Aplicabilidad
Desde el punto de vista de la aplicación del proyecto, la finalidad última del proyecto IA4SENSE es dotar a la sociedad en su conjunto (terapeutas, psicólogos, profesionales de la salud, enfermos y
familiares, educadores), de medios eficaces para abordar de forma integral todo el proceso asociado a un trastorno depresivo (diagnóstico, tratamiento, seguimiento, asesoramiento).
Habida cuenta de que los trastornos depresivos, es una enfermedad que afecta a toda la población, desde los niños, hasta los ancianos, pasando por los adolescentes y los adultos, pero que la forma de manifestarse en cada uno de ellos es
totalmente heterogénea, la causalidad asociada al surgimiento de la enfermedad es por motivos diferentes, la etiología y los síntomas se manifiestan de forma diferente, las formas de diagnosticarlo
son diferentes e incluso las formas de intervenir también son diferentes, en el marco del proyecto IA4SENSE y para garantizar la eficacia de las soluciones y herramientas tecnológicas a desarrollar,
se ha considerado necesario distinguir entre los siguientes 3 públicos objetivo.
- Niños & Adolescentes (8-17 años)
- Personas mayores (65 años en adelante)
- Personas adultas (18 – 65 años)
En el caso de la población de niños Investigaciones recientes muestran que un 2% de los niños y un 4,8% de los adolescentes presentan depresión, de los cuales se estima que aproximadamente el 60% no se diagnóstica o se hace incorrectamente. Estudios recientes de la OMS, alertan del crecimiento exponencial de la prevalencia de la depresión entre los niños y adolescentes (45% en los últimos 7 años)
El comienzo de la depresión puede ser súbito o gradual. Diagnosticarla
puede ser difícil debido a que puede presentar síntomas típicos de otros trastornos, como la ansiedad o el trastorno por déficit de atención.
Las causas que desencadenan depresión en un niño son diversas. Los factores que más influyen son los biológicos, entre los que destacan los genéticos (es decir, la herencia). La probabilidad de que un niño o un adolescente tenga depresión se multiplica
por cuatro cuando uno de sus padres la ha padecido. También contribuyen los factores ambientales, como pueden ser: la pérdida de una persona cercana, la desestructuración familiar, las dificultades en el colegio, el rechazo de
compañeros, etc. Sin embargo, no todos los niños con problemas acaban teniendo depresión, ni todos los niños con depresión han tenido estresantes ambientales.
Es muy importante poder detectar el máximo de cuadros depresivos entre los niños y además hacerlo correctamente. Si no se trata la depresión tiende a perpetuarse, con todo lo que ello implica: bajo autoconcepto, peor rendimiento tanto académico como social,
menor desarrollo de las potencialidades, aumento del riesgo suicida, mayor frecuencia de cuadros ansiosos y conductuales, continuidad de la depresión hacia la adultez, traspaso de vivencias depresivas a sus futuros hijos, trastornos
del vínculo con ellos, etc.
En esta línea, las soluciones específicas planteadas para el colectivo de niños & adolescentes en el marco del proyecto IA4SENSE, se centrarán principalmente en dotar de
las herramientas adecuadas a los padres y a los colegios para facilitar la Detección de trastornos depresivos.
La especificidad de las soluciones para el colectivo de niños & adolescentes,
se centrará tanto a nivel de las metodologías interactivas a utilizar con un lenguaje adecuado cercano a los niños, en la etiología de los síntomas a ser detectados y en el análisis morfosintáctico para la detección de palabras
y expresiones clave, que puedan ser precursoras de situaciones de alerta (suicidios)
En el caso de la población personas mayores, es un colectivo especialmente vulnerable y predispuesto a la aparición de factores que afectan negativamente al estado de ánimo. Acontecimientos de
la tercera edad como, por ejemplo, los trastornos médicos crónicos y debilitantes, la pérdida de amigos y seres queridos, y la incapacidad para participar en actividades que antes disfrutaba, pueden resultar una carga muy pesada
para el bienestar emocional de una persona que está envejeciendo.
Una persona de edad avanzada también puede sentir una pérdida de control sobre su vida debido a problemas con la vista, pérdida de la audición y otros cambios
físicos, así como presiones externas como, por ejemplo, recursos financieros limitados. Estos y otros asuntos suelen dejar emociones negativas como la tristeza, la ansiedad, la soledad y la baja autoestima, que a su vez conducen
al aislamiento social y a la temida depresión, uno de los trastornos que con mayor frecuencia afectan a los ancianos. (Un 30% de los mayores de 65 años está afectado por alguna de las variedades de la enfermedad).
