På väg mot bättre fungerande KBT

I skärningspunkten mellan psykologi och artificiell intelligens vill forskarna skapa bättre förutsättningar för framgångsrik KBT-behandling. Målet är att snabbare än i dag kunna avgöra vilka patienter behandlingen inte fungerar för, för att då göra rätt modifieringar.

Behandling med kognitiv beteendeterapi, KBT, fungerar bra för en rad olika tillstånd, som depression, fobier, tvångssyndrom och sömnstörningar. Ett sätt att nå ut bredare och mer kostnadseffektivt med dessa behandlingar är att erbjuda dem via internet. Då arbetar patienten utifrån ett självhjälpsmaterial hemifrån sin egen dator och i sin egen vardag. En psykolog ger aktivt stöd och finns tillgänglig för att svara på frågor, ge feedback samt peppa och påminna patienten.

Viktor Kaldo, docent och legitimerad psykolog, är verksam vid Internetpsykiatrienheten vid Huddinge universitetssjukhus och har gedigen erfarenhet av internetbaserad KBT, eller IKBT som det också kallas.

Väl genomförd internetbehandling fungerar lika väl som traditionell psykologisk behandling för flera diagnoser och är också en bra startbana för nya behandlare

– Väl genomförd internetbehandling fungerar lika väl som traditionell psykologisk behandling för flera diagnoser och är också en bra startbana för nya behandlare. En fördel är att de lätt kan få handledning när de ska svara sina patienter, vilket ju inte fungerar lika bra om man sitter och pratar med patienten i realtid i samma rum, säger han.

Men även om en viss slags behandling ger goda resultat för den genomsnittliga patienten, kan enskilda individer ha förutsättningar som gör att metoden inte fungerar, utan behöver anpassas. I projektet Att använda Lärande Maskiner som beslutsstöd i internetbaserad kognitiv beteendeterapi är syftet att förbättra behandlingen för denna undergrupp av patienter. Projektet stöds av Familjen Erling-Perssons stiftelse och leds av Viktor Kaldo, Karolinska institutet och Stockholms Läns Sjukvårdsområde, och Magnus Boman, expert inom beräkningsepidemiologi och professor i intelligenta programvarutjänster vid Kungliga Tekniska Högskolan och SICS i Kista.

Maskiner som lär sig

Målet med projektet är bättre fungerande IKBT-behandling. Viktor Kaldo förklarar varför det behövs.

– Vid psykologisk behandling är ett problem att man ofta får vänta tills den avslutas för att slå fast om den fungerade eller ej. Därför vill vi under behandlingens gång kunna fånga upp vem som inte är mottaglig och kunna anpassa behandlingen, något vi kallar en adaptiv behandlingsstrategi, säger han.

Det är här så kallade lärande maskiner kommer in i bilden. Dessa kan enkelt beskrivas som datoriserade algoritmer som går igenom ett stort antal exempelfall och där försöka finna mönster i materialet. Utifrån dessa mönster, eller samband om man så vill, kan de applicera vad de lärt sig och i nästa skede göra förutsägelser för vad som kan komma att bli resultatet i ett nytt fall. Beslutsstöd i form av artificiell intelligens, eller AI, har börjat prövas inom olika psykiatriska områden. Ett exempel är att forskare med hjälp av AI har analyserat hur ungdomar med ökad risk för psykos talar. Utifrån deras ordval och hur långa meningar de använde gick det att förutsäga om personen ifråga skulle drabbas av en psykos.

Vid psykologisk behandling är ett problem att man ofta får vänta tills den avslutas för att slå fast om den fungerade eller ej

Vid Internetpsykiatrienheten erbjuds IKBT sedan år 2008. Viktor Kaldo beskriver hur de nu ska låta de lärande maskinerna gå igenom det material som finns lagrat från det att sammanlagt 4000 patienter har inlett behandling med IKBT för diagnoserna social fobi, depression och paniksyndrom.

Att delvis använda historiska data och delvis regler uppsatta utifrån klinisk expertis för att förutsäga om behandlingen kommer att fungera eller ej, har forskarna redan testat i ett pilotprojekt, som baserades på över 200 patienter som fick behandling för långvariga sömnproblem.

– Här kunde den algoritm vi använde rätt så träffsäkert gissa vilka av dessa patienter som behandlingen inte fungerade för, vilket visar att principen fungerar. Målet nu är att med hjälp av lärande maskiner göra denna förutsägelse helt automatisk, säger Viktor Kaldo.

Mindre datamängd, men mer direkt

I tidigare studier har han manuellt skapar en omfattande lathund med olika slags gränsvärden för exempelvis sömnlängd, som kan vara relevant att ha med i beräkningarna. Nu är grunden istället att den lärande maskinen får utgå från en stor mängd data och hitta samband. Därefter kan det som Viktor Kaldo beskriver som ”mänsklig expertinput” läggas till.

– Med vår kliniska erfarenhet kan vi kanske delvis hjälpa till för att undvika att maskinen överutnyttjar given information och drar orimliga slutsatser utifrån samband som sannolikt bara finns i just den grupp som maskinen lärts upp på. Exempelvis om en skild person med fem barn inte får bra behandlingssvar, så behöver det inte vara antalet barn som spelar roll för utfallet, även om maskinerna hittat en sådan koppling i just den aktuella gruppen patienter, säger han.

