Til hovedinnhold
Norsk English

Finner depresjonstegn hos unge via nettet

Ordene og frasene ungdom bruker til å beskrive hva de sliter med, stemmer forbløffende godt med det som står i diagnosemanualene som brukes i behandling av og forskning på psykiske sykdommer. Foto: Karoline Ravndal Lorentzen
Ordene og frasene ungdom bruker til å beskrive hva de sliter med, stemmer forbløffende godt med det som står i diagnosemanualene som brukes i behandling av og forskning på psykiske sykdommer. Foto: Karoline Ravndal Lorentzen
Kan man se tegn til depresjon gjennom å analysere det unge skriver på nett og chatter om? Svaret er ja. Symptomer på depresjon kan avsløres gjennom å analysere ordvalg, setninger og sammenhengen mellom disse, viser forskning.

Nettstedet ung.no er en mye brukt ressursside der barn og unge kan finne informasjon om og stille spørsmål om tema som prevensjon, rus, familie og venner, skolegang og vold og overgrep. All informasjon er kvalitetssikret av fageksperter. Nettsiden tilbyr også en live chattetjeneste. Med andre ord: nettstedet er et perfekt sted for å forske på ungdom og livene deres.

Da forskere fra SINTEF og Universitetet i Oslo (UiO) jobbet med forskningsprosjektet “Social Health Bots” som har som mål å finne nye, digitale løsninger for å hjelpe unge med mentale utfordringer, fikk de en ide: Hva om de kunne finne symptomer på depresjon i det unge skriver om? Ifølge tall fra WHO (Verdens helseorganisasjon) er nemlig mer enn 300 millioner mennesker rammet av depresjon på verdensbasis. Mange av dem er unge og sårbare.

Svaret på forskernes spørsmål viste seg å være ja. Arbeidet, som ble ledet av SINTEF-forskeren Zia Uddin, er nå publisert i et anerkjent fagfellevurdert tidsskrift. Ved hjelp av algoritmer har forskerne klart å identifisere tegn på depresjon gjennom å analysere hva unge skrev på ung.no.

– Å finne depresjon ved hjelp av algoritmer kan åpne for at ungdom får riktig hjelp raskere enn i dag. Dette er en løsning som kan implementeres i fremtidige helseorienterte tilbud, sier psykolog og forsker ved SINTEF og UiO, Petter Bae Brandtzæg.

 Prosjektet i korte trekk:

  • Et stort datasett med tekst er hentet fra den offentlige norsk online-tjenesten og informasjonskanalen Ung.no
  • Begreper, setninger og spørsmål som kan indikere symptomer på depresjon er definert av eksperter i medisin og psykologi.
  • Maskinlæring er deretter brukt for å gjenkjenne disse, og såkalte nevrale nettverk har modellert den emosjonelle tilstanden til den som skriver.
  • Maskinlæringssystemets har så lært å tolke symptomene ved hjelp av kunstig intelligens som avgjør viktigheten av symptomene/ytringene.

Klinisk kompetanse i bunn

Lege Kim Kristoffer Dysthe ved UiO har lenge jobbet med ungdom og psykisk helse. Han har deltatt i prosjektet med klinisk kompetanse.

– Det er svært viktig at en slik løsning er menneskeorientert. Derfor har vi sett på ordene og setningene som ungdommene bruker og ulike mønster i kommunikasjonen. Deretter har vi sammenstilt disse med diagnosesystemet for depresjon, forklarer legen, som også har lingvistisk bakgrunn.

depresjon kan avsløres via chat og spørsmål på nett

Språk, ordvalg og fortellinger kan avsløre tegn på depresjon hos ungdommer som chatter eller stiller spørsmål på nett. Foto: Karoline Ravndal Lorentzen

Ifølge Dysthe samsvarer ordene og frasene ungdom bruker til å beskrive hva de sliter med forbløffende godt med det som står i diagnosemanualene som brukes i behandling av, og forskning på psykiske sykdommer (DSM 5).

– Når de skal stille spørsmål til ung.no, beskriver deg gjerne en historie som kan starte med tidligere livserfaringer. Deretter beskriver de aktuelle hendelser som utløser forskjellige tanker om situasjonen, og til sist hvilken adferd eller hvilke symptomer dette har medført. Dette er beskrivelser som gjerne er gjenkjennelige som tegn på depresjon, forklarer legen.

Og slike tekster er vel egnet til å trene kunstig intelligente dataprogrammer til å gjenkjenne depresjonssymptomer. Vanlige tegn på depresjon er å føle seg trist, miste interesse for aktiviteter man tidligere hadde interesse for, konsentrasjonsvansker, trøtthet og uopplagthet, samt selvmordstanker. Men tegnene trenger ikke alltid være like tydelige: Språk, ordvalg og fortellinger kan også avsløre tegn på depresjon.

En sårbar gruppe med behov for rask hjelp

Ungdom er en sårbar gruppe når det gjelder depresjon: Ungdomstiden er en veldig viktig periode når det gjelder å utvikle emosjonelle vaner og for mental helse. Det vi legger i emosjonelle vaner er alt fra søvnmønster, regelmessig trening, ferdigheter man trenger til å løse problemer, kommunisere med andre og håndtere ulike følelser.

Det å oppleve sosiale støtte er svært viktig i denne perioden. Mellom ti og 20 prosent av ungdom opplever mentale problemer i ungdomsårene. Og de fleste er udiagnostiserte og dermed behandles de heller ikke.

