Искусственные нейронные сети, «искусственный интеллект» или машинное обучение, сегодня доминируют во многих областях, автоматизируя многие процессы и тем самым влияя на безопасность и комфорт жизни. Нейронные сети могут принимать интеллектуальные решения с минимальным участием человека. Медицина также использует искусственный интеллект, в том числе в моделях, предназначенных для поддержки терапевтического процесса. Цель данной статьи — определить основные направления развития приложений машинного обучения в поддержке терапевтических процессов.
В настоящее время в литературе выделяется по меньшей мере несколько применений новых технологий различной степени развития, причем машинное обучение находится на переднем плане [6]. Похоже, что исследователей больше всего интересует персонализация уведомлений о терапевтических приложениях, модификация терапевтических программ таким образом, чтобы они были адаптированы к проблемам пациента, и ведение с ними «интеллектуальных» бесед.
Использование методов машинного обучения для поддержки терапевтического процесса сопряжено с опасностями. Особое внимание следует уделить обеспечению полной конфиденциальности внедряемых приложений; кроме того, продажа данных пользователей такого типа третьим лицам, например, компаниям, продающим определенные лекарства или пищевые добавки, будет этически сомнительной. Не существует правовых норм (или системы рекомендаций соответствующих научных обществ), которые ограничивали бы использование проверенных приложений для поддержки терапевтического процесса при конкретном заболевании в будущем, и которые были созданы исключительно в финансовых целях авторами, не проводившими содержательных консультаций.
Введение
Технологический прогресс предоставляет новые решения, хотя их внедрение на практике задерживается из-за недостаточной вычислительной мощности соответствующего оборудования. Искусственные нейронные сети, «искусственный интеллект» или машинное обучение доминируют во всё большем количестве областей человеческой деятельности, автоматизируя многие виды деятельности и тем самым влияя на безопасность и комфорт жизни. Производятся автономные автомобили, которые анализируют изображения с камер и решают, безопасна ли дорога или следует ли уведомить водителя о надвигающейся опасности [1].
В течение многих лет новые самолеты в обязательном порядке оснащаются системами, которые анализируют факторы риска на постоянной основе, главным образом в виде сложных статистических вычислений, чтобы заранее уведомить пилота о надвигающейся опасности или необычном поведении [2].
Новые мобильные телефоны оснащены функцией активного обучения на основе поведения пользователя, что позволяет ему предлагать конкретное действие в данный момент времени. Медицина также использует искусственный интеллект, включая модели, которые приводят к снижению процента ошибочной диагностики, связанной с обнаружением рака молочной железы, с помощью методов глубокого обучения и обучения на изображениях, собранных во время маммографических исследований [3].
Все приведенные выше примеры — лишь малая часть возможностей применения машинного обучения в контексте современных устройств, используемых людьми. Цель данной статьи — обзор использования моделей машинного обучения в психотерапии.
Применение новых технологий в профилактике и психотерапии
Динамичное развитие технологий поднимает вопрос о возможности их применения в клинической практике, в частности, психиатрами и клиническими психологами. Пилотные исследования показали, что подходы машинного обучения могут быть полезным инструментом в развитии прогресса в психотерапевтических процессах, позволяя изучать множество одновременных переменных без предположения о линейности [4].
Согласно исследованиям, машинное обучение позволяет делать выводы на индивидуальном уровне. Поэтому это многообещающий подход для прогнозирования в психотерапевтическом контексте с целью повышения эффективности лечения [5], а также, например, определения того, каким пациентам будет полезна когнитивно-поведенческая терапия (КПТ) [6].
Одним из наиболее интересных примеров использования технологически продвинутых решений является игра SPARX (Smart, Positive, Active, Realistic, X-factor thoughts), функция которой заключается в помощи в поведенческой и когнитивной терапии подростков, страдающих депрессией [7]. Она была разработана Университетом Новой Зеландии в Окленде в сотрудничестве с Metia Interactive, и ее цель — научить молодых людей, страдающих депрессией, справляться с трудными ситуациями. SPARX основан на модели RPG – ролевой игры, в которой каждый создает и развивает своего собственного персонажа.