Habida cuenta de las características específicas de este colectivo en el marco del proyecto IA4SENSE se desarrollaran soluciones específicas para este colectivo centradas en: en el Diagnóstico, Tratamiento y Seguimiento de trastornos depresivos entre
la población de mayores, tanto en el hogar, como en residencias de ancianos. La especificidad de las soluciones para el colectivo de personas mayores, se centrará en el caso del hogar:
- En la utilización de Interfaces Conversacionales basados en voz (Alexa, Google Assistant, etc.)
- En el Desarrollo de metodologías interactivas (sistemas conversacionales) basadas en dialogo con guiones adaptados a la especificidad del colectivo y de los funcionalidades pretendidas (Diagnóstico y Seguimiento)
- En la monitorización de marcadores y múltiples parámetros asociados a señales verbales (entonación, velocidad, etc.), la sintaxis (identificación de palabras clave), señales emocionales (estado de ánimo), señales físicas (actividad realizada), etc.
En el caso de las residencias de ancianos, los desarrollos se centrarán:
- En mejorar los procesos de Diagnóstico y prescripción del Tratamiento, a partir del análisis exhaustivo de diagnósticos y la evolución de los tratamientos prescritos a pacientes (residentes) tratados con anterioridad.
En el caso de la población de personas adultas, cabe considerar que la totalidad de los desarrollos del proyecto I4SENSE se orientan de manera general hacia este colectivo. No se plantean desarrollos
particulares que respondan de forma específica al mismo, como es el caso de los niños y ancianos.
Tecnologías
El desarrollo de un proyecto de las características de IA4SENSE implica el cumplimiento de una serie de objetivos tecnológicos. A continuación se detallan los más significativos:
- Sistemas Conversacionales multipropçosito
- Tecnologías de reconocimiento del habla y Síntesis de voz
- Tecnologías de procesamiento del lenguaje natural
- Tecnologías de adquisición de conocimiento y autoaprendizaje
- Arquitectura Flexible, Distribuida, Segura e Interoperable
Sistemas Conversacionales multipropósito
Un sistema conversacional se puede describir como un sistema computacional capaz de conducir una conversación o diálogo con un usuario a través de un conjunto de interacciones (turnos de diálogo) con el objetivo de completar una tarea.
Para ello, el medio de comunicación básico será el lenguaje humano (bien hablado o escrito).
Este es uno de los pilares del proyecto IA4SENSE, las interfaces a través de las cuales los usuarios podrán interactuar mediante
conversaciones en lenguaje natural con las diferentes aplicaciones del sistema.
Dichas conversaciones, atendiendo a los diferentes objetivos planteados responderán a diferentes estrategias (multipropósito), y por tanto las
mismas tendrán diferentes capacidades y las interacciones con los usuarios también serán diferentes.
Por una parte se utilizarán sistemas de chatbot, con interfaces de interacción en modo
texto (a través de un chat), orientados a la resolución de consultas utilizando un enfoque Pregunta-Respuesta (Q&A: Question & Answer) con una capacidad de gestión del diálogo limitada a la detección de intenciones (intent detection)
y reconocimiento de entidades (named entity recognition) que permitan activar acciones concretas asociadas a un Dominio de Conocimiento específico. Este es el caso de las soluciones concretas de:
- Identificación de trastornos depresivos entre niños & adolescentes.
- Identificación de posibles trastornos depresivos en adultos.
- Sistema de Apoyo a familiares.
Por otra parte será necesario utilizar sistemas de Diálogo (en contraposición a los chatbots), para los procesos de intervención. En los sistemas de diálogo se entiende que el usuario tiene un
objetivo o tarea más compleja que desea cumplir por medio de la interacción con el sistema. Por tanto, la conversación usuario-máquina persigue un fin o tarea específica y el sistema debe ser capaz de averiguar cuál es y cómo satisfacerla
lo mejor posible. Esta característica no impide que los sistemas de diálogo alcancen grandes cotas de sofisticación y que incluso un mismo sistema deba ser capaz de gestionar diálogos que versan sobre distintas temáticas (sistemas
de diálogo multidominio).
Este es el caso concreto de la solución para el apoyo al tratamiento de pacientes con trastornos depresivos donde se establecerá la estrategia de ayuda al paciente ofreciéndoles consejo y apoyo,
o incluso articulando procesos de terapia cognitivo conductual que enseñen al paciente técnicas simples que le ayuden a romper patrones negativos en la forma de pensar.
Por último el proyecto I4SENSE tambien se plantea integrar
sistemas basados en Interfaces orales
de usuario (VUI) y sistemas de respuesta oral interactiva (IVR) para ser utilizados de manera específica entre el colectivo de personas mayores mediante la utilización de dispositivos hardware (altavoces
inteligentes), existentes en el mercado (Amazon Echo, Google Home, etc.)
