Riset Buktikan Kecerdasan Buatan Bisa Deteksi Depresi

Majalah Farmasetika – Alat kecerdasan buatan (AI) menjanjikan dalam mengatasi keterbatasan gangguan kecemasan tradisional dan/atau depresi, menurut hasil penelitian yang dipublikasikan di Springer.

Peneliti menetapkan bahwa fitur audio dan/atau video wajah paling banyak dianalisis, diikuti oleh sinyal elektroensefalografi (EEG), untuk mendeteksi gangguan kecemasan dan/atau depresi.

Alat skrining tradisional meliputi Columbia Suicide Screen, Risk of Suicide Questionnaire, Suicidal Ideation Questionnaire, dan banyak lagi.

Program skrining ini sering digunakan di sekolah untuk menilai risiko bunuh diri, menurut peneliti.

Namun, alat skrining tradisional ini memiliki keterbatasan, seperti prevalensi positif palsu yang tinggi, kurangnya sumber daya karena dana untuk program penilaian di sekolah, tuntutan lain pada pendidik dan konselor sekolah.

Banyak individu yang diidentifikasi mungkin berasal dari etnis kulit putih, sehingga alat tersebut mungkin tidak seefektif dalam mengidentifikasi individu berisiko dari etnis yang berbeda, kata para peneliti.

Selain itu, tidak ada penanda biologis akurat yang terbukti untuk bunuh diri yang diintegrasikan ke dalam praktik klinis. Namun, telah dilaporkan bahwa Apolipoprotein E dan interleukin-6 menjanjikan sebagai biomarker yang menjanjikan. Arsitektur tidur yang berubah adalah biomarker untuk perilaku dan pikiran bunuh diri.

Remaja sering mengungkapkan faktor risiko bunuh diri di media sosial alih-alih berbagi informasi dengan penyedia layanan kesehatan mereka, kata peneliti.

Alat pembelajaran mesin tradisional adalah sub-bidang AI, yang melibatkan serangkaian langkah untuk “melatih” mesin. Alat pembelajaran mesin bekerja dengan baik dengan data input kecil sehingga mereka dapat “belajar” darinya.

Biasanya, ini bekerja secara otomatis dengan data dan tanpa campur tangan manusia. Namun, penyelidik masih harus mengekstraksi dan memilih fitur untuk pembelajaran mesin.

Model pembelajaran mesin yang digunakan untuk klasifikasi penyakit meliputi mesin vektor dukungan, pohon keputusan, jaringan saraf probabilistik, dan jaringan saraf tiruan. Mereka telah digunakan untuk klasifikasi penyakit mental, seperti penyakit Alzheimer, depresi, penyakit Parkinson, dan skizofrenia.

Namun, para penyelidik mencatat bahwa model pembelajaran mendalam seringkali memiliki beberapa lapisan antara masukan dan keluaran yang digunakan untuk klasifikasi, yang memungkinkan alat ini mempelajari data masukan yang besar sebelum memprediksi hasil.

Model pembelajaran lanjutan juga dapat mengekstrak dan memilih data secara otomatis.

Beberapa alat yang paling banyak digunakan untuk klasifikasi adalah jaringan saraf convolutional, memori jangka pendek yang panjang, dan autoencoder.

Penyelidik menemukan bahwa database yang tersedia untuk umum paling sering digunakan untuk model pembelajaran mesin, diikuti oleh data yang diperoleh dari rumah sakit atau pusat penelitian.

Selanjutnya, peneliti mengamati bahwa fitur audio dan/atau wajah adalah bentuk data yang paling umum, diikuti oleh sinyal EEG dan teks dari media sosial, untuk mendiagnosis gangguan kecemasan dan/atau depresi.

Mereka juga menemukan bahwa ada lebih banyak penelitian tentang deteksi depresi daripada gangguan kecemasan atau depresi dan gangguan kecemasan secara bersamaan.

Ada juga lonjakan pembelajaran mesin, memuncak pada tahun 2020, untuk penggunaan deteksi gangguan kecemasan dan/atau depresi, yang bisa jadi karena peningkatan gangguan kecemasan dan depresi selama pandemi COVID-19, terutama di kalangan remaja dan anak-anak , kata peneliti.

Sumber

Barua PD, Vicnesh J, Lih OS, et al. Artificial intelligence assisted tools for the detection of anxiety and depression leading to suicidal ideation in adolescents: a review. Cogn Neurodyn. 2022;1-22. doi: 10.1007/s11571-022-09904-0