Пользователи могут научиться справляться с реальными проблемами, взаимодействуя с внутриигровыми персонажами. Исследования, проведенные в Новой Зеландии, показывают, что игра SPARX является эффективным источником информации для подростков, представляет собой сопоставимое решение классической терапии и может оказаться намного дешевле. Это также альтернатива для людей, которые не хотят участвовать в традиционной терапии [8].
В настоящее время в литературе выделяется по меньшей мере несколько применений новых технологий различной степени развития, причем машинное обучение находится на переднем плане [9]. Похоже, что исследователи, занимающиеся этим, больше всего заинтересованы в персонализации уведомлений о терапевтических приложениях, модификации терапевтических программ таким образом, чтобы они были адаптированы к проблемам пациентов, и ведении с ними «интеллектуальных» бесед.
Искусственные нейронные сети — это информационные структуры, смоделированные по принципу работы нервной системы [10]. Однако сложно приравнять понятие нейронных сетей к искусственному интеллекту, поскольку задачи, решаемые нейронными сетями, носят исключительно вычислительный характер. Теория искусственного интеллекта, с другой стороны, предполагает, что каждый аспект обучения или другое свойство, связанное с мыслительным процессом, в принципе, может быть описано настолько точно, что можно создать машину, которая имитирует его и самосовершенствуется [11].
Нейронные сети, однако, все чаще становятся основой для развития «реального» искусственного интеллекта, работа которого заключается в пробуждении интеллекта, приписываемого людям, и, следовательно, прежде всего, способности самостоятельно выводить и извлекать факты из отдельных событий. Используемые в настоящее время методы машинного обучения, включая нейронные сети, даже если их преувеличенно называют «искусственным интеллектом», несомненно, приближают нас к тому, чтобы все больше и больше задач доверять машинам [12, 13].
Нейронные сети могут использоваться для обучения классификации различных явлений, где характер информации, как мы увидим ниже, не является ограничением. Алгоритмы машинного обучения предлагают набор методов, способных справиться со сложностью анализа баз данных и могут быть использованы для расширения инструментария исследователей в области психотерапии [14]. В качестве обучающих данных используются текст, фотографии, видео, звуки или числовые данные, такие как географическое местоположение и даже уровень облачности или температура. Архитектура сети меняется, позволяя использовать определенные типы данных, но сами нейронные сети могут быть объединены в более крупные сборки, что позволяет использовать различные типы материалов одновременно [15].
Предложение терапевтических мероприятий в определенное время
Работа нейронных сетей, простыми словами, состоит в анализе входных данных, выполнении вычислений и представлении выходных данных [16]. Иллюстрируя вышесказанное на примере анализа изображений, можно обучить искусственные нейронные сети распознавать изображения самоповреждения, представив коллекцию из нескольких сотен изображений этого типа. Сеть самостоятельно учится распознавать определенные паттерны (в данном случае это чаще всего будут острые предметы, более темный фон, кровь), а затем, при подаче фотографии, которая ранее не анализировалась, делать выводы о ее принадлежности к соответствующему классу. В данном случае речь идет о фотографиях, демонстрирующих самоповреждение, или о фотографиях, которые в этом отношении «безопасны» [17].
Также возможно научиться распознавать поведение пользователя на основе того, как он использует свой мобильный телефон. Это поведение не ограничивается используемым приложением. Оно может также включать время, географию или биологическую активность. Пользователи мобильных телефонов все чаще носят умные часы, которые, по сути, представляют собой миниатюрные мобильные телефоны, успешно записывающие жизненно важные показатели и способные продолжать изучать привычки пользователей [18]. К ним относятся: ежедневное количество шагов, физическая активность, частота сердечных сокращений, уровень стресса, так называемая « батарея организма » (зарядка организма «энергией»), уровень потребляемой жидкости или даже план и контроль медицинского лечения [19]. На основе вышеуказанных данных можно получить информацию, которая потенциально может быть использована в терапевтических целях [20]. В таблице 1 представлены примеры описания ситуаций, характера собираемых данных и терапевтического вмешательства.