Respecto a la distinción entre interfaz oral de usuario (Voice User Interface, VUI) y sistema de diálogo, se puede entender por interfaz oral a cualquier sistema que sea capaz de procesar el habla, mientras que el sistema de diálogo debe poder establecer
una conversación. En este sentido, muchos de los sistemas actuales son capaces únicamente de responder a preguntas o comandos aislados (por ejemplo, podemos preguntar “¿Qué tiempo hace hoy?’’ y obtener una respuesta), pero no pueden
sostener una conversación de varios turnos.
En el marco del proyecto I4SENSE, se plantea el desarrollo de un sistema de dialogo que soporte conversaciones complejas a través de interfaces orales,
a ser utilizado en el proceso de Identificación de trastornos depresivos en personas mayores, mediante el análisis de las conversaciones y de la propia voz.
A todo ello hay que añadir la necesidad de dotar al sistema conversacional
de la funcionalidad de CONTEXTUALIZACIÓN, utilizar de forma combinada la información contextual con los aprendizajes/ interacciones previas realizados por el sistema. IA4SENSE utilizará la información
contextual referida (a la agenda, el lugar, la hora, el tiempo, etc.), en combinación a las interacciones previas. Esta es precisamente una de las mayores dificultades a las que tienen que hacer frente los sistemas conversacionales
actuales, distinguir cuando una frase es dependiente del contexto o no. Cuando se trata de oraciones independientes no se debe buscar la información en el diálogo mantenido, son frases construidas a las que el asistente responde
con respuestas preparadas, pero la complejidad comienza cuando se hacen referencias a partes de la conversación.
Otra funcionalidad necesaria del sistema será su PROACTIVIDAD, pudiendo tomar la iniciativa para reconducir el diálogo dentro del o los dominio/s en los que se ha definido, Solicitar información
necesaria para cumplir el objetivo solicitado; Requerir aclaraciones cuando existan dudas sobre la información aportada por el usuario o incluso trasladar Recomendaciones a una serie de inputs y variables que se hayan recogido.
En
el caso del proyecto IA4SENSE, esta cualidad resulta muy interesante para los procesos de seguimiento de los pacientes que están siendo tratados por un cuadro depresivo. Con esta funcionalidad
se podría hacer un seguimiento y control más exhaustivo de algún evento puntual, como por ejemplo el cambio de una medicación, y los efectos adversos que pudiera provocar. O incluso ir captando información “subjetiva”, que complemente
la información recogida por medio de los sensores. Permitiendo asimismo que los médicos o personas responsables de monitorizar este seguimiento, puedan programar “requerimientos de información” complementarios para que IA4SENSE
se los traslade al paciente. Por ejemplo la captura de una “medida anormal” por parte de los sensores; incremento de la frecuencia cardiaca, de la calidad del sueño, la actividad física, etc., puede ser complementado con alguna
interacción informacional por parte de IA4SENSE al paciente “¿Que tal estas, te notas cansado?” y de esta manera recabar mayor información.
Reconocimiento del habla y síntesis de voz
Las tecnologías del reconocimiento del habla y síntesis de voz están relacionadas con el nivel de producción y reconocimiento del lenguaje hablado. La fonética se centra en el estudio de las propiedades físicas de los sonidos utilizados
en el habla humana, desde su producción por parte de los sistemas fonador y articulario, su transmisión como señal acústica y su recepción por parte de los órganos auditivos (fonética articularia, acústica y perceptiva).
Por
otro lado, la fonología aborda el estudio de los sonidos acústicamente discriminativos (fonemas) en general y en cada lengua en particular. Ambas ramas son especialmente relevantes en los sistemas conversacionales hablados para
modelar tanto la fase de reconocimiento del habla como síntesis de la voz IA4SENSE pretende incorporar un sistema de reconocimiento del habla, con la capacidad de escuchar, entender y analizar
lo que dice el usuario. Esta funcionalidad está especialmente diseñada para atender las soluciones del colectivo de personas mayores, en el hogar y que contempla la utilización de sistemas basados
en Interfaces orales de usuario (Amazon Echo, Google Home), para:
- El Desarrollo de metodologías interactivas de tratamiento de la depresión, basadas en dialogo con guiones adaptados a la especificidad del colectivo y de los funcionalidades pretendidas (Diagnóstico y Seguimiento)
- La monitorización de marcadores y múltiples parámetros asociados a fonemas y señales fonéticas (entonación, velocidad, etc.), la sintaxis (identificación de palabras clave) e información paralingüística (detección de emociones)
Con todo ello la interfaz de interacción deberá ser sencilla e intuitiva, especialmente diseñada para una población anciana y que considere las limitaciones de estos usuarios en relación al uso de la tecnología. En relación a este elemento el proyecto
IA4SENNSE deberá considerar de forma específica aspectos relativos a:
- Usabilidad Será necesario lograr la suficiente intuitividad como para que los usuarios, independientemente de su edad o conocimientos
previos puedan usarla de manera natural. Por otro lado dicha naturalidad deberá mantenerse teniendo en cuenta las características de los dispositivos hardware. Para esto será necesario construir un sistema de layout eficiente
y con la suficiente inteligencia como para redistribuir los contenidos de manera acorde a las posibilidades reales del dispositivo final.
