Incorporado recientemente en la Facultad de Ingeniería UdeC, específicamente en el Departamento de Informática y Ciencias de la Computación, Ricardo Flores -Doctor en Data Science- cuenta su experiencia en el proceso de entrenar modelos para detectar la depresión.
Con un importante impacto social y económico, la depresión es un trastorno de salud muy común, con una costosa detección, que la mayoría de las veces requiere una cantidad de tiempo considerable por parte de profesionales capacitados.
Es por ello, que para abordarlo, se han estado desarrollando modelos de aprendizaje automático y aprendizaje profundo que utilizan datos extraídos de videos de entrevistas clínicas.
Flores, estando dentro de un grupo de investigación -En WPI, donde cursaba su doctorado en Data Science- se dio cuenta que había un problema de alto impacto. Es por ello que buscaron la forma de levantar fondos que les permitieran detectar la depresión usando inteligencia artificial (IA) y generar herramientas que apoyaran a expertos/as a detectar la depresión de forma más rápida.
“Detectar la depresión implica tener un experto que te analice, desde lo que dices, tus expresiones, estado de ánimo, voz, etc. entonces es un problema difícil de determinar para una sola persona y aún más para la IA. Había técnicas que debíamos aprender a utilizar muy desafiantes”, comentó el profesional.
Interdisciplina
En su departamento, si bien no había gran diversidad de disciplinas, las y los estudiantes se iban asociando a hospitales o centros de salud con profesionales que les manifestaban sus inquietudes y necesidades, y que les facilitaban datos para analizar.
Ya en la UdeC encontró la oportunidad de reunir un grupo más diverso, con psicólogos y psiquiatras. Hoy se encuentra postulando a proyectos para abordar ese problema desde un punto de vista interdisciplinario, teniendo presente lo que las y los expertos necesitan.
“Queremos crear un algoritmo que sea capaz de detectar la depresión lo más rápido posible. Sin embargo, en el camino hay muchas preguntas que uno empieza a considerar, es importante además llevar la visión de quienes trabajan en esas áreas y aplican estos procedimientos de salud”, comentó.
Audiface
Y con ese objetivo nace Audiface, herramienta que combina características faciales temporales, audio (voz) y transcripciones de entrevistas (texto), para la detección de la depresión. Este, utiliza múltiples modelos de pre-entrenados logrando importantes mejoras en predicción y en la capacidad de detección a partir de preguntas sobre el bienestar general, destacando la mirada ocular como una característica facial clave.
Sobre su futura implementación, Flores comentó que: “hay que tener en consideración que existen ciertas restricciones y que es un problema complejo que no está al 100% resuelto. Contamos con un 75 a 80% de precisión, pero la idea es que haya la menor cantidad de errores”.
A futuro, buscarán implementarlo en Chile con la idea de que este modelo pueda servir como una herramienta de alerta que ayude a las personas a buscar apoyo en el sistema de salud.
“Al ser la depresión un problema tan complejo y con el que existe -con razón- mucha confidencialidad, no hay muchas bases de datos y las que existen son pequeñas, por lo que se dificulta entrenar un modelo que represente a toda la población. Este es uno de nuestros mayores desafíos”, añadió.
Sobre la posibilidad de aplicarlo a otros trastornos, Flores -también académico del Doctorado en Inteligencia Artificial- comentó que: “ de igual forma hemos trabajado con trastornos de ansiedad y desorden de estrés postraumático. La gracia es que el algoritmo aprende inmediatamente a reconocer características de la voz, de lo que dices, o de tus expresiones faciales, por lo que es perfectamente adaptable”.