Таблица 1. Гипотетические исследования пациентов, демонстрирующие возможности применения методов машинного обучения.
| Гипотетический пациент | Контекст здоровья | Фактическое поведение пациента | Входные данные, «видимые» приложению. | Возможные действия приложения |
|---|---|---|---|---|
| 1. | У пациентки диагностирована социальная фобия. Она проходит фармакотерапию и психотерапию. | Пациентка и её партнёр покинули место жительства и отправились в общественное место. Во время поездки в метро она стала свидетельницей ситуации, когда её партнёра высмеяли за внешность. У пациентки значительно участился пульс, и она, возможно, начала думать о самоповреждении. Вернувшись домой, она начала искать в интернете информацию о самоубийстве. | – Изменение местоположения с «Дома» на «Другое». – Регистрация значительно более высокой частоты сердечных сокращений, чем в среднем для данного пользователя, без регистрации физической активности. – Регистрация поиска терминов, помеченных как «опасные». |
Отправка пользователю уведомления о возможности получения психиатрической и психологической помощи. В более широком варианте, после предварительного согласия пациента – отправка оповещения лицу, проводящему лечение. |
| 2. | У пациентки диагностировано депрессивное расстройство. Она проходит фармакотерапию и психотерапию. | Последние две недели пациентка вела относительно активный образ жизни, и болезнь не оказывала существенного влияния на ее функционирование. В последнее время ее сестра чувствует себя хуже и у нее появились новые проблемы со здоровьем, поэтому настроение пациентки явно подавленное. Пациентка реже выходит из дома, реже ищет новую информацию и реже пользуется мобильным телефоном. Большую часть дня она проводит в постели. Она не слушает музыку, не пользуется интернетом, а если и пользуется, то ищет информацию о смерти. | – Изменение местоположения с «Дома» на «Другое» происходит значительно реже, чем обычно. – Физическая активность значительно реже, чем обычно. – Регистрация поисковых запросов по терминам, помеченным как «опасные». |
Отправка пользователю уведомления с предложением связаться с человеком, проводящим его лечение. |
Преимущество использования описанных в таблице выше методов вмешательства заключается в том, что они адаптированы к конкретному моменту, когда пациент, по-видимому, переживает более сложный период. На основе информации, введенной в приложение, можно будет адекватно реагировать на угрозы и оказывать соответствующую помощь. Однако с предлагаемыми функциями связаны как минимум несколько рисков.
Во-первых, сложность человеческого поведения может выходить за рамки возможностей приложения по его полному описанию и классификации. Другими словами, набор данных, «видимых» данным приложением, может быть недостаточным для получения общей картины ситуации. Анализируя вышеизложенное на клиническом примере, если пациент решил не носить смарт-часы в определенный день и искать информацию о методах самоповреждения не через мобильный телефон, а на компьютере, не обмениваясь информацией с мобильным телефоном, то объем данных, необходимых для отправки соответствующего уведомления, будет неполным. Это означает, что система сбора всех данных должна быть интегрирована со всеми возможными устройствами, способными фиксировать соответствующие переменные, и эти устройства должны быть бесконтактными, заряженными и используемыми.
Во-вторых, поведение, «видимое» для мобильного телефона, которое может указывать, например, на депрессивное настроение, не обязательно должно иметь универсальное значение. Наиболее заметным и опасным поведением, по-видимому, является активный поиск информации о самоубийстве, который относительно легко интерпретируется приложением [21].
Однако, если депрессивное настроение человека проявляется в более частом использовании компьютерных игр (как альтернативная стратегия преодоления негативных эмоций) или прогулках в одиночестве, его идентификация будет намного сложнее. Система может показать более частую физическую активность и желание выйти из дома, ошибочно приписывая это благополучию. Решением вышеуказанной проблемы могло бы стать предварительное проведение детального интервью с врачом, что позволило бы точно определить поведение пациента и стратегии преодоления негативных эмоций.
Модификация компьютеризированных терапевтических программ
В течение нескольких лет компьютерные программы успешно используются для того, чтобы помочь пациентам справиться с тревогой, которую они испытывают в виртуальной среде [22]. Терапевтические программы такого типа чаще всего основаны на концепции поведенческой терапии фобий, которая предполагает, что многократное воздействие фактора, вызывающего тревогу у данного человека, приводит к исчезновению тревоги с течением времени. Важно также, чтобы контакт происходил контролируемым образом, чаще всего с использованием методов релаксации, в безопасной для пациента среде [23]. По этой причине терапевты все чаще используют специальные компьютерные программы и устройства виртуальной или дополненной реальности.
