Psicoterapia Computazionale
Silvia Grazioli, dottoranda di ricerca in psicologia presso la Sigmund Freud University di Vienna, docente presso la Sigmund Freud University di Milano e tutor di ricerca presso Studi Cognitivi di Milano, si occupa di ricerca nell’ambito della psicometria computazionale, ovvero nello sviluppo di modelli predittivi e di machine learning sull’andamento della terapia cognitivo comportamentale (CBT) tramite dati raccolti sulla piattaforma online GRETA di Studi Cognitivi (Fig. 1), applicativo che guida paziente e terapeuta in tutte le fasi della terapia
La dott.ssa Grazioli, durante la Seconda Edizione della European Conference on Digital Psychology, ha esposto il suo progetto di dottorato che riguarda la psicoterapia computazionale, con l’obiettivo di aumentare l’efficacia della psicoterapia evidence-based tramite l’integrazione di modelli predittivi all’interno della piattaforma online GRETA di Studi Cognitivi. Questo progetto di ricerca è svolto in collaborazione con il gruppo clinico inTHERAPY, un gruppo di psicoterapeuti ad approccio cognitivo comportamentale che ha sviluppato la piattaforma GRETA.
La relatrice inizia il suo intervento sottolineando l’importante processo di digitalizzazione che ha coinvolto l’ambito sanitario tra cui anche quello della salute mentale portando allo sviluppo di piattaforme online per la raccolta dati da remoto di dati di tipo anamnestico, sociodemografico e clinico, compilati dal paziente.
Machine learning e applicazioni a supporto della psicoterapia
L’uso di modelli predittivi basati su machine learning sta rivoluzionando l’approccio alla psicoterapia, consentendo un’analisi più approfondita e una gestione più efficiente dei dati raccolti online. Attualmente, le piattaforme online sono ampiamente impiegate per la raccolta di dati da remoto, i quali vengono poi valutati manualmente dai clinici. Tuttavia, è possibile implementare un grado di automazione nell’interpretazione di questi dati attraverso l’uso di modelli predittivi basati su machine learning, che si collocano al confine tra statistica tradizionale e intelligenza artificiale.
Il machine learning può essere suddiviso in due categorie principali:
- Supervisionato: la macchina può apprendere delle regolarità nei dati etichettati dai ricercatori e la macchina generalizza questi apprendimenti a nuovi casi;
- Non supervisionato: comprende, ad esempio, il task del clustering che permette alla macchina di apprendere all’interno dei dati la presenza di sottogruppi di pazienti ed è il ricercatore che a posteriori etichetta le caratteristiche di questi sottogruppi.
GRETA rappresenta un’applicazione versatile, disponibile su dispositivi mobili e computer, che consente ai pazienti e ai terapeuti di seguire l’intero percorso terapeutico attraverso la raccolta di dati da remoto e la compilazione di questionari.
Il progetto di ricerca della dott.ssa Grazioli prevede tre fasi fondamentali:
- Sviluppo di modelli predittivi riguardo il drop out del paziente dalla terapia;
- Integrazione dei modelli predittivi all’interno di GRETA;
- Valutazione dell’efficacia e utilità di questo sviluppo.
Attraverso l’utilizzo di un modello di machine learning supervisionato (Random Forest), è stato possibile predire con un’accuratezza dell’80% il drop out dei pazienti. Tale modello si basa su variabili quali lo stato del paziente, la diagnosi, i punteggi ai questionari clinici e i sintomi di ansia, depressione e funzionamento sociale e lavorativo. La variabile più significativa per predire il drop out è risultata essere il funzionamento sociale e lavorativo prima della terapia, seguita da altre aree cliniche e informazioni sociodemografiche.
In conclusione, l’implementazione di modelli predittivi basati su machine learning all’interno della psicoterapia offre notevoli opportunità per ottimizzare i risultati terapeutici e migliorare la gestione dei casi clinici.
Conclusioni e prospettive future per la psicoterapia computazionale
La ricerca condotta dalla dott.ssa Grazioli e dal suo team ha delineato un panorama promettente per l’ottimizzazione della terapia cognitivo comportamentale (CBT) attraverso l’applicazione di modelli predittivi basati sull’apprendimento automatico.
Dai dati raccolti tramite la piattaforma GRETA è emerso che il monitoraggio dell’andamento sociale e lavorativo dei pazienti riveste un ruolo fondamentale nella predizione del successo o dell’interruzione della terapia. È importante notare che il drop out dalla terapia non sempre coincide con un esito clinico negativo; alcuni pazienti possono abbandonare la terapia nonostante un benessere clinicamente rilevante. Pertanto, l’approccio proposto mira a identificare e predire tre distinti gruppi di pazienti: coloro che beneficiano della terapia senza interruzioni, coloro che interrompono la terapia ma manifestano un esito positivo, e coloro che manifestano un esito negativo indipendentemente dalla conclusione della terapia.
Questa stratificazione potrebbe fornire indicazioni preziose ai terapeuti nel formulare piani di trattamento personalizzati. Infine, l’adozione di modelli predittivi automatizzati potrebbe non solo ottimizzare la gestione del carico di lavoro dei clinici, ma anche migliorare la rapidità e l’accuratezza delle valutazioni prognostiche, aprendo nuove prospettive nel campo della psicoterapia computazionale.
