Deşi ICD-11 a fost lansat on-line în iunie 2018, ca o avanpremieră la varianta care va fi declarată definitivă în 2022, încă de pe acum se poate vedea că persistă nerezolvate multe probleme ale psihiatriei, natura bolilor psihice rămânând pe mai departe o enigmă. Dar câte alte subiecte, cu directă aplicabilitate în practica clinică, rămân fără soluţie: limita între normalitate şi patologie în psihiatrie, predictibilitatea apariţiei tulburărilor psihice la descendenţii psihoticilor, predictibilitatea pe termen scurt a suicidului, tratamentul personalizat, modelele predictive ale evoluţiei bolii etc. 

Vestea bună constă în faptul că profesioniştii din sănătatea mintală vor putea folosi, în anii care vin, pe scară largă, tehnologii de tip inteligenţă artificială (AI), atât în procedurile de diagnosticare, cât şi în cele de alegere a strategiilor efective de tratament al maladiilor psihice. Vedem deja că AI dezvoltă sisteme computerizate capabile să performeze sarcini care în mod obişnuit necesită inteligenţa umană, precum: percepţia vizuală, recunoaşterea vocii, decizia şi translaţia între diferitele limbaje. Astfel, un studiu publicat de autori americani (JP Pestian et al.), folosind machine learning (ML) – învăţarea automată –, arată că acest procedeu depăşeşte cu mult, ca grad de precizie (85%), capacitatea de identificare a persoanelor cu risc suicidar faţă de evaluările profesioniştilor în sănătatea mintală. Învăţarea automată oferă un set de instrumente care sunt ideale pentru a realiza predicţii clinice la nivel individual. Modelele predictive realizate înglobează atât conceptele (simptomele) clinice, cât şi variantele de risc genetic (endofenotipurile).

Învăţarea automată utilizează, fără instrucţiuni explicite, modele cantitative, pentru a determina principiile generale care stau la baza unei serii de observaţii. Astfel de metode algoritmice sunt caracterizate prin: 1) emiterea unui număr de ipoteze a priori, 2) lăsarea ca datele să „vorbească de la sine” şi 3) capacitatea de a extrage cunoştinţe structurate dintr-o cantitate mare de date.

Tehnicile ML includ metode supravegheate, cum ar fi maşini cu suport vectorial (Support vector machines) şi algoritmi de reţea neurală artificială (Neural-network algorithms), specializate pentru predicţia optimă a rezultatelor, precum şi metode nesupravegheate, cum ar fi algoritmi pentru gruparea datelor şi reducerea dimensiunilor, eficiente în descoperirea unor noi configuraţii statistice în bazele de date de dimensiuni din ce în ce mai mari.

Şi exemplele de folosire a ML în psihiatrie se extind până în sfera predicţiei apariţiei unor boli precum schizofrenia, autismul, ADHD.

În plus, ML explorează noi căi de implementare a terapiei farmacologice existente. Dacă cercetările clinice de până acum au depus eforturi pentru introducerea în terapie a unor noi molecule, doar dacă acestea dau rezultate semnificative statistic în grupuri clinice selectate (de dimensiuni modeste, de altfel, în majoritatea studiilor), ML este capabilă să producă o alternativă la aceste studii, deoarece prin metodele ML se îmbunătăţesc şansele terapeutice din arsenalul actual, prin predicţia optimă a eficacităţii maxime a unui anume medicament chiar şi pentru un singur subiect. 

În timp ce abordările clasice bazate pe testarea nulă a ipotezelor au adesea o abordare retrospectivă, deoarece acestea se rotesc de obicei în jurul găsirii efectelor statistice în setul de date existente, abordările ML calculează căi prospective şi pot da direct indicaţii de relevanţă clinică. 

Oare putem să dăm curs optimismului terapeutic pentru psihiatria viitorului?