‘Explicable’ IA créée pour diagnostiquer et traiter les enfants ayant vécu des expériences défavorables de l’enfance

Les chercheurs du laboratoire Oak Ridge ont récemment créé un système d’IA destiné à faciliter le diagnostic et le traitement des personnes ayant vécu une enfance marquée par l’adversité. Selon The Next Web, le système d’IA est conçu pour être « explicable », contrairement à de nombreux modèles d’IA qui sont des boîtes noires, en renvoyant des extraits des données utilisées pour rendre ses décisions.

Le terme « Expérience défavorable de l’enfance » (ACEs) fait référence à des événements traumatisants qui surviennent aux personnes avant l’âge de 18 ans et incluent toutes les formes d’abus et de négligence, ainsi que l’incarcération, la toxicomanie, la violence domestique envers un parent et la maladie mentale d’un parent. Les ACEs peuvent avoir des effets à long terme sur le développement et le bien-être des personnes, et comme pour de nombreux problèmes de santé, une détection et un traitement précoces peuvent améliorer les résultats pour les personnes concernées. Les types d’interventions efficaces pour ceux qui ont vécu des ACEs sont bien connus et bien étudiés, mais les agences de traitement de la santé mentale manquent souvent de ressources pour diagnostiquer une personne et la suivre tout au long du traitement.

Le système d’IA a été développé par deux chercheurs médicaux de l’Université du Tennessee, Nariman Ammar et Arash Shaban-Nejad, du laboratoire national Oak Ridge. Dans un article préliminaire récemment publié sur JMIR Medical Informatics, l’équipe de recherche a décrit le développement et les tests de leur modèle d’IA, conçu pour aider les professionnels de la santé à diagnostiquer et traiter les personnes touchées par les ACEs.

Le modèle d’IA est destiné à suggérer certaines interventions aux professionnels de la santé, ce qui facilite leur tâche pour aider les personnes souffrant d’ACEs. Le processus actuel pour obtenir un traitement pour une personne souffrant d’ACEs est long et complexe. Pour diagnostiquer les personnes touchées par les ACEs, les professionnels de la santé doivent recevoir une formation avancée sur le type de questions à poser, puis utiliser les bonnes questions pour obtenir des informations sur les événements qui ont façonné l’enfance d’une personne et sur la manière dont ces événements l’ont affectée. Compte tenu des nombreuses combinaisons possibles de questions et de réponses, il peut être difficile pour un professionnel de la santé de recommander un type d’intervention spécifique. Au-delà de cela, une fois que les rendez-vous avec les agences médicales ou gouvernementales ont été pris, il y aura une longue liste de travailleurs de la santé et du gouvernement traitant un patient, et ils ne sont pas garantis d’avoir la formation ou la compréhension appropriée des ACEs.

Pour résoudre ces problèmes, l’équipe de recherche a conçu une application d’IA qui fonctionne de manière similaire à un chatbot pour les besoins de support technique. Ceux qui utilisent le système d’IA alimentent les informations sur les patients dans le modèle, qui renvoie une recommandation pour certaines interventions sur un calendrier spécifique, en fonction de la base de données sur laquelle le modèle a été formé. Le modèle prend en compte les entrées de langage naturel, interprétant des phrases comme « ma maison n’a pas de chauffage » comme des indicateurs potentiels d’adversité de l’enfance, en vérifiant ces déclarations contextuelles par rapport à un guide médical pour le traitement des ACEs, en recommandant les meilleures actions.

Les réponses aux entrées des utilisateurs ne sont pas prédéfinies, mais sont dynamiques, en utilisant un système de webhooks qui déclenchent et invoquent des points de terminaison de service externes qui génèrent des réponses dynamiques. Le système d’IA décide quelles questions poser en fonction des réponses données aux questions précédentes, avec pour objectif final de permettre la collecte des informations les plus utiles et les plus pertinentes en un minimum de questions. Comme mentionné précédemment, le système est également explicable, en exposant les données qu’il a utilisées pour prendre des décisions concernant les interventions. En conséquence, le système est traçable, et les professionnels de la santé devraient être en mesure de suivre la logique utilisée par le système à rebours.

Le système d’IA développé par les chercheurs du laboratoire Oak Ridge est l’une des premières approches axées sur les données pour permettre aux professionnels de la santé de mieux diagnostiquer les personnes ayant des ACEs. Même si c’est déjà une réalisation impressionnante, il est possible que l’approche générale utilisée pour créer le système d’IA et le chatbot puisse être extrapolée à d’autres domaines et utilisée pour diagnostiquer et traiter d’autres formes de maladie mentale. Les méthodes utilisées pour exposer les données utilisées pour prendre certaines décisions pourraient également être utilisées pour augmenter la transparence et l’explicabilité des systèmes d’apprentissage automatique dans leur ensemble.