Predicting mental health indices with artificial intelligence and machine learning

Abstract

This dissertation explores the integration of behavioral features derived from the Relative Preference Theory (RPT) and explainable machine learning to advance the prediction of psychiatric conditions. Leveraging a novel application of the RPT, where interpretable metrics are derived from picture rating tasks that model human judgment and preference patterns. Four datasets, collected before and during the COVID-19 pandemic, provide the foundation for this research, enabling an analysis of the pandemic's impact on mental health and the efficacy of RPT features in predicting conditions such as anxiety, depression, suicidality, psychotic symptoms etc. A total of eleven studies demonstrate the feasibility and utility of RPT features in ML models, emphasizing the importance of explainability in artificial intelligence applications. By employing techniques like feature selection, exploratory data analysis, and minimal feature set optimization, the research achieves a balance between computational efficiency and interpretability. This ensures that the developed predictive models are both robust and clinically actionable, addressing challenges in MH diagnostics, particularly in underserved populations. The findings underscore the transformative potential of computational psychiatry. The research reveals that the COVID-19 pandemic significantly exacerbated MH conditions, highlighting the critical role of early detection and intervention. By validating the utility of RPT metrics in diverse contexts, the dissertation establishes a framework for future studies aimed at fusing behavioral, biological, and environmental data to enhance predictive accuracy. This work contributes to the democratization of MH care by providing scalable, interpretable tools for identifying psychiatric disorders. It sets the stage for precision psychiatry, where AI-driven insights can guide tailored interventions, improving outcomes and addressing global disparities in mental health services.

Η παρούσα διδακτορική διατριβή ερευνά την ενσωμάτωση χαρακτηριστικών συμπεριφοράς που προέρχονται από την Relative Preference Theory (RPT) και επεξηγήσιμης μηχανικής μάθησης, για την προαγωγή της πρόληψης και παρακολούθησης ψυχιατρικών νόσων. Αξιοποιεί μια καινοτόμο εφαρμογή της RPT, όπου ερμηνεύσιμοι δείκτες εξάγονται μέσω αξιολόγησης εικόνων που μοντελοποιούν την ανθρώπινη κρίση και τις προτιμήσεις. Τέσσερα σύνολα δεδομένων, που συλλέχθηκαν πριν και κατά τη διάρκεια της πανδημίας COVID-19, παρέχουν τη βάση για αυτήν την έρευνα, επιτρέποντας την ανάλυση της επίδρασης της πανδημίας στην ψυχική υγεία και την αποτελεσματικότητα των χαρακτηριστικών της RPT στην πρόβλεψη καταστάσεων όπως το άγχος, η κατάθλιψη, οι αυτοκτονικές σκέψεις και τα συμπτώματα ψύχωσης. Έντεκα συνολικά μελέτες αποδεικνύουν τη δυνατότητα και τη χρησιμότητα των χαρακτηριστικών της RPT σε μοντέλα μηχανικής μάθησης, δίνοντας έμφαση στη σημασία της επεξηγησιμότητας στις εφαρμογές της τεχνητής νοημοσύνης. Χρησιμοποιώντας τεχνικές όπως η επιλογή χαρακτηριστικών και η εξερευνητική ανάλυση δεδομένων, η έρευνα επιτυγχάνει ισορροπία μεταξύ υπολογιστικής αποδοτικότητας και ερμηνευσιμότητας. Αυτό διασφαλίζει ότι τα αναπτυγμένα μοντέλα πρόβλεψης είναι τόσο αξιόπιστα όσο και κλινικά εφαρμόσιμα, αντιμετωπίζοντας τις διάφορες προκλήσεις που υπάρχου κατά την διενέργεια διάγνωσης προβλημάτων ψυχικής υγείας, ιδίως σε πληθυσμούς που στερούνται εύκολης πρόσβασης σε υπηρεσίες υγείας. Τα ευρήματα υπογραμμίζουν τη δυναμική της υπολογιστικής ψυχιατρικής. Η έρευνα αποκαλύπτει ότι η πανδημία COVID-19 επιδείνωσε σημαντικά τα προβλήματα ψυχικής υγείας, τονίζοντας τον κρίσιμο ρόλο της έγκαιρης διάγνωσης και παρέμβασης. Επικυρώνοντας τη χρησιμότητα των μετρικών της RPT σε διάφορα περιβάλλοντα, η παρούσα διδακτορική διατριβή θεμελιώνει ένα πλαίσιο για μελλοντικές μελέτες που θα πρέπει να στοχεύσουν στη συγχώνευση συμπεριφορικών, βιολογικών και περιβαλλοντικών δεδομένων για την ενίσχυση της ακρίβειας πρόβλεψης. Αυτό το έργο συμβάλλει στον εκδημοκρατισμό της φροντίδας ψυχικής υγείας, παρέχοντας ερμηνεύσιμα εργαλεία για τον εντοπισμό ψυχιατρικών διαταραχών. Δημιουργεί τις προϋποθέσεις για την εξατομικευμένη ψυχιατρική, όπου οι γνώσεις που προκύπτουν από την τεχνητή νοημοσύνη μπορούν να καθοδηγήσουν στοχεύουσες παρεμβάσεις, βελτιώνοντας τα αποτελέσματα και αντιμετωπίζοντας τις παγκόσμιες ανισότητες στις υπηρεσίες ψυχικής υγείας.