Delgadillo er regnet som en av de store stjernene innen forskning på persontilpasset psykoterapi. Ved King’s College er han involvert i et forskningsprosjekt hvor det brukes maskinlæring og kunstig intelligens (KI). Også på Modum Bad undersøker forskere nå hvordan vi kan bruke KI i behandling, ved såkalt prediktiv kunstig intelligens. Vi tok en prat med Delgadillo om dette under hans besøk hos oss.

Les om Forskningsinstituttets 40-årsjubileum.
Bli kjent med Forskningsinstituttet ved Modum Bad

– Bedre behandlingsutfall

– Dere holder på med et forskningsprosjekt der dere bruker maskinlæring og KI. Tror dere at det er mulig å kartlegge folk tilstrekkelig med spørreskjemaer ved utredning, til å gjøre prediksjoner som vil være nyttige i det lange løp?
– Ja. Og jeg sier dette med selvsikkerhet, fordi vi allerede har eksperimentell evidens fra kliniske forskningsprosjekter. Funnene viser oss at når du bruker en prediksjonsmodell – utviklet ved hjelp av maskinlæring, til å gjøre beslutninger om hvilken behandling pasienter bør få, så fungerer det bedre.

 

“Funnene viser oss at når du bruker en prediksjonsmodell – utviklet ved hjelp av maskinlæring, til å gjøre beslutninger om hvilken behandling pasienter bør få, så
fungerer det bedre”

 

Du får bedre behandlingsutfall og flere opplever tilfriskning fra depresjon sammenlignet med den vanlige måten å velge behandling, basert på klinisk skjønn og kliniske retningslinjer.
Delgadillo forklarer at man om man har et stort nok datamateriale, kan man bruke maskinlæring til å identifisere undergrupper av pasienter som responderer på behandling på lignende måter. Såkalte statistiske naboer som ligner på hverandre på tvers av sosiodemografiske, kliniske og andre psykometriske variabler.

Ulike prognoser

– Hvilke undergrupper ser vi i dag?
– Slik jeg ser det har vi to «akser» disse gruppene organiserer seg etter. Den vertikale aksen viser til prognose. Noen pasienter har en utmerket prognose. Vi forventer at de tilfriskner helt og raskt fra de psykiske problemene de strever med. På den andre siden av spekteret har andre pasienter en dårligere prognose. Disse kan være i behov av flere behandlingsløp over lengre tid for å oppleve bedring fra symptomene de strever med. De kan også ha gjentatte episoder av bedring og tilbakefall. Man kan skille mellom de med en god prognose, en middels god prognose og en dårlig prognose, og gi dem ulik behandling, sier Delgadillo.

– Pasientene med en utmerket prognose trenger ikke kostbar og intensiv behandling. Det holder å gi dem informasjon om selvhjelp og kanskje noen få behandlingstimer, slik at de blir bevisste på hvordan de kan bruke mestringsstrategier. Man kan for eksempel bruke adferdsaktivering for å forbedre humøret eller eksponering, slik at de kommer over frykt og angst. Pasientene i gruppen med middels god prognose vil ikke oppleve bedring uten hjelp. De trenger terapi og kan ha nytte av forskjellige evidensbaserte behandlinger.

“Man kan skille mellom de med en god prognose, en middels god prognose og en dårlig prognose, og gi dem ulik behandling”

 

Folk i gruppen med den dårligste prognosen vil sannsynligvis trenge en kombinasjon av behandlinger for å bli bedre, for eksempel medisiner og intensiv psykoterapi. Dette kalles nivåtilpasset behandling, der pasientene sendes rett til riktig nivå heller enn å prøve ut omsorgsnivåene trinnvis. Den andre aksen handler om hvilke terapimetoder som passer best for de ulike undergruppene, der intensiteten er lik, men innholdet svært forskjellig.

– Kognitiv adferdsterapi (KAT) er for eksempel veldig annerledes enn personsentrert terapi. Det oppleves ulikt, teorien er annerledes, man fører dialog på en annen måte. Derfor er de kvalitativt forskjellige. Noen pasienter har bedre effekt av KAT, andre responderer bedre på personsentrert behandling. Disse forskjellene ser jeg på en horisontal akse, fordi disse behandlingene har lignende intensitet, men er likevel forskjellige.
For flertallet av pasienter ser man at begge metoder kan fungere.
– Basert på det vi vet i dag, tror vi at omtrent 70% av pasientene er i midten av den horisontale aksen, i hvert fall for depresjonspasienter. Det betyr at uansett hvilken terapimetode du gir dem, vil det fungere omtrent like godt. Men det er også grupper på ytterkantene, 15 % på hver side, som reagerer ulikt på ulike terapiformer. De har kjempegod effekt av KAT, men hvis du gir dem personsentrert behandling, vil det være ineffektivt, og det samme gjelder den andre veien. Dette er de interessante gruppene. Og det er disse gruppene du kan nå med maskinlæring.

Lik behandling, ulikt utfall

Delgadillo vokste opp i La Paz i Bolivia, der han utdannet seg til psykolog og spesialiserte seg i psykoanalyse. Videreutdanning brakte ham til Leeds i Storbritannia, hvor han skiftet side til kognitiv atferdsterapi og begynte å jobbe i det offentlige helsevesenet. Veien videre inn i forskningen handlet om én enkelt observasjon, forteller han.
– At noen pasienter responderer veldig godt på behandling. Du kan se en symptomreduksjon i løpet av noen få uker. Andre pasienter kan få de samme terapeutiske intervensjonene, samme metode, samme terapeut, de kan være fra samme nabolag, og så responderer de rett og slett ikke like godt.

