoodCapture هستند.

به گزارش سرویس اخبار پزشکی سایت شات ایکس و به نقل از نیو اطلس - NewAtlas ایده اصلی ورای اپ آن است که هر وقت کاربر با استفاده از سیستم هوش مصنوعی آن قفل موبایلش را باز کرد، دوربین سلفی دستگاه چند عکس از صورت و محیط اطراف وی می گیرد. یک الگوریتم هوش مصنوعی در مرحله بعد تصاویر مذکور را ارزیابی و حالات صورت فرد را همراه تصاویر پس زمینه مورد بررسی قرار می دهد.

اگر اپ تشخیص دهد که افسردگی فرد در حال وخیم تر شدن است، اقداماتی مانند انجام ورزش در فضای آزاد یا هم صحبتی با خانواده و دوستان را پیشنهاد می کند. در حالت ایده آل این اپ یک هشدار جدی صادر نمی کند که فرد نیازمند مراقبت پزشکی است (حداقل در ابتدای امر)، زیرا انجام این کار ممکن است سبب شود فرد احساس بدتری نسبت به وضعیت خود داشته باشد و در نتیجه افسردگی وی عمیق تر شود.

هوش مصنوعی روی گروهی شامل ۱۷۷ شرکت کننده آزمایش شد که به ۵ گروه تقسیم شدند و همه آنها قبلا مبتلا به اختلال افسردگی تشخیص داده شده بودند.

طی بازه ۹۰ روزه، موبایل فرد تصاویری از آنها را در حالی ثبت کرد که آنها میزان موافقت خود با جمله «احساس ناراحتی، افسردگی یا ناامیدی کرده ام» را ارزیابی کردند. این درخواست بخشی از یک پرسشنامه سلامت بیمار ۸ نقطه ای بود که به طور گسترده برای ارزیابی افسردگی به کار می رود.

هرچند شرکت کنندگان توافق کردند تصاویر آنها با موبایل گرفته شود، اما نمی دانستند با انجام این کار به درخواست پاسخ مثبت داده اند. این یک اصل مهم بود زیرا بدان معنا بود که افراد ناخودآگاهانه احساساتشان را هنگام ثبت تصاویر کنترل نمی کردند.

در مرحله بعد ۱۲۵ هزار عکس تحلیل شد و هوش مصنوعی حالات صورت را در برخی از گروه ها شناسایی کرد که با درخواست ها بیشترین همخوانی داشت. چنین حالاتی شامل اختلاف در جهت خیره شدن، حرکات چشمان، نحوه قرار گرفتن سر و خشکی ماهیچه ها بود. همچنین هوش مصنوعی عوامل محیطی تکرار شونده مانند درخشندگی نور یا تاری آن و همچنین حضور یا غیاب افراد دیگر را شناسایی کرد.

اپ با استفاده از مدل هوش مصنوعی مذکور تصاویر موبایل گروه های دیگر را نیز تحلیل کرد و صحت تشخیص آن در شناسایی افرادی که افسردگی آنها پیشرفت داشت، ۷۵ درصد بود. کارشناسان معتقدند نرخ صحت تشخیص این فناوری پس از توسعه بیشتر ( حدود ۵ سال دیگر) باید به حداقل ۹۰ درصد برسد.