Стандартные программы этого типа не используют решения на основе машинного обучения. Как правило, они отображают заданное изображение и позволяют пациенту взаимодействовать с вызывающим тревогу объектом, но не реагируют активно на его поведение. Использование машинного обучения позволило бы повысить эффективность таких программ и адаптировать их к реальным потребностям пациентов. В таблице 2 представлен способ работы с пациентом при «традиционном» подходе и возможности использования машинного обучения, включая нейронные сети, для поддержки терапевтической работы/
Таблица 2. Гипотетические исследования пациентов, демонстрирующие возможности применения методов машинного обучения.
| Гипотетический пациент | Работа «традиционной» программы | Поведение пациента | Работа программы с использованием машинного обучения. |
|---|---|---|---|
| 1. | Представлена белая комната, видны только стол и банка. В банке находится черный паук. Пользователь может подойти к нему, его к этому подталкивает терапевт. Он знает, что паук не выберется из банки, и может безопасно держать его в руке. Он также может открыть банку, чтобы выпустить паука. На фоне играет расслабляющая музыка. | Пациент боится приближаться к банке, он боится черных пауков (помнит их из детства). У него учащенный пульс, несмотря на то, что он не подходит к банке близко, а стоит неподвижно. Вопреки ожиданиям, пульс не замедляется, потому что пациент постоянно воспроизводит опыт с черным пауком. Ему нравится расслабляющая музыка, заметно, что пульс немного замедляется. На подбадривание терапевта он реагирует с покорностью. | – Изменение цвета паука и проверка того, в какой степени его свойства (тип, размер, цвет) влияют на жизненные показатели пациента. – Корректировка программы в соответствии с этапом терапевтической работы, в данном случае поиск видов пауков, вызывающих у пациента наименьший страх. – Активное использование информации о предпочитаемой им музыке, более частое воспроизведение фрагментов, способствующих замедлению пульса пациента. |
| 2. | В комнате находятся несколько десятков человек (мужчин и женщин), которые занимаются различными делами (некоторые слушают лекцию, другие занимаются другими вопросами). Пациент должен выйти перед группой людей, занять место докладчика и зачитать доклад. | Пациент больше всего боится момента перед выходом на сцену; его пульс постепенно учащается до самого момента начала чтения. Он постоянно думает о возможном конфузе. Он вспоминает момент, когда его доклад подвергся критике со стороны группы мужчин. Он откладывает выход на сцену. Он закрывает глаза. | – Проверка того, в какой степени количество людей в помещении влияет на жизненные показатели пациента, и использование этой информации в программе. – Проверка того, связаны ли ощущения пациента с конкретным полом или возрастом слушателей. |
| 3. | В SPARX подростки учатся справляться с депрессивным расстройством. Во время игр пациент получает вопросы и подсказки от персонажа, ведущего игру, благодаря чему игра выявляет изменения в настроении или в самовосприятии пациента. | В отличие от классического сеанса терапии, в игре можно поставить её на паузу и вернуться к ней, когда захочется. Также легко забыть о задачах, которые нужно выполнить, а ограниченное количество ответов на вопросы, касающиеся состояния пациента, может привести к упущению важных аспектов терапии или игнорированию показаний к другому виду лечения. | – Игра может «обучить» пациента, благодаря чему отображаемые сообщения будут персонализированы через короткое время, что сделает эту форму терапии более эффективной. – Программа может быть подключена к другим мобильным устройствам, таким как смартфон или умные часы, измеряющие физическую активность, благодаря чему пациент может получать уведомления об игре. – Все данные могут быть собраны в одном месте и проанализированы системой, показывающей, среди прочего, уровень стресса во время игры в SPARX или то, как игрок чувствует себя до и после игры. – Системы могут быть интегрированы с устройством психотерапевта, благодаря чему он может контролировать текущее состояние подростка. |
| 4. | Образовательные приложения, такие как Talking Photo Apps , позволяют людям с афазией практиковать речь и улучшать зрительную память с помощью изображений. Главная задача этих приложений — поддерживать рассказы, повествуемые посредством фотографий, — обмен фотографиями во время общения с врачом, логопедом или людьми из близкого окружения пациента. | База данных фотографий ограничена, и приложение без встроенного механизма «обучения» не может предоставить более широкий спектр коммуникационных структур, соответствующих будущим способностям пользователя. Эти приложения поддерживают общение, но не позволяют пользователю практиковаться в разговоре с самим собой в критическом контексте — они не могут показать допущенные ошибки. Эти приложения, хотя и эффективны, предоставляют косвенный способ научиться общаться. | – Адаптация приложения к текущему состоянию пациента – при отслеживании прогресса можно контролировать усилия, прилагаемые к той или иной тематической группе. – После выполнения первых упражнений с другими людьми их присутствие на последующих не требуется каждый раз. – Приложения, дополненные элементами самообучения, могут стать основной формой реабилитации людей с афазией, где терапевт или логопед будет поддерживать другие виды деятельности, а не наоборот. |
Ведение «интеллектуальных» бесед с пациентами с использованием ботов.