- Interacción Al igual que las conversaciones deben ser adaptados a las características del dispositivo final, la forma de interactuar
con ellos deberá ser coherente también con las capacidades del dispositivo. Por tanto, el paradigma de interacción se tendrá que adaptar y mantener la mayor naturalidad posible.
A nivel tecnológico el reconocimiento automático de voz es una tecnología todavía muy propensa a errores, ya que los sistemas de diálogo tienen que ser capaz de hacer frente a las incertidumbres derivadas de reconocimientos de voz fallidos o débiles.
En el proyecto IA4SENSE, este reto puede ser incluso más grande, dado que normalmente estos reconocedores de voz no están adaptadas para los usuarios de más edad. Para afrontar este reto, varias estrategias se desarrollarán y explorarán
durante el proyecto IA4SENSE:
- Retroalimentación rápida y detallada del sistema.
- Apoyo para la corrección del sistema.
- Mejora basado en el historial de uso y el contexto.
Las dos primeras estrategias - retroalimentación y corrección – se basan en que el usuario pueda detectar rápidamente posibles errores de entendimiento por parte de IA4SENSE y poder corregirlos en el momento, generando un proceso constante de entrenamiento
y aprendizaje en el que IA4SENSE ira aprendiendo de sus errores.
En paralelo y asociado a la tercera estrategia IA4SENSE, también mejorará su capacidad para entender lo que el usuario dice, mediante
la identificación de los patrones de uso. Más específicamente, inspeccionará todas las posibles hipótesis devueltas por el reconocedor automático de voz en un momento dado, y reconsiderará su verosimilitud considerando los conocimientos
que IA4SENSE tiene sobre el usuario.
IA4SENSE también incorporará un sistema de síntesis de voz, con el objetivo de permitir la interacción con el usuario mediante lenguaje natural. El proceso
de síntesis de habla será el encargado de poner voz a cada respuesta que el sistema dará al usuario. Esta respuesta vendrá dada de forma textual por parte del Sistema de Diálogo y convertirá a voz el texto producido por éste.
En
este sentido el proyecto IA4SENSE utilizará hardware comercial existente en el mercado, utilizando los propios asistentes o sistemas de síntesis de voz que incorporan dichos dispositivos, Alexa en el caso de Amazon Echo y Google
Assistant en el caso de Google Home. Será necesario por tanto conectar el sistema de gestión de diálogos de IA4SENSE con dichos asistentes para crear las reconstrucciones de voz (audio) que articulen las conversaciones con las
personas mayores en el hogar.
Procesamiento de lenguaje natural
Los sistemas de reconocimiento del habla no utilizan exclusivamente la señal acústica para llevar a cabo la función de reconocimiento, ya que se requiere información lingüística adicional, tales como modelos de lenguaje. Podemos considerar
que el resultado de este módulo es la obtención de una o más hipótesis de reconocimiento (entendidas como secuencias de palabras, posiblemente enriquecidas con otra información acústica suprasegmental tal como prosodia, pausas,
etc.). Con el objetivo de poder utilizar esta información, un sistema conversacional debe entender el significado asociado al mensaje emitido por el usuario.
Para llevar a cabo esta tarea se requiere la incorporación de
modelos en niveles adicionales de la estructura lingüística. El análisis morfológico permitirá detectar la estructura de las propias palabras asignando la información relevante tal como categoría gramatical (Part Of Speech - POS),
así como otros rasgos léxicos y morfológicos. A partir de esta información y del propio contenido léxico de las palabras detectadas, el análisis sintáctico permitirá descubrir el análisis de constituyentes de las expresiones que
intervienen en cada una de las frases, asignando funciones gramaticales y roles temáticos.
Por último, el nivel de análisis semántico se encargará de construir una representación semántica abstracta que contenga el significado
asociado a la expresión original emitida por el hablante. Estas tres etapas se agrupan en lo que tradicionalmente se denomina Comprensión del Lenguaje Natural (NLU: Natural Language Understanding).
Por
otro lado, el proceso simétrico que parte de la representación semántica del mensaje que se debe comunicar al usuario y termina construyendo la realización del texto correspondiente se conoce como Generación del Lenguaje Natural (NLG: Natural Language Generation). Durante la fase de generación también pueden intervenir los niveles semántico, sintáctico y léxico-morfológico, pero en este caso en sentido descendente, para a partir de la representación semántica,
construir el nivel sintáctico de constituyentes y finalmente la secuencia de palabras final.
