Predicting mental health indices with artificial intelligence and machine learning

Η παρούσα διδακτορική διατριβή ερευνά την ενσωμάτωση χαρακτηριστικών συμπεριφοράς που προέρχονται από την Relative Preference Theory (RPT) και επεξηγήσιμης μηχανικής μάθησης, για την προαγωγή της πρόληψης και παρακολούθησης ψυχιατρικών νόσων. Αξιοποιεί μια καινοτόμο εφαρμογή της RPT, όπου ερμηνεύσιμοι δείκτες εξάγονται μέσω αξιολόγησης εικόνων που μοντελοποιούν την ανθρώπινη κρίση και τις προτιμήσεις. Τέσσερα σύνολα δεδομένων, που συλλέχθηκαν πριν και κατά τη διάρκεια της πανδημίας COVID-19, παρέχουν τη βάση για αυτήν την έρευνα, επιτρέποντας την ανάλυση της επίδρασης της πανδημίας στην ψυχική υγεία και την αποτελεσματικότητα των χαρακτηριστικών της RPT στην πρόβλεψη καταστάσεων όπως το άγχος, η κατάθλιψη, οι αυτοκτονικές σκέψεις και τα συμπτώματα ψύχωσης. Έντεκα συνολικά μελέτες αποδεικνύουν τη δυνατότητα και τη χρησιμότητα των χαρακτηριστικών της RPT σε μοντέλα μηχανικής μάθησης, δίνοντας έμφαση στη σημασία της επεξηγησιμότητας στις εφαρμογές της τεχνητής νοημοσύνης. Χρησιμοποιώντας τεχνικές όπως η επιλογή χαρακτηριστικών και η εξερευνητική ανάλυση δεδομένων, η έρευνα επιτυγχάνει ισορροπία μεταξύ υπολογιστικής αποδοτικότητας και ερμηνευσιμότητας. Αυτό διασφαλίζει ότι τα αναπτυγμένα μοντέλα πρόβλεψης είναι τόσο αξιόπιστα όσο και κλινικά εφαρμόσιμα, αντιμετωπίζοντας τις διάφορες προκλήσεις που υπάρχου κατά την διενέργεια διάγνωσης προβλημάτων ψυχικής υγείας, ιδίως σε πληθυσμούς που στερούνται εύκολης πρόσβασης σε υπηρεσίες υγείας. Τα ευρήματα υπογραμμίζουν τη δυναμική της υπολογιστικής ψυχιατρικής. Η έρευνα αποκαλύπτει ότι η πανδημία COVID-19 επιδείνωσε σημαντικά τα προβλήματα ψυχικής υγείας, τονίζοντας τον κρίσιμο ρόλο της έγκαιρης διάγνωσης και παρέμβασης. Επικυρώνοντας τη χρησιμότητα των μετρικών της RPT σε διάφορα περιβάλλοντα, η παρούσα διδακτορική διατριβή θεμελιώνει ένα πλαίσιο για μελλοντικές μελέτες που θα πρέπει να στοχεύσουν στη συγχώνευση συμπεριφορικών, βιολογικών και περιβαλλοντικών δεδομένων για την ενίσχυση της ακρίβειας πρόβλεψης. Αυτό το έργο συμβάλλει στον εκδημοκρατισμό της φροντίδας ψυχικής υγείας, παρέχοντας ερμηνεύσιμα εργαλεία για τον εντοπισμό ψυχιατρικών διαταραχών. Δημιουργεί τις προϋποθέσεις για την εξατομικευμένη ψυχιατρική, όπου οι γνώσεις που προκύπτουν από την τεχνητή νοημοσύνη μπορούν να καθοδηγήσουν στοχεύουσες παρεμβάσεις, βελτιώνοντας τα αποτελέσματα και αντιμετωπίζοντας τις παγκόσμιες ανισότητες στις υπηρεσίες ψυχικής υγείας.