Машинное обучение успешно используется для ведения диалогов, подобных межличностному общению, в то время как сам диалог фактически ведется с компьютером [24, 25]. Эта технология чаще всего основана на использовании нейронных сетей для анализа введенного текста, а затем выбора наиболее подходящего ответа из заданного набора. Таким образом, текст, вводимый пользователем приложения, является свободным, в то время как ответы предварительно определяются создателями программы.
Диалоги ведутся с ботами, то есть со специальным типом компьютерной программы. Такие решения широко используются в интернет-сервисах, позволяя, среди прочего, оказывать техническую поддержку без необходимости привлечения сотрудников данного сервиса [26]. Использование технологических решений этого типа в медицинском или терапевтическом контексте может осуществляться несколькими способами [27].
Среди них есть приложения, которые на основе введенной информации позволяют проводить предварительную диагностику. Задача пользователя приложения — вести непринужденную беседу с ботом. На основе типа симптомов и способа формулирования высказываний пользователя ставится предварительный диагноз. Эти системы стали, особенно во время пандемии COVID-19, распространенной формой первого контакта с лечащим врачом, позволяя избежать личной встречи и риска заражения вирусом.
Чат-бот способен, помимо прочего, определить пациента для проведения соответствующего теста на коронавирус или направления к врачу определенной специализации. Эти инструменты также находят все большее применение в психологии и психиатрии. На основе ответов на ряд вопросов и виртуального интервью ставится предварительный рабочий диагноз, а результаты исследования позволяют определить наиболее подходящих специалистов для решения конкретных проблем. Например, для человека, испытывающего сексуальные проблемы, где контекст предполагает психологическую этиологию, приложение предложит обратиться к сексологу.
Существенным ограничением вышеупомянутых приложений является сложность определения маркеров этиологии выявленного расстройства. В то время как сам рабочий диагноз относительно легко установить, особенно когда речь идёт о классификации нескольких типов расстройств (аффективных, тревожных, личностных), попытка вывести их этиологию на основе одного лишь текстового анализа пока невозможна. Более того, на данном этапе развития технологии сложно говорить о возможности дифференциации отдельных единиц психических расстройств. По сути, это не та роль, которая отводится программам подобного типа.
Беседы с пациентами также могут выступать в качестве элемента, поддерживающего терапевтический процесс, дополняя таким образом психообразование при лечении расстройств [28]. В настоящее время пациентам часто предоставляются материалы, цель которых – помочь им понять суть своих трудностей и тем самым помочь им в терапевтическом процессе. Терапевты могут дополнительно использовать англоязычные приложения для мобильных телефонов, которые позволяют пользователям ознакомиться с материалами, посвященными конкретной терапии, ботами или элементами мониторинга здоровья пользователя приложения.
Преимуществом такого подхода, по-видимому, является высокий уровень содержательной информации и возможность персонализировать обратную связь на основе симптомов и функционального состояния пациента. Однако существенным ограничением является отсутствие у терапевта контроля над содержанием, представленным в конкретном приложении; если проблема, с которой сталкивается пациент, сложна или необычна, он может не найти подобную информацию в приложении.
