Inteligencia Artificial y Angustia Mental. ¿Podemos ayudar?
Por Luis de la Fuente Valentín
La interconexión entre medicina y computación ha sido una constante desde el mismo comienzo de la inteligencia artificial. Buen ejemplo de ello es el sistema MYCIN, desarrollado en los años 70 y capaz de identificar un listado de bacterias que pudieran estar causando la enfermedad de un paciente que acude a recibir diagnóstico. Dicho sistema se basaba en un catálogo de preguntas simples de respuesta si o no, armado con un conjunto de reglas que dirigían a un diagnóstico u otro dependiendo de dichas respuestas.
MYCIN nunca llegó a ser utilizado más allá de la validación experimental. En el tiempo que ha pasado desde entonces y tras los importantes avances en materia de inteligencia artificial, el interés en obtener diagnósticos precisos apoyados por Inteligencia Artificial sigue vigente y son muchas las aplicaciones que se utilizan en el día a día diagnóstico médico.
Si bien es cierto que no hay proceso diagnóstico simple, podría decirse que una de las tareas de mayor complejidad es identificar situaciones en las que el hecho a detectar no es un fenómeno sintomatológicamente unitario, sino que engloba dos o más sistemas de respuesta. En el caso de la ansiedad patológica, que implica respuestas subjetivo-cognitivas, fisiológico-somáticas y motor-conductuales, el Procesamiento de Lenguaje Natural está lo suficientemente maduro como para evaluar la sintomatología subjetivo-cognitiva, que tiene implicaciones en cómo el paciente se comunica con los demás.
Existen en el estado del arte actual trabajos que evidencian una relación explícita e identificable entre la sintomatología asociada a la ansiedad mental y las características del lenguaje utilizado. Un ejemplo claro es el predominio de pronombres de primera persona y de palabras negativas en diversas patologías mentales (Lyons, Aksayli, & Brewer, 2018). En el mencionado estudio, parten de textos en inglés de menos de 500 palabras, extraídos de foros de Internet sobre salud mental, y consiguen encontrar una diferencia significativa en el uso de tales pronombres.
Al respecto, el Procesamiento de Lenguaje Natural puede aportar dos tipos de soluciones diferentes, como son la clasificación automática y la extracción de características.
La clasificación automática permite, con un conjunto de muestras debidamente etiquetadas, entrenar a una red neuronal para que reconozca los patrones que hacen que un texto reciba una u otra etiqueta (Arrabales, 2020). Lo positivo es que, con los modelos basados en Transformers, la capacidad predictiva de este sistema es muy alta. No tan positivo es la falta de explicabilidad: dada una predicción, el sistema no ofrece información de por qué tomó dicha decisión. Huelga decir lo importante de la explicación que debe acompañar a un diagnóstico sobre patologías mentales.
Por otra parte, la extracción de características tiene un valor predictivo menor, pero una mejor explicabilidad. Dado un texto, se pueden cuantificar elementos como la complejidad de las oraciones formuladas o de las palabras utilizadas, el frecuencia de uso de determinados tipos de palabras (pronombres, adverbios, adjetivos), el estilo narrativo (voz pasiva o activa) o incluso se puede analizar la emoción primaria que predomina en el texto analizado, o el campo semántico al que pertenece.
Conjugando ambas técnicas (clasificación y extracción de características) podremos perseguir uno de los retos actuales en la Inteligencia Artificial, que no es otro que conseguir una explicación entendible por humanos para una predicción realizada.
Arrabales, R. (2020). Perla: A Conversational Agent for Depression Screening in Digital Ecosystems. Design, Implementation and Validation. Retrieved from http://arxiv.org/abs/2008.12875
Lyons, M., Aksayli, N. D., & Brewer, G. (2018). Mental distress and language use: Linguistic analysis of discussion forum posts. Computers in Human Behavior, 87, 207–211. https://doi.org/10.1016/j.chb.2018.05.035