Después de la pandemia de COVID-19, el conflicto entre los recursos limitados de atención de salud mental y el número de pacientes en rápido crecimiento se ha vuelto más pronunciado.
Es necesario que los psicólogos tomen prestados métodos basados en inteligencia artificial (IA) para analizar la satisfacción de los pacientes con el trat...
Después de la pandemia de COVID-19, el conflicto entre los recursos limitados de atención de salud mental y el número de pacientes en rápido crecimiento se ha vuelto más pronunciado.
Es necesario que los psicólogos tomen prestados métodos basados en inteligencia artificial (IA) para analizar la satisfacción de los pacientes con el tratamiento farmacológico de quienes se someten a tratamiento de enfermedades mentales.
Objetivo
Nuestro objetivo era construir modelos altamente precisos y transferibles para predecir la satisfacción de los pacientes con enfermedades mentales con la medicación mediante el análisis de sus propias experiencias y comentarios relacionados con la ingesta de medicación.
Métodos
Extrajimos 41. 851 revisiones en 20 categorías de trastornos relacionados con enfermedades mentales de un gran conjunto de datos públicos de 161. 297 revisiones en 16. 950 categorías de enfermedades.
Para descubrir una estructura más óptima de los modelos de procesamiento del lenguaje natural, propusimos la fusión de modelos unificados intercambiables para descomponer las representaciones de codificadores bidireccionales de última generación de transformadores (BERT), máquinas de vectores de soporte y modelos de bosque aleatorio (RF).
Los modelos fusionados se dividieron en 2 categorías en términos de estructuras de modelo: modelos tradicionales basados en aprendizaje automático y modelos basados en redes neuronales. Se propuso una nueva función de pérdida para esos modelos basados en redes neuronales para superar el sobreajuste y el desequilibrio de datos.
Finalmente, ajustamos los modelos fusionados y evaluamos su rendimiento de manera integral en términos de puntuación F 1 , precisión, coeficiente κ y tiempo de entrenamiento mediante una validación cruzada de 10 veces.
Resultados
A través de extensos experimentos, el modelo de RF + codificador bidireccional del transformador superó a los modelos BERT, MentalBERT y otros modelos fusionados de última generación. Se convirtió en el modelo óptimo para predecir la satisfacción de los pacientes con el tratamiento farmacológico.
Logró una puntuación media F 1 de 0, 872, una precisión de 0, 873 y un coeficiente κ de 0, 806. Este modelo es adecuado para usuarios de alto nivel con suficientes recursos informáticos.
Alternativamente, resultó que el codificador de incrustación de palabras + modelo RF mostró un rendimiento relativamente bueno con una puntuación F 1 promedio de 0, 801, una precisión de 0, 812 y un coeficiente κ de 0, 695, pero con mucho menos tiempo de entrenamiento. Se puede implementar en entornos con recursos informáticos limitados.
Conclusiones
Analizamos el rendimiento de la máquina de vectores de soporte, RF, BERT, MentalBERT y todos los modelos fusionados e identificamos los modelos óptimos para diferentes escenarios clínicos.
Los hallazgos pueden servir como evidencia para respaldar que los métodos de procesamiento del lenguaje natural pueden ayudar eficazmente a los psicólogos a evaluar la satisfacción de los pacientes con los programas de tratamiento de drogas y proporcionar soluciones precisas y estandarizadas.
La fusión de modelos unificados intercambiables proporciona una perspectiva diferente sobre la construcción de modelos de IA en salud mental y tiene el potencial de fusionar las fortalezas de diferentes componentes de los modelos en un solo modelo, lo que puede contribuir al desarrollo de la IA en salud mental.
Para acceder al texto completo consulte las características de suscripción de la fuente original:https://mental.jmir.org/