Результаты исследований, проведенных в этом направлении, оптимистичны, и эти технологии все еще в значительной степени экспериментальны с точки зрения клинической психологии и психотерапии. Пока что наблюдения за принятием и внедрением чат-ботов в практику поддержки психического здоровья обнадеживают, но их нельзя полностью перенести в область психотерапевтической практики [29].
Значительный технологический прогресс за относительно короткое время дает основания полагать, что вскоре станет возможным разработка алгоритмов, которые позволят, среди прочего, быстро выявлять бессвязную речь, которая может указывать на шизофрению [30] или расстройства настроения [31]. Также заслуживают внимания веб-сайты, ориентированные на определенную группу получателей, например, боты, выявляющие стресс у подростков [32].
Риски, связанные с использованием методов машинного обучения для поддержки терапевтического процесса
В предыдущем разделе были определены основные направления развития приложений машинного обучения в поддержке терапевтического процесса. Далее будут представлены проблемы, связанные с внедрением вышеупомянутых решений в клиническую практику, которые в основном относятся ко всем упомянутым решениям.
Особое внимание следует уделить обеспечению полной конфиденциальности используемых приложений [33]. В связи со сбором данных о здоровье, включая данные о психическом здоровье, а также других данных, таких как местоположение и показатели жизненно важных функций, разработчики приложений должны нести ответственность за их надлежащее использование. Однако в этой области трудно исключить возможность утечки данных, что может иметь негативные последствия для их пользователей.
Особое внимание следует уделить обучению психологов и студентов-психологов в рамках формального образования тому, как инструменты с поддержкой ИИ/машинного обучения могут повлиять на психотерапию [34]. Продажа пользовательских данных определенным третьим сторонам таким как те, кто продает определенные лекарства или пищевые добавки, была бы этически сомнительной. Кроме того, это могло бы привести к убеждению пользователя в том, что на основе предоставленной им информации авторы приложения (которые очень часто сотрудничают с клиницистами) рекомендуют определенный вид вещества, хотя это было бы видно только в маркетинговых целях.
Сложно определить, в какой степени содержание программ, основанных на машинном обучении или искусственном интеллекте, является результатом сотрудничества с врачами, но, похоже, в крупнейших приложениях этому аспекту уделяется большое внимание. С другой стороны, отсутствуют правовые нормы (или система рекомендаций соответствующих научных обществ), которые ограничивали бы использование проверенных приложений для поддержки терапевтического процесса при данном заболевании в будущем, и которые были созданы исключительно в финансовых целях авторами, не проводившими содержательных консультаций. Вышеизложенное может привести к использованию неподходящих приложений, похожих по внешнему виду или названию на те, которые рекомендуют врачи.
Работа над искусственными нейронными сетями выявила еще одно важное явление – так называемую катастрофическую забывчивость. Эти сети, обучаясь решению последующих задач, могут потерять способность выполнять те, которые они освоили ранее [35]. Работа над решением этой проблемы продолжается, но разработчики нейронных сетей должны помнить, что новая схема запоминания информации должна быть запрограммирована таким образом, чтобы избежать «перезаписи» новой информации в той же структуре.
На данном этапе сложно оценить, в какой степени внедрение методов машинного обучения будет способствовать реальной поддержке терапевтических процессов. Хотя внедренные и протестированные до сих пор решения кажутся очень многообещающими, на данный момент, по-видимому, наблюдается недостаток адекватных научных исследований. Необходима база независимых научных исследований, позволяющая сравнивать вмешательства, поддерживаемые конкретным приложением и технологическими решениями для терапевтических вмешательств, с «классической» психообразовательной практикой.
Выводы
Методы машинного обучения находят новые применения в поддержке терапевтических процессов. Они позволяют оперативно реагировать, делая уведомления, отправляемые пользователям, более актуальными для их текущих потребностей. Они позволяют модифицировать компьютерные программы, используемые в терапевтических целях, таким образом, чтобы они соответствовали опыту конкретного пациента и реагировали в режиме реального времени на меняющиеся условия терапии.