En el proyecto IA4SENSE, y con la finalidad principal de corregir los posibles errores generados por los módulos de reconocimiento
y comprensión, la salida generada por el reconocedor no se limitará a una única frase, sino, a múltiples hipótesis en forma de grafo de palabras o de las k mejores frases.
Para ello se utilizará un modelo basado en la utilización
de medidas
de confianza (un valor real entre 0 y 1) que representen la fiabilidad de cada una de las palabras. El objetivo de la estimación de medidas de confianza será evaluar la calidad de las palabras reconocidas y de los conceptos
semánticos extraídos en la fase de compresión de lenguaje natural, facilitando en lo posible la detección y corrección de errores por parte del gestor de diálogo.
Las medidas de confianza obtenidas tienen como objetivo evaluar
su comportamiento de forma que el gestor de diálogo pueda medir la calidad de la información recibida y en consecuencia, elegir la acción concreta a realizar: rechazar la frase, preguntar otra vez, o pedir confirmación de alguno
de los datos obtenidos. De este modo, se posibilita que los módulos siguientes del sistema puedan operar con varias alternativas y tengan en cuenta en su funcionamiento la fiabilidad de las palabras. Las medidas de confianza a
desarrollar en el proyecto IA4SENSE se clasificarán en tres niveles diferenciados:
- Nivel de palabra: en este caso el objetivo será detectar palabras mal reconocidas. Para ello, se utilizarán los parámetros obtenidos del módulo de reconocimiento de voz, procedentes de la decodificación y del modelo de lenguaje.
- Nivel de concepto: en este caso se pretende detectar conceptos erróneos dentro de una frase determinada. Estas medidas de confianza son muy importantes para la gestión de diálogo, puesto que la información semántica se utiliza para realizar la gestión y decidir cuáles van a ser las acciones del sistema en su interacción con el usuario. En este caso suelen utilizarse parámetros obtenidos del reconocedor de voz y del módulo de comprensión.
- Nivel de frase: en este nivel, el objetivo será detectar, por un lado, frases fuera del dominio de la aplicación, y por otro, frases del dominio con problemas en el reconocimiento que no tienen ninguna información semántica o concepto correcto. Se pretende detectar frases que no van a ser correctamente reconocidas y comprendidas por el sistema desarrollado, evitando realizar interpretaciones erróneas.
Con la implantación de dichas medidas de confianza asociadas a las palabras en el proceso del reconocimiento, el proyecto IA4SENSE pretende dotar de mayor fiabilidad a la información que se suministra al gestor de diálogos, y por tanto garantizar la calidad
y la bondad de las conversaciones con los usuarios finales. Evitando errores de comprensión y errores en las interacciones, que a la postre lastran la “experiencia” del usuario.
Adquisición de conocimiento y Autoaprendizaje
Las tecnologías de adquisición de conocimiento, se refieren al proceso sobre el que se articula la manera de incorporar conocimiento tanto al sistema conversacional IA4SENSE como al sistema experto.
En
lo referido al sistema de adquisición del conocimiento del Sistema Conversacional IA4SENSE, procede antes, destacar los 2 subsistemas clave que soportan el mismo, el Domino de Conocimiento y el
Modelo de Usuario, sobre los que se basará el funcionamiento de las siguientes soluciones concretas de IA4SENSE:
-
Solución para la Identificación de trastornos depresivos entre niños & adolescentes. (Sistema articulado mediante un chatbot)
-
Solución para la Identificación de posibles trastornos depresivos en adultos. (Sistema articulado mediante un chatbot)
-
Solución para la Identificación de trastornos depresivos en personas mayores. (Sistema articulado sobre la base de un sistema conversacional (dispositivo + agente conversacional / chatbot)
-
Solución para el seguimiento de pacientes con trastornos depresivos. (Sistema articulado sobre la base de un sistema conversacional)
-
Solución de apoyo al tratamiento de pacientes con trastornos depresivos. (Sistema articulado sobre la base de un sistema conversacional)
-
Solución de asesoramiento para familiares. (Sistema articulado mediante un chatbot)
El Dominio de Conocimiento, constituye el núcleo del conocimiento del Sistema Conversacional IA4SENSE, donde se establecen las REGLAS y las RESPUESTAS a las interacciones de los usuarios. Para
la construcción del subsistema Dominio de Conocimiento en el proyecto IA4SENSE se plantea desarrollar una herramienta de autor que facilite la labor de incorporación del conocimiento por parte
los expertos, dicha herramienta incorporará un sistema de catalogación de información semantizada, con diversos índices sobre los que actúen los distintos procesos de aprendizaje automático (machine learning) para poder ir aprendiendo
de la efectividad de cada índice semántico planteado en la solución y así, poder inferir que resultados de dichos índices semánticos proporcionan resultados más adecuados en la búsqueda de las respuestas.
