AI는 일상 언어로 정신병 위험을 예측할 수 있습니다.
사람들의 언어는 미래 정신병 발병 위험에 대한 단서를 밝힐 수 있습니다. 과학자들은 사람들의 일상적인 연설의 미묘한 특징을 연구 한 후 결론을 내 렸습니다.
조지 아주 애틀랜타에있는에 모리 대학교와 매사추세츠 주 보스턴에있는 하버드 대학교의 연구원들은 기계 학습 기술을 사용하여 위험에 처한 젊은이들의 언어를 분석했습니다.
그들은 93 %의 정확도로 어떤 개인이 정신병에 걸릴지 예측할 수 있다는 것을 발견했습니다.
최근 npj 정신 분열증 연구 보고서는 팀이 방법을 개발하고 테스트 한 방법을 설명합니다.
에 모리 대학의 심리학 교수 인 선임 연구 저자 인 필립 울프 (Phillip Wolff)는 초기 연구에서 이미 "미래 정신병의 미묘한 특징이 사람들의 언어에 존재한다"는 사실을 입증했다고 설명합니다. 그러나 그는 "우리는 실제로 이러한 기능에 대한 숨겨진 세부 정보를 발견하기 위해 머신 러닝을 사용했습니다."라고 말했습니다.
그와 그의 동료들은 의미 밀도와 소리와 관련된 단어의 사용이라는 두 가지 언어 변수를 측정하기 위해 기계 학습 접근 방식을 고안했습니다.
그들은 "정신병으로의 전환은 낮은 의미 밀도로 신호를 보내고 음성과 소리에 대해 이야기합니다."라고 결론을 내 렸습니다.
낮은 의미 밀도는 팀이 "콘텐츠의 빈곤"또는 모호함을 나타내는 척도입니다.
저자들은 "이 작업은 계산 방법을 사용하여 사람들의 자연어에서 미래의 정신 건강 지표를 추출 할 수 있음을 보여주는 개념 연구의 증거"라고 말합니다.
기계 학습 및 정신병 증상
기계 학습은 과학자가 학습을 명시 적으로 프로그래밍 할 필요없이 컴퓨터가 "경험으로부터 학습"하는 일종의 인공 지능입니다.
기계 학습 시스템은 알려진 데이터 세트에서 패턴을 찾고 어떤 패턴이 특정 기능을 식별하는지 결정합니다. 이러한 기능이 무엇인지 "학습"하면 새로운 데이터 세트에서 끊임없이 식별 할 수 있습니다.
기계 학습은 정신병 위험이있는 사람들을 진단하고 치료하기 위해 훈련을받은 의사조차도 알아 차리지 못하는 사람들의 언어 사용 패턴을 찾아 낼 수 있습니다.
하버드 의과 대학 신경과의 연구원 인 첫 번째 연구 저자 인 Neguine Rezaii는“사람들과의 대화에서 이러한 미묘함을 들으려는 것은 눈으로 미세한 세균을 보는 것과 같습니다.
그러나 기계 학습을 사용하여 사람들의 언어에 숨어있는 특정 미묘한 패턴을 찾을 수 있습니다. "정신병의 징후를 나타내는 현미경과 같습니다."라고 그녀는 덧붙입니다.
Rezaii는 Emory University School of Medicine의 정신과 행동 과학과에 거주하는 동안 연구를 시작했습니다.
정신병은 실제와 그렇지 않은 것을 구별하기 어려울 수있는 마음의 상태입니다.
사람이이 정신 상태에 들어가면 의사는이를 정신병 적 에피소드라고 부릅니다. 그러한 에피소드 동안 사람들은 혼란스러운 인식과 생각을 경험합니다. 망상과 환각은 정신병의 일반적인 증상입니다.
정신병 적 에피소드 동안, 사람은 부적절한 행동을 나타내거나 일관되지 않게 말할 수 있습니다. 또한 수면 장애를 경험하고 사회적으로 철회하고 우울하고 불안해 할 수 있습니다.
미국 국립 보건원 (NIH) 중 하나 인 국립 정신 건강 연구소 (National Institute of Mental Health)의 수치에 따르면 미국에서는 약 3 %의 사람들이 평생 동안 정신병을 경험하게됩니다.
