L’apprentissage machine, un moyen pour augmenter l’efficacité des traitements en santé mentale.

Nous optimiserons aifred avec l'aide d'un réseau distribué d'experts en psychiatrie - une collaboration unique pour la santé. Nous mettons en œuvre des réseaux d'attention qui diminueront la nature «boîte noire» des réseaux neuronaux. De plus, nous analysons la qualité des prédictions du modèle, permettant à la fois une plus grande interprétabilité des décisions et la génération de nouvelles questions de recherche fondamentale, qui seront uniques aux techniques d'ensemble de données et d'optimisation que nous développons en interne. Grâce à une formation sur des ensembles de données fiables, nous sommes en mesure d'assurer une contribution de qualité à notre modèle. Les résultats des patients anonymisés seront réinjectés dans nos réseaux neuronaux afin d'améliorer continuellement le pouvoir prédictif d'aifred. L'ingénierie des fonctionnalités joue un rôle important dans la détermination des intrants dans un réseau et varie selon les équipes. Une fois de plus, cela sera réalisé avec le soutien du groupe d'experts que nous recrutons.

Fondamental

Notre équipe de recherche procède à une série de revues systématiques de la littérature pour déterminer les prédicteurs de la réponse au traitement et du fardeau des effets secondaires de la dépression. Nous évaluons l'état de la psychiatrie de précision dans des domaines tels que la génétique, l'endocrinologie, l'immunologie, la biochimie métabolique et la neuro-imagerie, ainsi que la faisabilité d'inclure le test des biomarqueurs dans la pratique clinique de routine. Les résultats de ces revues serviront à valider notre modèle en intégrant des biomarqueurs multimodaux et des facteurs sociodémographiques et cliniques.

Clinique

La recherche clinique est axée sur la validation de notre modèle dans des conditions contrôlées et réelles. Nous concevons trois types d'essais de recherche indiqués ci-dessous. La sécurité est essentielle, et notre équipe clinique, qui comprend deux médecins, veillera à revoir les prédictions de notre modèle et à garantir que les recommandations de traitement du modèle soient sécuritaires. Nous sommes en train de tracer la voie en ce qui concerne la validation clinique des aides à la décision cliniques fondées sur l'apprentissage en profondeur et, en tant que tel, investissons massivement dans le développement de principes éthiques pour guider le développement et les tests. En fait, le développement éthique est si important pour nous que nous avons créé notre propre cadre éthique, connu sous le nom de Meticulous Transparency, pour guider notre travail. Nous ne conservons jamais d'informations identifiables sur les patients pour protéger la vie privée des patients.