מודל של בינה מלאכותית (AI) יצירתית שיכול לנתח את הסיפורים הנרטיביים של נשים שעברו לידה לאחרונה, הראה את היכולת לסנן במדויק להפרעת דחק פוסט-טראומטית (CB-PTSD), מחקר שנערך על ידי בית החולים הכללי של מסצ'וסטס (MGH). חבר מייסד של מערכת הבריאות של גנרל מאס בריגהם מצא.
על ידי בחינת היכולות והחסרונות של מספר מודלים מבית OpenAI, כולל ChatGPT, החוקרים זיהו גרסה המציעה תובנות עשירות לגבי בריאות הנפש של האם בעקבות לידה טראומטית.
המודל יכול להשתלב בצורה חלקה בטיפול מיילדותי שגרתי ואפשר לרתום אותו להערכת הפרעות בריאות נפשיות אחרות. תוצאות המחקר פורסמו ב דוחות מדעיים.
הערכת PTSD הקשורה ללידה טראומטית מסתמכת כיום על הערכת רופא מקיפה, שאינה מצליחה לענות על הצורך הדחוף באסטרטגיית הערכה מהירה וזולה".
שרון דקל, דוקטורט, מנהלת התוכנית לחקר הפרעות דחק טראומטיות לאחר לידה של MGH, ומחברת הבכירה של המחקר
"השימוש בנרטיבים קצרים של מטופלים של לידה המנותחים על ידי שיטות חישוב מבוססות טקסט של AI יכול להפוך לאסטרטגיה יעילה, זולה וידידותית למטופל לזיהוי CB-PTSD לאחר לידה טראומטית, ועם מחקר נוסף, הכלי הזה עשוי לסייע ב זיהוי נשים בסיכון ל-CB-PTSD לפני שהמצב מתפתח במלואו."
עבור כ-8 מיליון נשים בשנה ברחבי העולם, לידה שהיא טראומטית ו/או מסובכת מבחינה רפואית צפויה לעורר הפרעת דחק פוסט-טראומטית, מצב היסטורי קשור לקרב צבאי או תקיפה מינית חמורה.
בשנים האחרונות, הלידה הפכה להכרה כטריגר PTSD משמעותי אשר, אם לא מטופל, עלול לפגוע בבריאות האם והילד ולגרום לעלויות חברתיות משמעותיות.
במחקרים קודמים, המעבדה של דקל מצאה עדויות לכך שהתערבויות פסיכולוגיות קצרות המועברות זמן קצר לאחר לידה טראומטית יכולות להפחית תסמיני PTSD הקשורים ללידה של האם.
במחקר האחרון שלהם, דקל בשיתוף עם הסופר הראשון אלון ברטל, PhD, מאוניברסיטת בר-אילן בישראל, חקרו את היעילות של בינה מלאכותית ואסטרטגיות ניתוח למידת מכונה (ML) קשורות לאיתור CB-PTSD.
באופן ספציפי, הם העריכו את הביצועים של מודלים שונים של שפה גדולה (LLMs) ווריאציות שונות של ChatGPT ואת יכולתם לחלץ תובנות חדשות ממערכות נתונים מבוססות טקסט שנגזרו מהתיאורים הסיפוריים הקצרים של נשים לאחר לידה של חווית הלידה שלהן.
במסגרת עבודתם, הצוות אסף סיפורים קצרים מ-1,295 נשים שילדו לאחרונה.
המחקר התמקד במודל OpenAI הידוע בשם text-embeddings-ada-002, שהמיר נתונים נרטיביים מחשבונות אישיים של נשים עם וללא CB-PTSD סביר לפורמט מספרי שנותח לאחר מכן על ידי אלגוריתם למידת מכונה מאומן שפותח על ידי הקבוצה.
חוקרים הראו למודל זה ביצועים מעולים בזיהוי מתח טראומטי לאחר לידה בהשוואה למודלים אחרים של ChatGPT ושפה גדולה, אשר בדרך כלל מאומנים על נפחים עצומים של נתונים המאפשרים להם להבין, לנתח ולפרש שפה טבעית.
"ההסתמכות של מודל ה-ML תוך שימוש בקלט נרטיבי ללידה ממודל ה-Open AI כמקור הנתונים הבלעדי שלו מציגה מנגנון יעיל לאיסוף נתונים במהלך התקופה הפגיעה שלאחר הלידה, המדגים 85 אחוז רגישות ו-75 אחוז ספציפיות בזיהוי מקרי CB-PTSD." מציין דקל.
"יתרה מכך, המודל שפיתחנו עשוי לשפר את הנגישות לבדיקת CB-PTSD ולאבחון על ידי התאמה חלקה לטיפול מיילדותי שגרתי ומתן בסיס לפיתוח מוצרים מסחריים ולאימוץ מיינסטרים."
דקל, שתוכנית המחקר שלו מוקדשת לחקר בריאות הנפש של נשים בעקבות לידה טראומטית, מדגישה את היתרונות הקליניים של שימוש במודל שפה גדול מאומן מראש כדי להעריך PTSD פוטנציאלי אצל אמהות טריות.
"התערבות מוקדמת חיונית כדי למנוע את התקדמות ההפרעה הזו לשלבים כרוניים, שעלולים לסבך את הטיפול בצורה רצינית", מציין חוקר MGH.
"הגישה הייחודית שלנו יכולה להציג אסטרטגיית סקר חדשנית וחסכונית לזיהוי נשים בסיכון גבוה והקלה על טיפול בזמן. היא עשויה להכיל גם הבטחה להערכת הפרעות בריאות נפשיות אחרות, וכתוצאה מכך לשפר את תוצאות המטופלים".
הופעתם של כלי בינה מלאכותית בבריאות הייתה פורצת דרך ויש לה פוטנציאל לעצב מחדש באופן חיובי את רצף הטיפול. Mass General Brigham, כאחת ממערכות הבריאות האקדמיות המשולבות המובילות במדינה ומפעלי החדשנות הגדולים ביותר, מובילה את הדרך בביצוע מחקר קפדני על טכנולוגיות חדשות ומתפתחות כדי לייעד את השילוב האחראי של AI במתן טיפול, תמיכה בכוח העבודה ותהליכים אדמיניסטרטיביים.
דקל הוא פסיכולוג ב-MGH, ועוזר פרופסור לפסיכולוגיה בבית הספר לרפואה של הרווארד. ברטל הוא עוזר פרופסור למערכות מידע באוניברסיטת בר-אילן בישראל. מחברים שותפים במעבדת דקל כוללים את קתלין יגודניק, PhD, עמיתת מחקר בהרווארד, ו-Sabrina Chan, רכזת מחקר קליני.
דקל נתמך על ידי כספים מה-NIH (המכון הלאומי לבריאות הילד והתפתחות האדם של יוניס קנדי שרבר, מענקים R01HD108619, R21HD109546 ו-R21HD100817).
