Os grandes modelos de linguagem podem ajudar a melhorar os questionários utilizados para diagnosticar doenças mentais, optimizando a generalização dos sintomas e reduzindo a redundância.
Podem até contribuir para novas conceptualizações de perturbações mentais.
Esta é a conclusão de um estudo internacional liderado pelo Professor Dr. Joseph Kambeitz e pelo Professor Dr. Kai Vogeley, da Faculdade de Medicina e do Hospital Universitário de Colónia, ambos da Universidade de Colónia. Os resultados do estudo, intitulado “A estrutura empírica da psicopatologia é representada em grandes modelos de linguagem”, foram publicados na revista Nature Mental Health.
Para diagnosticar uma doença mental, os profissionais de saúde baseiam-se em diversos factores, incluindo os sintomas referidos pelos doentes e registados em questionários clínicos. A formulação precisa das perguntas nestes questionários é muitas vezes crucial para se chegar a um diagnóstico correcto. No entanto, os questionários padronizados variam frequentemente de forma considerável. Os investigadores encontraram evidências de sobreposições e divergências no conteúdo das questões utilizadas para identificar depressão, doença bipolar e risco de psicose, o que dificulta um diagnóstico preciso.
Além disso, os médicos baseiam-se na sua experiência clínica. Isto significa que associam sintomas individuais a uma doença específica que corresponde à sua experiência. No entanto, como diferentes doenças podem produzir sintomas iguais ou semelhantes, isto também pode aumentar o risco de diagnóstico incorrecto. “Sabemos surpreendentemente pouco sobre se – e como – a formulação dos questionários clínicos desencadeia certas associações nos médicos”, afirma o professor Joseph Kambeitz. Os resultados inconsistentes podem também decorrer de diferenças entre doentes do mesmo grupo de diagnóstico ou, em alternativa, de diferenças entre questionários.
O uso de grandes modelos de linguagem (LLMs – Large Language Models, na sigla em inglês) é uma abordagem para analisar descrições de doenças mediadas pela linguagem. A equipa utilizou os LLMs GPT-3, Llama e BERT para analisar tanto a estrutura como o conteúdo de quatro questionários clínicos.
O estudo baseou-se em dados de mais de 50.000 questionários sobre depressão, ansiedade, risco de psicose e autismo.
Na prática clínica, os sintomas ocorrem frequentemente em simultâneo, como a associação empírica entre a falta de motivação e a perda de prazer. A análise mostrou que os LLM “reconhecem” quais os sintomas que ocorrem comummente em conjunto. Mesmo sem acesso a dados empíricos específicos, as mesmas associações de sintomas são evidentes nos LLMs baseados puramente nas formulações dos questionários.
Isto sugere novas formas pelas quais a inteligência artificial pode melhorar os questionários psicológicos no futuro, evitando itens redundantes e tornando o diagnóstico e a compreensão das doenças mentais mais eficientes. Os Modelos de Aprendizagem Baseados na Lógica (LLMs) podem ser utilizados para desenvolver questionários que sejam precisos (ou seja, que reconheçam os sintomas psicológicos de forma fiável) e eficientes, fazendo apenas as perguntas necessárias para simplificar o processo aos doentes e aos profissionais.
“A IA pode mapear tanto o conhecimento médico como as estruturas das doenças mentais. Este é um passo importante para aproximar os métodos digitais e a neurociência, e para avançar no desenvolvimento de diagnósticos e investigação em psiquiatria”, afirma o Professor Kai Vogeley.
O professor Joseph Kambeitz conclui: “Em psiquiatria, a ‘palavra falada’ desempenha um papel importante no diagnóstico e na terapia. Actualmente, existem muitos projectos promissores que investigam como podemos utilizar os Modelos de Aprendizagem Baseados na Evidência em psiquiatria, desde o diagnóstico, passando pela redacção e revisão de relatórios, até à simulação de sessões de terapia. Podemos esperar muitos outros resultados de investigação interessantes nesta área”.
ALERT Life Sciences Computing, S.A.
