Kan kunstig intelligens forebygge tilbagefald blandt stofmisbrugere?

I sit specialeprojekt satte ITU-studerende Christopher Bjerre sig for at udvikle et softwareværktøj, som kan bruges i behandlingen af stofmisbrugere. Han fandt frem til en kombination af machine learning-algoritmer, som med stor nøjagtighed kan forudsige tilbagefald og dermed hjælpe behandlere med at forebygge, at det sker.

Institut for Datalogi Uddannelse algoritmer kunstig intelligens sundhed ITU speciale

Skrevet 16. august 2017 11:41 af Vibeke Arildsen

Der er mange faldgruber for alkohol- og stofafhængige, som er i behandling for at vriste sig fri af misbruget. En kold øl kan virke uimodståelig på en sommerdag. Gamle venner kan finde på at lokke med en vild tur i byen.

I sit specialeprojekt fra softwareudvikling på IT-Universitetet besluttede Christopher Bjerre sig for at konstruere et værktøj, som ved hjælp af data om en stofmisbrugers historik kan forudsige risikoen for tilbagefald. Han indgik et samarbejde med udvikleren bag journalsystemet Validi og fik derigennem adgang til anonymiserede patientdata fra et sjællandsk døgntilbud for stofmisbrugere.

”Forskningen viser, at jo længere tid, man er i behandling, desto større sandsynlighed er der for, at du holder dig clean. Så målet var at lave et værktøj, der kan hjælpe behandlere med at blive opmærksomme på patienter, som er ved at få et tilbagefald, og dermed kan hjælpe med til at gøre klienterne stoffri,” fortæller Christopher.

I sit valg af specialeemne var Christopher motiveret af at bruge sine evner som softwareudvikler til at gøre en forskel for misbrugere.

Hans motivation for at bruge sin uddannelse som softwareudvikler til at gøre en forskel for misbrugere var stærkt personlig.

”Da jeg var i starten af tyverne, havde jeg selv misbrug tæt inde på livet. Derfor var min motivationen bag specialet at bruge min viden om software kombineret med mine egne erfaringer med misbrug til at gøre en positiv forskel for misbrugere,” siger han.

Hvilke faktorer spiller ind?
Christopher startede med at gå til bunds i forskningen om, hvilke faktorer, eller predictors, der har størst betydning for risikoen for tilbagefald blandt misbrugere. Læsningen supplerede han med sine egne erfaringer i forhold til misbrugsbehandling.

Derefter undersøgte han hvilke data, der var tilgængelige i journalsystemet. Følelsesmæssige faktorer spiller en stor rolle, men er vanskelige at indsamle data om. Til gengæld rummer systemet oplysninger om blandt andet køn, alder, postnummer, medicinbrug og kontakt med sundhedspersonale. Alle sammen faktorer, der influerer sandsynligheden for tilbagefald.

”En heroinmisbruger skal for eksempel have metadon to gange om dagen på bestemte tidspunkter. Hvis en klient begynder at tage medicinen uden for tidsrammen eller helt dropper at tage den, er det en stærk indikation på, at noget er ved at gå galt, og at personen risikerer at droppe helt ud af behandlingsstedet,” forklarer Christopher.

Machine learning anvendt til at forudsige tilbagefald
Efter at have fundet frem til de faktorer, der har størst betydning for risikoen for tilbagefald, indsamlede og rensede Christopher dataene fra journalsystemet.

Han afprøvede derefter forskellige machine learning-algoritmer til at forudsige, om en misbruger ville droppe ud af behandlingen efter en treuges periode. Valget faldt på en metode kaldet decision tree learning, som i tests forudsagde, om en person risikerede tilbagefald eller ej med en nøjagtighed på 89 procent.

Mere om Christophers metode

En af udfordringerne i processen med at rense data fra journalsystemet var, at det ikke fremgik af systemet, hvilket afhængighedsskabende stof, klienten primært brugte. Da dette er en vigtig indikator for risikoen for tilbagefald, udviklede Christopher med en metode kaldet ’naive Bayes classifier’ en model, der med 87 procents nøjagtighed kunne klassificere, hvilken type stof klienten var afhængig af, fx hash, opiater eller alkohol, ud fra tekstbaserede journaler.

I arbejdet med at finde frem til den rette machine learning-algoritme til at forudsige tilbagefald, var Christopher særligt interesseret i white box-metoder, som kan afsløre mønstre i behandlingen og giver mulighed for at granske, hvilke faktorer, der spiller ind i forhold til risikoen for tilbagefald.

Valget faldt på metoden decision tree learning, eftersom den netop giver mulighed for at finde en forklaring på, hvorfor en klient risikerer tilbagefald eller ej, og dermed kan hjælpe behandlerne med at tilpasse behandlingen til den enkelte. I såkaldte cross-validation tests opnåede denne metode en nøjagtighed på 89 procent på data, som algoritmen ikke var trænet på.

Resultaterne imponerer Christophers specialevejleder, lektor Rune Møller Jensen.

»
En nøjagtighed på 89 procent er et godt resultat. Hvis metoden kan forudsige om en misbruger bliver i behandlingen i 9 ud af 10 tilfælde, har den stor praktisk værdi.
Rune Møller Jensen, lektor på ITU
«

”En nøjagtighed på 89 procent er et godt resultat. Hvis metoden kan forudsige om en misbruger bliver i behandlingen i 9 ud af 10 tilfælde, har den stor praktisk værdi. Det glæder mig også, at Christophers arbejde i så høj grad opfylder ITU’s målsætning om, at de studerende kan anvende tidligere erfaringer og unik domæneviden aktivt i studiet. Endelig er det dejligt at se kunstig intelligens anvendt i den gode sags tjeneste, hvor unges liv er på spil,” siger han.

Skal implementeres i journalsystem
Selvom specialeprojektet er veloverstået og Christopher nu kan kalde sig cand.it. i softwareudvikling, fortsætter han arbejdet med forudsigelsesværktøjet. Udvikleren bag journalsystemet Validi har nemlig bedt ham om at implementere det i systemet for at se, om den kan hjælpe behandlerne.

»
Ideen er, at systemet kan samle en enorm mængde data og finde mønstre, som et menneske måske ikke ville have opdaget.
Christopher Bjerre, cand. it. i softwareudvikling
«

Christopher understreger dog, at software altid kun vil være et supplement til den eksisterende behandling.

”Behandlerne kender klienterne og har stor erfaring med misbrugsbehandling, og det vil en computer aldrig kunne erstatte. Ideen er, at systemet kan samle en enorm mængde data og finde mønstre, som et menneske måske ikke ville have opdaget, og dermed kan være en værdifuld assistance for behandlerne,” afslutter han.

Mere information

Vibeke Arildsen, presserådgiver, telefon 2555 0447, email viar@itu.dk