MindWell: un chatbot open source como axuda para a detección e o seguemento de trastornos depresivos

Abstract

[Resumo]: As persoas usuarias de redes sociais adoitan percibir estas plataformas como espazos de apoio nos que expoñer, comentar e desafogarse respecto dos seus problemas do día a día, de xeito que a súa actividade nestas canles pode conter evidencia sobre o estado da súa saúde mental. Recentemente, investigacións dos campos da Information Retrieval (IR), Natural Language Processing (NLP) e Machine Learning (ML) explotaron esta información en liña para desenvolver modelos de detección de depresión, cuxo obxectivo é identificar as persoas en situación de risco en plataformas como Twitter, Reddit ou Facebook. Relacionado con isto, outras investigacións recentes sinalaron a importancia de utilizar marcadores clínicos, como o uso de síntomas validados, para mellorar a confianza nos modelos computacionais por parte dos profesionais sanitarios. Neste traballo preséntase un chatbot open source concebido como un asistente que proporcione explicacións aliñadas con marcadores clínicos sobre a presenza de síntomas de depresión validados nas publicacións en redes sociais, tendo en conta tamén a temporalidade dos mesmos. O obxectivo é desenvolver unha ferramenta que inclúa as funcionalidades necesarias para proporcionar os beneficios comentados anteriormente. Deste xeito, dotaríase aos profesionais dunha ferramenta de apoio que os descargue dunha labor tediosa e moi intensiva en tempo como é o feito de revisar a man o histórico de publicacións dun suxeito. Avaliamos a nosa proposta utilizando coñecemento experto para poder medir a calidade e a aplicabilidade das explicacións do chatbot para o ámbito clínico real, e os resultados demostraron a utilidade do sistema para xerar análises baseadas nos síntomas.

[Abstract]: Social media users often perceive these platforms as supportive spaces in which to expose, comment and disclose their daily problems, and thus their activity can provide clues to their mental health status. Research on Information Retrieval (IR), Natural Language Processing (NLP) and Machine Learning (ML) has recently used this online information to develop screening models that aim to identify at-risk individuals on platforms such as Twitter, Reddit or Facebook. Recently, research has highlighted the importance of using clinical markers, such as the use of validated symptoms, to improve health professionals’ confidence in computational models. This work presents a open source chatbot designed as an assistant that provides explanations, aligned with validated clinical markers, for the presence of depressive symptoms in social media posts, taking into account the temporality of these symptoms. The aim is to develop a tool that includes the necessary functionalities to provide the abovementioned benefits. Following this approach, it is possible to provide professionals with a support tool that relieves them of the tedious and time-consuming task of manually reviewing a subject’s posting history. We evaluated our proposal using expert knowledge to measure the quality and applicability of the chatbot’s explanations to the real clinical setting, and the results demonstrated the usefulness of the system for generating analyses based on the subject’s feelings.