Они также позволяют вести диалоги о сообщенных симптомах посредством сообщений, отправляемых не человеку, а боту, анализирующему текст в режиме реального времени. Все вышеперечисленные решения, прежде чем их рекомендовать для поддержки терапевтического процесса, должны стать предметом независимых научных исследований, которые позволили бы оценить их реальную полезность.
В настоящий момент представляется наиболее важным для клинической практики повысить осведомленность психиатров и клинических психологов о решениях такого типа, поскольку некоторые пациенты уже могут использовать их самостоятельно. В таком случае было бы полезно знать об основах работы приложения и о потенциальных рисках, связанных с его использованием.
Литература
- Sochor, J. Fully automated real-time vehicles detection and tracking with lanes analysis. Proceedings of CESCG 2014: The 18th Central European Seminar on Computer Graphics; 2014.
- Pruś D, Stoma M, Dudziak A. Ocena świadomości wpływu sztucznej inteligencji na życie konsumentów. In: Wybrane zagadnienia z zakresu przemysłu spożywczego oraz zarządzania i inżynierii produkcji. Babicz M, Kropiwiec-Domańska K (eds.). Lublin: Uniwersytet Przyrodniczy w Lublinie; 2020.
- Żurek J. Wybrane metody oceny bezpieczeństwa w lotnictwie. Problemy Eksploatacji 2009; 4: 61-70.
- Laskoski PB, Serralta FB, Passos IC, Hauck S. Machine-learning approaches in psychotherapy: a promising tool for advancing the understanding of the psychotherapeutic process. Braz J Psychiatry 2019; 41: 568-569.
- Meinlschmidt G, Tegethoff M, Belardi A, Stalujanis E, Oh M, Kyung Jung E, et al. Personalized prediction of smartphone-based psychotherapeutic micro-intervention success using machine learning. J Affect Disord 2020; 264: 430-437.
- Vieira S, Liang X, Guiomar R, Mechelli A. Can we predict who will benefit from cognitive-behavioural therapy? A systematic review and meta-analysis of machine learning studies. Clin Psychol Rev 2022; 97: 102193. DOI: 10.1016/j.cpr.2022.102193.
- Bełda A. 7 gier, które mogą ci pomóc w czasie depresji. Portal: gry-online.pl; (Accessed: 14.04.2020).
- Merry S, Stasiak K, Shepherd M, Frampton C, Fleming T, Lucassen M. The effectiveness of SPARX, a computerised self help intervention for adolescents seeking help for depression: randomised controlled non-inferiority trial. BMJ 2012; 344: e2598. DOI: 10.1136/bmj.e2598.
- Miner AS, Shah N, Bullock KD, Arnow BA, Bailenson J, Hancock J. Key considerations for incorporating conversational AI in psychotherapy. Front Psychiatry 2019; 10: 746. DOI: 10.3389/fpsyt.2019.00746.
- Lake BM, Ullman TD, Tenenbaum JB, Gershman SJ. Building machines that learn and think like people. Behav Brain Sci 2017; 40: e253. DOI: 10.1017/S0140525X16001837.
- Trzęsicki K. Idea Sztucznej Inteligencji. Filozofia i Nauka 2020; 8.
- Horn RL, Weisz JR. Can artificial intelligence improve psychotherapy research and practice? Adm Policy Ment Health 2020; 47: 852-855.
- Obermeyer Z, Emanuel EJ. Predicting the future–big data, machine learning, and clinical medicine. N Engl J Med 2016; 375: 1216-1219.
- Schröder-Pfeifer P. Machine learning applications in psychotherapy research. Universitätbibliothek Heidelberg; 2022.
- Díez J, Pérez-Núñez P, Luaces O, Remeseiro B, Bahamonde A. Towards explainable personalized recommendations by learning from users’ photos. Information Sciences 2020; 520: 416-430.
- Yegnanarayana B. Artificial Neural Networks. Delhi: PHI Learning Pvt. Ltd.; 2009.
- Kwasigroch A, Grochowski M. Rozpoznawanie obiektów przez głębokie sieci neuronowe. Zeszyty Naukowe Wydziału Elektrotechniki i Automatyki Politechniki Gdańskiej 2018; 60: 63-66.