정신병 위험의 조기 진단 개선
정신병은 정신 분열증 및 기타 심각한 장기 정신 건강 상태의 특징입니다.
정신병의 경고 징후는 일반적으로 의사가 전구 증후군으로 묘사하는 정신병 증상의 군집과 함께 10 대 중반에서 후반에 시작됩니다.
전구 증후군에 걸린 십대의 약 25 ~ 30 %는 정신 분열증과 같은 정신병에 걸릴 것입니다.
인터뷰와인지 능력 테스트를 통해 적절한 훈련을받은 의사는 일반적으로 약 80 %의 정확도로 어떤 전구 증후군 환자가 정신병에 걸릴지 예측할 수 있습니다.
과학자들은이 예측률을 개선하고 진단 프로세스를보다 정확하고 간단하게 만들기 위해 다양한 접근 방식을 시도하고 있습니다. 기계 학습은 이러한 접근 방식 중 하나입니다.
Wolff 교수와 그의 팀은 기계 학습 시스템을 통해 일상 대화의 언어 규범을 식별함으로써 연구를 시작했습니다.
그들은 Reddit의 30,000 사용자로부터 시스템 온라인 대화를 제공했습니다. Reddit은 등록 된 사용자가 다양한 주제에 대해 대화 할 수있는 온라인 뉴스, 콘텐츠 등급 및 토론 플랫폼입니다.
팀은 Word2Vec 소프트웨어를 사용하여 대화에서 개별 단어를 분석했습니다. 소프트웨어는 단어를 매핑하여 유사한 의미를 가진 단어가 "의미 공간"에서 서로 가깝고 매우 다른 의미를 가진 단어는 서로 멀리 떨어져 있도록 매핑합니다.
연구원들은 의미론을 분석하는 능력을 확장하기 위해 시스템에 또 다른 프로그램을 추가했습니다. 이전 연구에서는이 분석을 사람들이 문장에서 단어를 사용하는 방식을 살펴 보는 의미 적 일관성 측정에 국한했습니다.
그러나 의미 밀도는 한 단계 더 나아가 사람들이 단어를 문장으로 구성하는 방법을 평가합니다. 팀은 이것이 사람들이 문장을 형성하는 데 사용하는 정신적 과정의 더 나은 지표라고 제안합니다.
"정상적인 기준"을 설정하기 위해 기계 학습 시스템을 훈련 한 후 팀은 북미 Prodrome Longitudinal Study (NAPLS) 참가자 40 명의 진단 인터뷰에서 대화를 제공했습니다.
NAPLS는 정신병에 걸릴 위험이있는 청소년을 진단하고 그 이유를 이해하는 의사의 능력을 향상시키는 것을 목표로하는 14 년에 걸친 다중 사이트 프로젝트입니다.
그런 다음 팀은 NAPLS 대화의 기계 학습 분석을 기준 데이터와 비교했습니다. 그들은 또한 어떤 참가자가 정신병에 걸 렸는지 보여주는 후속 데이터와 비교했습니다.
결과는 나중에 정신병을 앓은 참가자가 기준선보다 소리 관련 단어를 더 많이 사용하는 경향이 있으며 유사한 의미의 단어를 더 자주 사용하는 것으로 나타났습니다.
공동 저자 인 Elaine Walker 교수는“우리가 위험에 처한 개인을 조기에 식별하고 예방 적 개입을 사용할 수 있다면 적자를 되돌릴 수있을 것입니다.”라고 설명합니다.
“인지 행동 치료와 같은 치료가 발병을 지연시키고 정신병 발생을 줄일 수 있다는 것을 보여주는 좋은 데이터가 있습니다.”라고 그녀는 덧붙입니다.
팀은 이제 더 광범위한 데이터 수집을 모으고 있으며 치매와 같은 다른 뇌 및 정신 질환과 함께 새로운 기계 학습 기술을 테스트 할 계획입니다.
"이 연구는 정신 질환에 대해 더 많이 밝혀 낼 수있는 잠재력뿐만 아니라 마음이 작동하는 방식, 즉 아이디어를 결합하는 방식을 이해하는데도 흥미 롭습니다."
Phillip Wolff 교수
