IMMERSE blog

Volg ons Twitter-account @Immerse_Project om op de hoogte te blijven.

AI gebruiken om gezondheid te voorspellen

2500 jaar geleden zei Heraclitus beroemd dat "alles stroomt en niets vast blijft". Hoewel zijn inzicht enige troost kan bieden bij het omgaan met de slagen en pijlen van het noodlot, zijn wetenschappers meestal niet zo gemakkelijk tevreden. Is het waar dat niets vaststaat? En gezien dingen stromen, hoe precies stromen ze?

Na de wetenschappelijke revolutie die plaatsvond in de 16e eeuw, hebben wetenschappers aanzienlijke vooruitgang geboekt in het aanduiden van wat mogelijk vaststaat. Newton ontdekte dat planetaire banen zich houden aan de onveranderlijke wetten van de zwaartekracht en hun stroming vastlegde in de mooie taal van de calculus die tot op de dag van vandaag middelbare scholieren plaagt. Einstein realiseerde zich dat de snelheid van het licht constant blijft, zelfs terwijl ruimte en tijd eromheen kronkelen.

Verder dan het begrijpen van wat vaststaat, zijn wetenschappers ook vooruitgegaan in het begrijpen van hoe dingen veranderen: van het klimaat tot de aandelenmarkt tot de ongelooflijke complexiteit van 80 miljard onderling verbonden op en neer gaande neuronen die een menselijk brein vormen; dynamiek komt in vele vormen en gedaanten en vormt een formidabele uitdaging voor degenen die proberen er modellen van te maken.

Onze menselijke psyche, verweven met de dynamiek van de hersenen en ingebed in een complexe wereld vol onzekerheid, is eveneens altijd in beweging. En dus mag het geen verrassing zijn dat ook geestesziekten complexe dynamische patronen kunnen vertonen. Bipolaire stoornis dient als een uitstekend voorbeeld: het wordt gekenmerkt door fluctuerende stemmingen die oscilleren tussen depressieve en manische fasen, en de onvoorspelbaarheid ervan kan moeilijk te bevatten zijn voor degenen die eraan lijden.

Toen Johannes Kepler probeerde de waargenomen bewegingen van de banen in vergelijkingen samen te vatten, kostte het hem bijna een decennium om zijn bekende wetten te formuleren, gebaseerd op de gegevens die hij ontving van Tycho Brahe. Desalniettemin hoeven wetenschappers in de 21e eeuw niet alleen te vertrouwen op pen en papier bij het uitvinden van bewegingsvergelijkingen, ze worden ondersteund door computers en leeralgoritmen. Machine learning- en AI-technieken zijn steeds krachtiger geworden in het automatisch extraheren van patronen uit diverse gegevens. Ze hebben al hun weg gevonden naar veel medische toepassingen en beloven er nog veel meer te vinden.

Mijn onderzoeksgroep aan het Centraal Instituut voor Geestelijke Gezondheidszorg richt zich op een subgebied van AI, genaamd reconstructie van dynamische systemen. We gebruiken neurale netwerken om modellen te extraheren uit de stromen die we om ons heen waarnemen. Die netwerken kunnen voortkomen uit metingen van het hart of de hersenen, of, zoals in het voorbeeld van IMMERSE, smartphonegegevens uit het dagelijks leven van mensen die worstelen met geestelijke gezondheidsproblemen.

Als we een reeks modellen hebben geëxtraheerd, kunnen we ze gebruiken om de onmiddellijke toekomst te voorspellen, of we kunnen ze gebruiken om verborgen dynamische patronen en trends te begrijpen, net zoals bij het voorspellen van kortetermijnweer en langetermijnklimaatverandering.

Meer specifiek kijken we in mijn project naar het integreren van informatie uit verschillende gelijktijdig waargenomen modaliteiten. De gegevens in op smartphones gebaseerde studies zoals IMMERSE worden vaak verzameld met behulp van de Experience Sampling Method (ESM), die proefpersonen voorziet van vragenlijsten over hun huidige stemming meerdere keren per dag (bijvoorbeeld: hoe gelukkig ben je op een schaal van 1 tot 10?). Smartphones hebben echter ook de mogelijkheid om passieve gegevens te verzamelen, zoals het aantal stappen, activiteitspatronen of GPS-gegevens, die niet afhankelijk zijn van de tijdrovende en soms onbetrouwbare deelname aan enquêtes door de onderzoeksdeelnemers. Deze passief verzamelde gegevens kunnen er tegelijkertijd heel anders uitzien dan de ESM-beoordelingen (zoals het aantal genomen stappen per uur, of abstracte GPS-coördinaten die er ongeveer zo uitzien: "41.40338, 2.17403"), en het integreren ervan vereist behoorlijk wat vindingrijkheid.

Als onderdeel van mijn project hebben we een nieuw trainingsparadigma ontwikkeld, gebaseerd op enkele recente ontwikkelingen in het extraheren van dynamische modellen. Het kader, genaamd de Multimodale Variational Autoencoder-Teacher Forcing (ja, het is een mondvol), kan meerdere gelijktijdig waargenomen tijdreeksen nemen en ze gebruiken om een gedeeld dynamisch model te extraheren.

Meer gegevens betekent meestal meer expressieve en krachtige modellen, en het integreren van passieve en actieve sensorgegevens belooft een grondiger begrip van de dynamische processen die ten grondslag liggen aan geestesziekten. Stel je bijvoorbeeld een opkomende depressieve episode voor: terwijl individuen mogelijk minder motivatie vertonen om enquêtes in te vullen, kan er ook een merkbare afname zijn in fysieke activiteit of meer tijd binnenshuis worden doorgebracht, zoals aangegeven door stap- of GPS-gegevens. Het combineren van deze informatie in een gezamenlijk model kan clinici vroegtijdige waarschuwingssignalen bieden om effectief tegen het begin van deze episodes te strijden, wat leidt tot verbeterde therapie.

Het gebruik van AI-modellen in klinische settings vereist zorgvuldigheid en een grondig begrip van de specifieke technische en ethische uitdagingen van het vakgebied, maar het belooft ook verbeterde persoonsgerichte zorg: een AI-model kan een perspectief bieden dat veel meer is afgestemd op het individu, aangezien het complexe relaties kan extraheren uit de unieke gegevens van dat individu. Deze relaties zijn misschien moeilijker te zien voor een clinici onder tijdsdruk of gebaseerd op alleen de zelfrapportage van de proefpersonen tijdens consultatie-uren met weinig gegevens om het te ondersteunen.

Daarom is de hoop dat de integratie van deze modellen in de klinische praktijk en smartphone-gebaseerde therapiebenaderingen clinici een verbeterd begrip biedt van individuele uitdagingen, waarbij een synergie ontstaat tussen het menselijke element van therapie en het vermogen van AI om verborgen patronen te onderscheiden uit vele vormen van gegevens.