Este módulo realizará
una catalogación automática de la información en base a conceptos predefinidos. Esta catalogación permitirá realizar las búsquedas de forma rápida y eficaz. Además, el algoritmo buscará nuevos datos introducidos en el sistema de
gestión de conocimiento o base de datos que no hayan sido catalogados para ir ampliando progresivamente su base de conocimiento y aprendizaje. Para conseguir esto se diseñarán e implementarán algoritmos avanzados de búsqueda semántica
y clasificación.
Por su parte el Modelo de Usuario, implica obtener y gestionar la información “personal” que caracterice al usuario. Además de que la interfaz del sistema IA4SENSE pueda
ser personalizada para adaptarse a los gustos, características y necesidades del usuario, el sistema será capaz de aprender progresivamente y de forma transparente de las necesidades de sus usuarios y crear un perfil que facilite
su uso a partir de las interacciones realizadas por el usuario con anterioridad. La ”personalidad” de IA4SENSE podría incluso llegar a perfilarse, adaptando la carga emocional y afectiva de sus interacciones y comunicaciones al
perfil del usuario. Esta característica se aplicará a tres niveles:
- Adaptabilidad El módulo de forma progresiva se adaptará a las características y requerimientos del usuario. Aspectos como bases de datos
más consultadas, formatos de información requeridos, etc. serán tenidos en cuenta para su priorización en búsquedas futuras. Además, se podrá configurar explícitamente, tanto estos parámetros como la apariencia visual de
la interfaz de usuario.
- Proactividad A medida que el sistema vaya aprendiendo del usuario también adoptará una actitud proactiva, mostrando aquellos contenidos
que encajen más con las necesidades y el perfil del usuario.
- Empatividad IA4SENSE contará con módulos de evaluación emocional que evaluarán el estado anímico del usuario. En función de su estado
anímico el sistema tendrá la capacidad de modular la carga emotiva de sus mensajes e interacciones, e incluso intentará motivar al usuario en base a aquellos elementos que mayor motivación le puedan producir. Para mejorar
la fiabilidad de esta evaluación el sistema irá creando automáticamente un perfil base del usuario a partir de las respuestas e interacciones de este.
Por otra parte tenemos el Sistema Experto, y el sistema de adquisición de conocimiento del mismo, que darán soporte a las soluciones concretas de:
- Diagnóstico de trastornos depresivos. Sobre la base de una herramienta para el terapeuta (sistema experto), que le ayude a identificar exactamente los síntomas del paciente y a diagnosticar correctamente la existencia o no de un cuadro depresivo.
- Prescripción de tratamiento de trastornos depresivos. Sobre la base de la herramienta para el terapeuta (sistema experto), el diagnóstico obtenido por el sistema para el paciente, y sus características personales, el sistema recomendará al terapeuta que prescriba un determinado tratamiento (farmacológico, terapia conductual, etc.) o una combinación de los mismos.
En contraposición a los modelos clásicos de sistema expertos, que emulan el conocimiento de un experto humano incorporado a una máquina, los sistemas expertos de IA4SENSE se conciben sobre una base de conocimientos DINÁMICA, en base a inferencias y el análisis de datos históricos de otros pacientes con características similares.
En el caso del Sistema Experto para Diagnóstico, la base de conocimiento del mismo
se configurará de forma automática a partir de la digitalización y la extracción de información semantizada (mediante técnicas de procesamiento de lenguaje natural) proveniente de los miles de expedientes clínicos de diagnóstico
de trastornos depresivos preexistentes. Entre otros aspectos se recogerá el máximo de información posible para caracterizar a los pacientes;
- Información personal (factores genéticos y biológicos); edad, sexo, peso, grupo sanguíneo, antecedentes familiares tipo metabólico, enfermedades previas, nivel de aminoácidos, etc.
- Información contextual (factores ambientales); entorno familiar, entorno laboral, entorno social, actividad física, hobbies, sueño, alimentación, consumo de alcohol y drogas, etc.
Y por otra se recogerá el máximo de información sobre la sintomatología del paciente: Estado emocional, estado físico, pensamientos, etc.
Toda esta información será analizada mediante algoritmos de aprendizaje automático NO supervisados con lo que se obtendrán correlaciones entre las diferentes variables en liza, las cuales constituirán la base de conocimiento del sistema experto de diagnóstico.