- Weiss G, Timko J, Gallagher C, Yoneda K, Schreiber A. Smartwatch-based activity recognition: a machine learning approach. IEEE-EMBS International Conference on Biomedical and Health Informatics (BHI); 2016.
- Fozoonmayeh D, Vu Le H, Wittfoth E, Geng C, Ha N, Wang J, et al. Myung-kyung Woodbridge D. A scalable smart-watch-based medication intake detection system using distributed machine learning. J Med Syst 2020; 44: 76. DOI: 10.1007/s10916-019-1518-8.
- Luxton DD. An introduction to artificial intelligence in behavioral and mental health care. In: Artificial Intelligence in Behavioral and Mental Health Care. Luxton DD (ed.). Elsevier Academic Press; 2016, p. 1-26.
- Martínez-Miranda J. Embodied conversational agents for the detection and prevention of suicidal behaviour: current applications and open challenges. J Med Syst 2017; 41: 135. DOI: 10.1007/s10916-017-0784-6.
- Suyo MV, Núñez-Torres P. Virtual reality therapy for agoraphobic outpatients in Lima, Peru. Eur Psychiatry 2016; 33: 397-398.
- McMahon E. Virtual reality exposure therapy: bringing ‘in vivo’ into the office. J Health Serv Psychol 2017; 43: 46-49.
- Miner AS, Milstein A, Hancock JT. Talking to machines about personal mental health problems. JAMA 2017; 318: 1217-1218.
- Crutzen R, Peters GJY, Portugal SD, Fisser EM, Grolleman JJ. An artificially intelligent chat agent that answers adolescents’ questions related to sex, drugs, and alcohol: an exploratory study. J Adolesc Health 2011; 48: 514-519.
- Bickmore T, Gruber A, Picard R. Establishing the computer–patient working alliance in automated health behavior change interventions. Patient Educ Couns 2005; 59: 21-30.
- Rizzo A, Scherer S, DeVault D, Gratch J, Artstein R, Hartholt A, et al. Detection and computational analysis of psychological signals using a virtual human interviewing agent. J Pain Manage 2016; 9: 311-321.
- Fitzpatrick KK, Darcy A, Vierhile M. Delivering cognitive behavior therapy to young adults with symptoms of depression and anxiety using a fully automated conversational agent (Woebot): a randomized controlled trial. JMIR Ment Health 2017; 4: e19. DOI: 10.2196/mental.7785.
- Bendig E, Erb B, Schulze-Thuesing L, Baumeister H. The next generation: chatbots in clinical psychology and psychotherapy to foster mental health–a scoping review. Verhaltenstherapie 2019. DOI: 10.1159/000501812.
- Iter D, Yoon J, Jurafsky D. Automatic detection of incoherent speech for diagnosing schizophrenia. In: Proceedings of the Fifth Workshop on Computational Linguistics and Clinical Psychology: From Keyboard to Clinic. New Orleans, LA: Association for Computational Linguistics; 2018, p. 136-146.
- Oh KJ, Lee D, Ko B, Choi HJ. A chatbot for psychiatric counseling in mental healthcare service based on emotional dialogue analysis and sentence generation. In: 2017 18th IEEE International Conference on Mobile Data Management (MDM). Daejeon: IEEE; 2019, p. 371-375.
- Huang J, Li Q, Xue Y, Cheng T, Xu S, Jia J, Feng L. Teenchat: a chatterbot system for sensing and releasing adolescents’ stress. In: International Conference on Health Information Science. Cham: Springer; 2015, p. 133-145.
- Luxton DD. Recommendations for the ethical use and design of artificial intelligent care providers. Artif Intell Med 2014; 62: 1-10.
- Blease C, Kharko A, Annoni M, Gaab J, Locher C. Machine learning in clinical psychology and psychotherapy education: a mixed methods pilot survey of postgraduate students at a Swiss University. Front Public Health 2021; 9: 623088. DOI: 10.3389/fpubh.2021.623088.
- Mader P. Wykorzystanie sieci przestrzennych oraz metody potencjału w problemie katastroficznego zapominania. Kraków: Repozytorium Uniwersytetu Jagiellońskiego; 2020.
Авторы: Adam Lewanowicz, Maria Wiśniewski, Wojciech Oronowicz-Jaśkowiak