Våra dataset är mycket mindre, men vi frågar också patienterna ”tycker du att behandlingen fungerar”

För de medarbetare i projektet som ska bygga den lärande maskinen är det ett ovanligt projekt, eftersom de är vana vid ännu större datamängder. Viktor Kaldo exemplifierar:

– Via en tjänst Spotify går det att samla in stora mängder data om vad någon lyssnar på, hur länge och när, men man frågar aldrig direkt vad personen gillar. Våra dataset är mycket mindre, men vi frågar också patienterna ”tycker du att behandlingen fungerar” vilket ju egentligen är den fråga vi vill ha svar på. Eftersom våra data är mer direkta hoppas vi att det krävs mindre mängd data för att hitta mönster, säger han.

Nästa steg tas till hösten

När detta skrivs pågår arbetet med att skapa AI-algoritmer som passar för detta slags data. I projektet kallas de patienter löper låg risk att inte få hjälp av behandlingen ”gröna”, medan de som inte får adekvat hjälp kallas ”röda”. Att på ett säkrare vis tidigt kunna identifiera just de ”röda” patienterna gör att terapeuten snabbare kan gå in och anpassa behandlingen.

– Det kan handla om att någon känner sig obekväm med datorn, och då kan man lägga in några telefonsamtal istället, eller så kanske den personen fungerar bättre i gruppterapi, säger Viktor Kaldo.

Det är också viktigt att kunna sammanfatta de lärande maskinernas förutsägelser på ett begripligt vis.

– Här kan det nog vara bra med något slags siffervärde, exempelvis att ”det finns 95 procents risk att behandlingen misslyckas”, säger Viktor Kaldo.

I det omfattande arbetet med att förbereda och utföra projektet har stödet från Familjen Erling-Perssons stiftelse varit viktigt, säger Viktor Kaldo.

– Historiskt har vi haft små och tillfälliga anslag, men stödet från Erling-Persson är av en helt annan kaliber. I det inledande skedet har vi nu marginal att prova olika AI-metoder och verkligen ta oss tid att sitta och klura, istället för att snabbt ta fram något för att kunna producera resultat och söka nya pengar, säger han.

OM Viktor Kaldo

Docent och legitimerad psykolog, verksam vid Internetpsykiatrienheten vid Psykiatri Sydväst i Stockholm. Intresset för datorer har följt honom genom livet och år 1992 publicerade han en egen programkod i tidningen Svenska Hemdatornytt.

Han disputerade 2008 vid Uppsala universitet på en avhandling om hur man kan behandla tinnitus. Här tog han i samarbete med professor Gerhard Andersson vid Linköpings universitet fram en internetbehandling mot tinnitus. Victor_webb

Han är också inblandad i arbete för en nationell internetbehandlingsplattform för 1177 Vårdguiden, som ska göra IKBT tillgängligt i alla landsting.

Viktor Kaldo OM multidisciplinära samarbeten

”Rent krasst hade vi inte kunnat göra dessa experimentella studier om artificiell intelligens utan att samarbeta med experter på artificiell intelligens, så samarbetet är förstås positivt. En utmaning är att förklara vårt sätt att samla in och hantera data. Många som jobbar med lärande maskiner är vana vid att samla in mycket omfattande och mycket precis mätdata från exempelvis en industriell process och undrar ”Vadå, frågar ni patienterna hur de mår? Det är ju inte objektivt, de kan ju hitta på!”. Så ibland kan det inledningsvis bli lite av en kulturkrock.”

På Internetpsykiatris hemsida går det att anmäla sig till att delta i Internetpsykiatrins behandlingar och en rad forskningsstudier om bland annat depression, sömnproblem, ångest och IBS: www.internetpsykiatri.se

Viktor Kaldo OM etik och AI

”Frågan om etik och AI och annan automatik är mycket viktig och behöver diskuteras mer i samhället i stort. Vi är vana vid att maskiner utför fler och fler uppgifter åt oss. Sedan datorer och mobiltelefoner slog igenom på allvar är det en naturlig del av vardagen, men inom vissa områden är frågan känsligare än andra. De stora faror som finns är att maskinen gör fel eller att den missbrukas. Vi har fortfarande lång väg kvar till att en lärande maskin skulle börja agera på egen hand, ha någon form av egen vilja eller önskan och därmed kunna göra ”fel” på eget bevåg. Däremot skulle den i vårt projekt ge felaktiga indikationer för hur en patient ska hanteras genom att till exempel misslyckas med att förutsäga att behandlingen kommer gå dåligt. Samtidigt har behandlaren fortfarande ansvar för patienten, och på ett övergripande plan kan man hävda att om användandet av den lärande maskinen i stort leder till att fler patienter blir bättre så är det bra. Det hindrar dock inte att det i enskilda fall kan bli problem, till exempel om en behandlare börjar lita så mycket på den lärande maskinen att hen ignorerar uppenbara problem som behandlaren kan se, men som maskinen inte lärt sig att upptäcka ännu. Därför är det viktigt att betona att det medicinska ansvaret ligger på vårdpersonalen, inte den lärande maskinen.”

Till fler artiklar