Kunstig intelligens oppdager mønster og depresjonstegn

SINTEF-forsker Zia Uddin har i flere år jobbet med nettopp kunstig intelligens og algoritmer. Han forteller at selve metodikken som er brukt, såkalt dyp læring er en kjent metode i faget maskinlæring, eller såkalt kunstig intelligens.

– I dette prosjektet har forskerne brukt kunstig intelligente algoritmer for å kjenne igjen ord, setninger, og utrykk og sammenhengen mellom disse.  Nå kan systemet selv kjenne igjen tegn på depresjon og tungsinn, noe som åpner for å utvikle en digital løsning som kan gi akutt hjelp til de som sliter, sier Zia Uddin

Algoritme på “psykolog-kurs”

Når algoritmer trenes, blir de bedt om å lete gjennom en mengde poster som handler om helt andre ting enn depresjon, iblandet en del av depresjonstekstene. Tekstene er anonyme.

Forskeren forklarer dyp læring:

Dyplæring, eller "Deep Learning",  er en undergruppe av maskinlæring. Metoden fungerer på samme måte som maskinlæring, men har andre bruksmuligheter. Når en vanlig maskinlæringsmodell ender med en unøyaktig prediksjon, må problemet løses av et menneske. Dyplæringsmodellen derimot, prøver å fikse problemet selv.

For eksempel har vi designet en intelligent lommelykt, og utviklet en maskinlæringsmodell for den. Når noen sier ordet "mørkt" i en setning, vil lommelykten slå seg på.

Den typiske maskinlæringsmodellen vil analysere forskjellige stemmer, og søke etter ordet "mørk" i setningen. Når ordet kommer, vil modellen komme til en avgjørelse om at lommelykten skal slås på. Men, hva om noen sier "jeg ikke kan se noe fordi lyset er så svakt"? Det personen mener er at lommelykten skal være på. Men fordi setningen ikke inneholder ordet "mørk", så en typisk maskinlæringsmodell kan ikke ta en avgjørelse for å slå på lommelykten.

I dette tilfellet ville er dyp læring være mer egnet enn maskinlæring, fordi modellen vil prøve å lære ord og kontekst slik at den selv kan ta en beslutning om å slå på lykta. Dyplæringsmodellen kan altså lære av sin egen metode for databehandling og gjennomføre beslutninger.

Det er dette vi har gjort i prosjektet med ung.no: Vi trente systemet basert på forhåndsdefinerte mulige symptomer og koblet dette til dyp læring. Brukerne beskriver kanskje ikke sine depressive problemer likt, selv om de kan ha like eller lignende symptomer. Men dyplæringsmetoden ville prøve å forstå konteksten og ta riktige beslutninger selv.

I det siste har dyplæring har bidratt svært mye til store forskningsfelt, spesielt innenfor mønstergjenkjenning og kunstig intelligens.

I dette prosjektet beskriver brukeren sin emosjonelle tilstand gjennom ord som kommer etter hverandre i en tekst, såkalt tidssekvensielle ord. Det er noe som egner seg godt for en såkalt dyp læringsmodell, fordi den er i stand til å kode tidssekvensielle data – altså data som kommer etter hverandre. I dette prosjektet blir ordene som beskriver symptomene brukt til å representere binære mønstre. Disse brukes så som input til dyplæringsmodellen. Det gjør det mulig å modellere ulike emosjonelle tilstander i tekstdata.

 

Brandtzæg forteller at Social Health Bots prosjektet er en del av en større FoU-satsing på hjelp til selvhjelp innenfor psykisk helse rettet mot barn og unge.

– Vi ser at det er en økning i psykiske lidelser, særlig hos unge og under den pågående pandemien. Kapasiteten til behandlingssystemet er sprengt, og derfor er vi opptatt av å lage et lavterskeltilbud som kan bidra, sier Brandtzæg.

God informasjon og rask respons viktig

Både Brandtzæg og Dysthe er enige om at rask hjelp og persontilpasset hjelp forebygging er avgjørende for den enkelte. Noen ganger kan det være nok at en fortvilet ungdom får vite at det er vanlig å oppleve depresjon, at mange har det likedan, at det finnes behandling og at det i de aller, aller fleste tilfellene går over om man får hjelp.

– Det er viktig for oss å presisere at dette ikke skal være en erstatning for hjelp i helsevesenet, men det er en løsning som kan brukes til å gi rask hjelp i førstelinja, til å spre kunnskap og til å oppfordre til å søke aktiv hjelp hos lege eller psykolog, ved hjelp av kunstig intelligens og kvalitetssikret innhold, sier Dysthe.

– Det viktigste er å gi ungdommen håp og forståelse om at det de står i, kan løses.

Nå ønsker forskerteamet å jobbe videre med konkrete løsninger, slik at unge som viser tegn til depresjon i et nettforum eller på en nettside som ung.no kan få persontilpasset informasjon og dialog med en chatbot, eller andre digitale verktøy som kan bidra til personaliserte løsninger som støtter hjelp til selvhjelp ved hjelp av kunstig intelligens.

Forskningen er publisert som “open access” i Neural Computing and Applications, som er en anerkjent journal i Q1 for forskning innenfor IT og kunstig intelligens, med en JCR-faktor på 5.61

Referanse:

  1. Z. Uddin, K. K. Dysthe, A. Følstad, and P. B. Brandtzaeg, “Deep learning for prediction of depressive symptoms in a large textual dataset,” Neural Computing and Applications, Aug. 2021.

 

Kontaktpersoner