Великі масиви даних та машинне пізнання: надія чи обман?

Великі масиви даних у психіатрії знаходяться на перехресті трьох "мегатрендів": зростання витрат на проведення нейробіологічних досліджень; машинне пізнання, яке значно розповсюдилося останніми десятиліттями; та персоналізована медицина, починаючи з початку цього століття, зосереджена на передбаченні розвитку хвороб та підходах до лікування на індивідуальному рівні.  

Саме так Данило Бздок  (McGill University, Монреаль, Квебек,  Канада) розпочав дискусію на віртуальному конгресі ECNP 2020. В цьому є певний потенціал, безсумнівно. Проте він також окреслив певні виклики, складнощі. Один з компромісів полягає в легкості інтрепретації моделі штучного інтелекту та її точності.

Раннє визначення ефекту терапії є цілком досяжною метою 

По-друге, в психіатрії останніми роками з'явився  парадоксальний феномен - в той час як зростає розмір накопичених даних, сила передбачення як інструмент оцінки даних, похідна з цих масивів, не зростає. Так і не зрозуміло чому таке відбувається.

Потенційні прориви, потенційні проблеми

Maria Faurholt-Jepsen (Центр Дослідження Афективних Розладів, Копенгаген, Данія) вірить, що збір даних у реальному часі та саме об'єктивних показників на противагу відповідям пацієнтів, які вони дають у паперових опитувальниках, як правило, ретроспективно, забезпечують надихаючу можливість краще зрозуміти психічні проблеми. Особливо це важливо, коли обмежене розуміння є частиною розладу.

Та одним із її переконань є те, що збір інформації із різноманітних датчиків, сенсорів  дозволить нам вивчити і дослідити ефекти втручань на більш ранніх стадіях, ніж це було можливим за використання звчиних способів оцінки.

Проте, вона також додала до викликів та складнощів, а саме чи прийняття рішення про стратегії аналізу даних повинні грунтуватися, виходячи з певної гіпотези, чи навпаки генерувати таку гіпотезу. В цьому полягає певний прорив та в той же час є підводні камені.  

Скриті закономірності складних даних

Обман є, проте надії більше

Janaina Mourao-Miranda (Центр Медичної комп'ютерної візуалізації, Університетський коледж Лондона, Велика Британія)  стверджує, що машинне пізнання може дослідити скриті закономірності у складних, мультимодальних та  багаторічних даних. І в той же час жевріє надія до раннього визначення розвитку хвороби, отримання кращого результату лікування через можливість вивчення та ідентифікації підгруп пацієнтів, та зрештою є кроком до персоналізованої медицини.

Проте, вона зауважила, що багато моделей побудовані радше на асоціативних зв'язках, а не причинно-наслідкових, тому ми не повинні підходити до них як до "чорної скриньки", а шукати шляхи розуміння чому вони передбачають, те що потім роблять, та якими були першочергові припущення.

Певний рівнень невизначеності у модному тренді є, проте надії більше, зазначила вона.

Голодні на інформацію

Існують також етичні проблеми та перешкоди. Наскільки людям подобається бути частиною генератора масиву даних- вочевидь протягом тривалого часу життя- чи не є це нав'язливим вторгненням у життя? Чи може анонімність бути збережена за запитом індивіда?

Хайп, мода не є проблемою - радше мова йже про голод щодо інформації, яка широко затребувана компаніями по всьому світу, зауважив Bart de Witte (Цифрова Медична академія, Берлін, Німеччина). Проте, як він відзначив, інформація - це не просто товар. Інформація - це люди. Інформація - це людське життя.

Він закликав не приватизовувати ні інформацію в медицині, ні все, що вдається здобути із таких масивів даних. Він зауважив про доцільність публічного доступу до такої інформації та знань, які вона генерує, аналогічно до відкритого доступу певного програмного забезпечення.