El sistema experto se articulará como una herramienta de soporte
a la labor del psicólogo. El psicólogo irá introduciendo en el sistema (de forma guiada y parametrizada) toda la información asociada al paciente (información personal, contextual y sintomatología), y el sistema devolverá al psicólogo
un valor porcentual, referido a la probabilidad de que el paciente tenga un trastorno depresivo, de que tipo y de que grado. Asimismo en el caso de diagnósticos no claros, puede trasladar una serie de recomendaciones para la obtención
de mayor información o para Objetivizar la misma.
Para facilitar el aprendizaje del sistema y garantizar la bondad del sistema de adquisición de conocimiento, se implementarán adicionalmente algoritmos de aprendizaje supervisado, para que los Outputs del sistema de Diagnóstico sean verificados por parte de los psicólogos o psiquiatras, al menos en las fases iniciales.
Nótese que el sistema de aprendizaje se basa en una base de conocimientos (dinámica)
en constante evolución, que irá autoaprendiendo de si misma y de los nuevos diagnósticos que se incorporen a la base de conocimientos.
En el caso del Sistema Experto para la prescripción de tratamientos de trastornos depresivos, el mismo se concibe como un complemento del sistema de Diagnostico. Una vez se ha obtenido un determinado diagnóstico, el sistema experto tendrá la capacidad de diseñar un tratamiento específico para cada
persona, que atienda a sus características diferenciales.
La base de funcionamiento del sistema de adquisición de conocimiento del Sistema para la prescripción de tratamientos, comparte parcialmente el funcionamiento del
sistema de Diagnóstico (extracción dinámica de información de miles de expedientes clínicos), pero de una forma más compleja si cabe, habida cuenta de la multitud de variables adicionales que entran en juego asociadas a los diferentes
tratamientos posibles y la combinación entre los mismos.
Por una parte el sistema accederá a los datos clínicos preexistentes (Expedientes digitalizados) de los cuales extraerá mediante una combinación entre algoritmos basados en el árboles de decisión y algoritmos basados en redes neuronales, conceptos y relaciones clave ente los conjuntos de datos textuales asociados a las características personales de los pacientes, los diagnósticos, el detalle exhaustivo de los tratamientos prescritos (fármacos, etc.), y la evolución
de los pacientes y sus síntomas a lo largo del tiempo y de los diferentes tratamientos prescritos.
Todo ello se retroalimentará mediante la búsqueda y catalogación automática de información heterogénea distribuida, tales
como; artículos y literatura biomédica sobre la depresión publicada en la web, la cual se convertirá en información estructurada dentro de la base de conocimiento del sistema experto.
Finalmente mediante técnicas de Simulación Dinámica (DSM) se realizarán diferentes simulaciones sobre los efectos de los diferentes posibles tratamientos, obteniéndose como resultado una recomendación del mejor tratamiento “posible” para cada paciente (asociado a sus características personales
y al tipo y grado de la enfermedad).
La simulación dinámica, es una herramienta idónea para construir modelos que reproduzcan el comportamiento de sistemas complejos. Una vez construido, el modelo puede ser simulado empleando
un conjunto de supuestos o estrategias alternativas. Cada simulación dará lugar a un conjunto de resultados y la comparación de las distintos resultados permitirá elegir el escenario más favorable en función de los objetivos perseguidos.
Como
en el caso anterior, el sistema de aprendizaje del sistema Experto IA4SENSE para la prescripción de tratamientos, se basa en una base de conocimientos (dinámica) en constante evolución, que irá autoaprendiendo de si misma, tanto
de los nuevos tratamientos que se incorporen a la base de conocimientos, como de la información médica externa que se vaya captando.
Arquitectura Flexible, distribuida, segura e Interoperable
Uno de los objetivos técnicos que presenta el proyecto IA4SENSE es lograr diseñar y desarrollar una arquitectura que presente la suficiente flexibilidad como para soportar las diferentes configuraciones
de la plataforma resultante.
En este caso no basta únicamente con una arquitectura modular y extensible sino que es necesario que la plataforma resultante de la arquitectura sea fácilmente configurable (sin necesidad de
modificar el código) para ser ejecutada en distintos entornos tanto hardware como software. La arquitectura deberá permitir configurar la plataforma en:
- Entornos con acceso a bases de datos locales y sistemas con acceso remoto a la nube. En este último caso deberá dar soporte a la subida de nuevos datos por parte de los usuarios de forma sencilla.
- Entornos eHealth existentes y funcionamiento stand-alone. Deberá proporcionar un conjunto de funciones mediante las cuales pueda ser integrado como complemento de una plataforma eHealth y la posibilidad de ser ejecutado como aplicación única.
- Diferentes dispositivos finales. Deberá funcionar correctamente tanto en PCs como en dispositivos móviles y tablets.
De esta forma se pretende lograr el desarrollo de una plataforma que presente una gran flexibilidad, de forma que se facilite su comercialización directa en distintos entornos y para diferentes tipos de usuarios objetivo.
