El uso de la IA y las redes sociales para rastrear la depresión en las comunidades podría ofrecer evaluaciones más confiables que las encuestas

Notas de los editores

Un estudio que utilizó inteligencia artificial (IA) y publicaciones en redes sociales para evaluar las tasas de depresión y ansiedad en casi la mitad de los condados estadounidenses encontró que las mediciones generadas por IA produjeron evaluaciones más confiables que las encuestas de población.

Dirigido por investigadores de la Universidad Stony Brook en colaboración con informáticos y psicólogos de la Universidad de Stanford y la Universidad de Pensilvania, el estudio evaluó las tasas a nivel semanal y permitió al equipo también rastrear los cambios en regiones más pequeñas. Los hallazgos son publicado en npj Medicina Digital.

La depresión y la ansiedad son los dos principales condiciones de salud mental en sociedad. Según el Centro Nacional de Estadísticas de Salud (NCHS) y la Oficina del Censo, el 10,8 por ciento de los adultos estadounidenses sufrieron ansiedad o depresión en 2019. Los profesionales de la salud mental dicen que la mala salud mental juega un papel central en los aumentos recientes de las tasas de suicidio y los relacionados con los opioides. fallecidos.

Normalmente, para medir la salud de las poblaciones, se realizan costosas encuestas telefónicas que preguntan a las personas si han experimentado «tristeza» o «preocupación». Sin embargo, según el estudio, esos informes rara vez contienen datos suficientes para rastrear los cambios demográficos en comunidades locales.

El estudio incorporó uno de los conjuntos de datos más grandes sobre mediciones de depresión y ansiedad que se haya utilizado públicamente. El término para estas mediciones de salud mental es Evaluaciones de salud mental basadas en el lenguaje (LBMHA), un nuevo sistema de inteligencia artificial para medir la salud mental a nivel comunitario utilizando el lenguaje de las redes sociales. Con este sistema, los investigadores analizaron casi mil millones de tweets de más de dos millones de usuarios que viven en 1.418 condados de los 50 estados de EE. UU.

Según el autor principal H. Andrew Schwartz, Ph.D., profesor asociado de Ciencias de la Computación en la Universidad Stony Brook, las LBMHA tenían más confiabilidad que las encuestas públicas más importantes realizadas sobre el bienestar público. Las LBMHA también indican mucha validez externa en el sentido de que predicen otras mediciones comunitarias comúnmente asociadas con la salud mental, como las tasas de mortalidad, mejor que las encuestas. Las puntuaciones producidas por la IA también fueron más predictivas de otras variables sociales, económicas y políticas.

Schwartz, junto con el autor principal Siddharth Mangalik, Ph.D. estudiante de Ciencias de la Computación en Stony Brook, y Johannes C. Eichstaedt, profesor asistente de Psicología e IA centrada en el ser humano en Stanford, crearon las LBMHA.

El sistema LBMHA es la culminación de casi una década de trabajo en la creación de evaluaciones sólidas de salud mental. Esto incluye geolocalizar a los usuarios de Twitter/X, determinar los patrones de uso del lenguaje de los usuarios a partir de publicaciones de Tweets/X, combinar estas estimaciones en regiones y adaptar modelos de inteligencia artificial que analizan el lenguaje para estimar la salud mental para que funcionen bien en Twitter/X.

Este método comparó las tasas de depresión con tristeza y las tasas de ansiedad con preocupación, recopiladas a través de encuestas telefónicas representativas en 2020 con una precisión sorprendente.

«El principal resultado de este estudio fue una comparación de qué tan bien se alineaban las predicciones de nuestro modelo de IA con los métodos basados ​​en encuestas y cómo Métodos computacionales nuevas resoluciones de los estudios de salud mental que antes no eran posibles», explica Mangalik.

Descubrieron que el sistema propuesto superó a los métodos de encuesta en 10 puntos porcentuales en correlación con factores externos como educación, vivienda, ingresos y socialización.

Mangalik y sus coautores reconocen la dificultad de captar señales de psicopatología a través del comportamiento del lenguaje y cómo los usuarios se presentan en las redes sociales.

«Las medidas de las redes sociales nos permiten rastrear la depresión y la ansiedad, en principio, en tiempo real. Las plataformas de redes sociales cambian constantemente en su liderazgo, políticas y cómo los investigadores pueden acceder a los datos para el bien social común», dice Eichstaedt.

¿Una nueva herramienta para los expertos en salud mental, las evaluaciones de salud pública?

El coautor Sean Clouston, Ph.D., profesor del Programa de Salud Pública y del Departamento de Familia, Población y Medicina Preventiva de la Escuela de Medicina Renaissance (RSOM) de la Universidad de Stony Brook, señala que escuchar a El habla de las personas es una mejor manera de comprender su estado emocional, incluidos los sentimientos de preocupación o tristeza, que las respuestas directas a las encuestas.

«Este estudio proporciona una nueva herramienta para describir y comprender la salud mental pública de una manera que era inimaginable hace apenas cinco años», dice Clouston. «Esperamos que pronto pueda ser utilizado por médicos, proveedores de salud mental y otros para ayudar a mejorar la salud mental pública en el futuro».

Los autores recomiendan que los funcionarios de salud pública consideren las evaluaciones basadas en el idioma junto con los datos de sus encuestas para comprender la salud de las comunidades más cerca del tiempo real. Explican que la inclusión de estados psicológicos observados en lugar de expresados ​​evita la tendencia de los participantes a subestimar rasgos menos deseables o estigmatizados, como la presencia de enfermedades mentales.

Schwartz afirma que seguirán evaluando este sistema generado por IA para verificar su utilidad en los próximos años. A medida que el idioma y las plataformas cambian con el tiempo, las evaluaciones de las redes sociales también deberán evolucionar y adaptarse al panorama cambiante.