Otro
de los objetivos del proyecto IA4SENSE, es lograr captar el máximo de información posible de los pacientes, mediante la monitorización y seguimiento de diferentes constantes fisiológicas y parámetros vitales, para luego cruzar
esta información con la asociada al tratamiento del paciente y su evolución.
En la actualidad existen múltiples dispositivos empleados en la monitorización y captura de diferentes constantes biológicas del paciente, información
que es enviada gracias al uso de diferentes tecnologías de comunicación a la red asistencial creándose de esta manera el canal necesario para soportar una gestión remota para al facultativo y el paciente.
Asimismo un concepto
que se ha puesto muy de moda, es el de “wearable”, referido “al conjunto de aparatos y dispositivos electrónicos que se incorporan en alguna parte de nuestro cuerpo interactuando continuamente con el usuario y con otros dispositivos
con la finalidad de realizar alguna función específica” Casi todas las variables biológicas (frecuencia cardiaca, tensión arterial, presión de oxígenos, electroencefalograma, temperatura corporal, frecuencia respiratoria, etc.
) pueden ser cuantificadas por este tipo de dispositivos.
El uso de wearables se ha popularizado ampliamente en el mundo clínico, ya que permite aplicar la tecnología al individuo y obtener datos biométricos que se utilizan
con fines terapéuticos, de diagnóstico o rehabilitación.
En el proyecto IA4SENSE, se pretende hacer un uso intensivo de la potencialidad de dichos dispositivos, mediante la selección de algunos dispositivos hardware con
presencia en el mercado (fitbit, polar, etc. ), así como la integración de las lecturas provenientes de las monitorizaciones efectuadas por dichos dispositivos, la interpretación de estas lecturas, su correlación con otras variables
asociadas a las características de la persona y la evolución de su tratamiento, y la adecuada gestión de las mismas, en un doble sentido; la información al médico especialista, y la retroalimentación automática al sistema IA4SENSE.
Por
todo ello el proyecto IA4SENSE, tendrá que habilitar una arquitectura distribuida que contemple la integración de dichos dispositivos.
Tampoco se debe de obviar el carácter confidencial de todos los datos embebidos dentro de IA4SENSE. Si hay datos reconocidos unánimemente como merecedores del más alto nivel de protección, éstos son los de salud. Por ello el diseño de la plataforma IA4SENSE deberá ser especialmente escrupuloso en
relación a la ciberseguridad, por el hecho de manejar datos de carácter personal muy sensibles, como diagnósticos, pruebas médicas, tratamientos, etc. Cualquier fallo de seguridad puede suponer
una amenaza grave para la salud y la privacidad de los pacientes. Además de los problemas legales y de reputación.
Por este motivo es vital que el proyecto IA4SENSE contemple al máximo los requerimientos de seguridad asociada
a la sensibilidad de los datos tratados y contemple entre otros aspectos la consideración e implementación de todas las normas de seguridad establecidas por HIPAA. (Health Information Portability and Accountability Act), principalmente
en la privacidad y seguridad de los datos del paciente.
Por último la plataforma IA4SENSE, también debe considerar la importancia de que la misma sea lo más interoperable posible, habida
cuenta del tratamiento masivo que quiere realizar de múltiples datos provenientes de múltiples fuentes. Para ello se tomará como referencia los estándares existentes en materia de los sistemas EMR (Electronic Medical Record) y
los sistemas de código abierto existentes.
El enfoque clave de los sistemas de EMR es el almacenamiento y recuperación eficiente y seguro de los datos, y las normas y estándares establecidos por los mismos. Entre dichos
estándares cabe citar los estándares HIPAA, HL7, y ANSI X12 EDI.
- El estándar HIPAA (Health Information Portability and Accountability Act) mencionado con anterioridad se refiere a las reglas de seguridad y a las normas de privacidad.
- Por su parte el estándar HL7 (Health Level Seven), se enfoca en el formato estándar para el intercambio de información electrónica entre
las aplicaciones médicas. La información enviada utilizando este estándar es una colección de diversos mensajes que contienen un registro médico o la información de salud de un paciente. Los estándares de HL7 son un conjunto
de normas que permiten un intercambio de datos seguro y consistente entre distintos sistemas del cuidado de la salud.
- El estándar ANSI X12 es la designación oficial de los estándares nacionales de EE.UU. para el desarrollo y mantenimiento de los estándares de Electronic Data Interchange (EDI). Los estándares de EDI definen el vocabulario, las normas de sintaxis y la estructura de los documentos electrónicos.
En el proyecto IA4SENSE será por tanto imprescindible hacer un importante esfuerzo para conocer todos los estándares existentes relacionados con el proyecto, y en la medida de lo posible tenerlos
presentes para desarrollar una plataforma lo más interoperable posible.