 

“Som terapeut har jeg alltid lurt på: Hva er det med person A som er forskjellig fra person B og som påvirker sannsynligheten for at de blir bedre?”

 

Det var denne observasjonen som hovedsakelig motiverte meg til å undersøke individuelle forskjeller i respons på behandling. Som terapeut har jeg alltid lurt på: Hva er det med person A som er forskjellig fra person B og som påvirker sannsynligheten for at de blir bedre? Jeg har alltid vært nysgjerrig på dette.

Store forskjeller

Delgadillo forteller om en erfaring fra to ulike klinikker i England, den ene i en velstående landsby, den andre i et fattig nabolag. I den rike landsbyen gikk terapien ofte bra.
– Rundt 60-70 % av pasientene jeg jobbet med opplevde pålitelig bedring eller ble helt friskmeldt. Og det var høyere enn gjennomsnittet for hele helsevesenet, som var rundt 40-50 %. Jeg pleide å tenke: Wow, jeg må virkelig gjøre en god jobb.
Da han begynte å jobbe i det fattige nabolaget la han merke til en stor forskjell i behandlingsutfall.
– Jeg så at utfallene av behandlingen var verre enn noensinne, med bare 40 % tilfriskning. En hypotese kunne vært at jeg, med mer utdanning og erfaring, hadde blitt en dårligere terapeut. Det virket ikke så sannsynlig, siden jeg brått hadde flyttet til en annen kontekst.

 

“Da jeg begynte å jobbe i det fattige nabolaget la jeg merke til en stor forskjell i behandlingsutfall”

 

Pasientlisten min var veldig annerledes når det gjaldt type vansker, og de sosioøkonomiske, relasjonelle og sosiale problemene som folk diskuterte med meg. Terapien var så annerledes. Så det måtte ha noe å gjøre med individuelle forskjeller. Og det var det jeg begynte å utvikle dette arbeidsprogrammet. Fra da av begynte jeg å hente inn data om individuelle forskjeller på en systematisk måte.

Sosioøkonomisk ulikhet

– Du har beskrevet sosial ulikhet som “an obstacle hidden in plain sight” («et hinder skjult for det blotte øyet»). Tror du at å anerkjenne sosioøkonomisk ulikhet er viktig i presisjonsbehandling?
– Ja, definitivt, nå er jeg overbevist om det. Det har vært en interessant læringsprosess for meg. Kanskje det virker åpenbart for dere, men det var ikke i utgangspunktet åpenbart for meg. Som mange psykologer var jeg veldig opptatt av psykologiske variabler som personlighet, symptomer, forventninger eller motivasjon for endring. Sånne ting psykologer lager begreper for og blir interessert i. Jeg hadde samlet inn data fra mange pasienter på denne typen variabler.

 

Jeg hentet også ut informasjon fra helseregistre for å undersøke hvilke individuelle forskjeller og hvilke variabler som kunne hjelpe oss å forutsi hvem som ville ha et godt eller dårlig behandlingsutfall. Jeg samlet også inn sosiodemografisk informasjon, men uten noen spesiell grunn. Bare tilfeldig, på en måte, fordi informasjonen var tilgjengelig.
De sosiodemografiske dataene tenkte han mest på som kontrollvariabler, forteller han.

 

“Så viste det seg at de sosioøkonomiske variablene er minst like viktige eller kanskje faktisk viktigere enn de psykometriske greiene”

 

– Så viste det seg at de sosioøkonomiske variablene er minst like viktige eller kanskje faktisk viktigere enn de psykometriske greiene som psykologer er interessert i. For eksempel tilknytning til arbeidslivet. Det er en pålitelig prognostisk indikator, noe som betyr at folk som er arbeidsledige har en mye lavere sannsynlighet for å bli bedre fra depresjon og angst etter terapi, sammenlignet med folk som har en stabil jobb.
Delgadillo forklarer at man kan lage en samlevariabel for ulike former for sosioøkonomisk utsatthet i forskjellige nabolag som inntektsforskjeller, utdanningsnivå og kriminalitet.
– Du kan tenke på det som et slags fattigdomstermometer. Det er et kontinuum der noen nabolag er ekstremt fattige, og andre er ekstremt rike. Vi samlet inn data fra mange pasienter og nabolag, og gjett hva? Det predikerte utfall av behandling.

– Hvordan synes du dette skal påvirke hva slags behandling vi gir, eller hva vi er opptatt av i terapirommet?
– Ja, så videre i prosessen begynte jeg å lure på om sosioøkonomiske variabler hjelper oss med å forutsi forskjellige terapiutfall for forskjellige typer behandling? Og svaret viste seg å være ja. For eksempel fant vi at folk som responderer skikkelig godt på kognitiv adferdsterapi (KAT) vanligvis lever under mer fordelaktige omstendigheter. De har jobb, en stabil familiesituasjon og husholdning, støttende folk rundt seg, høye forventninger til bedring. Så de er klare for hjemmelekser og til å starte endringsarbeidet umiddelbart. Selv om de strever veldig, har et veldig lavt funksjonsnivå og skyhøyt symptomtrykk. Profilen til noen som har bedre nytte av personfokusert behandling er noen som har alvorlig depresjon og lavt funksjonsnivå, men også lever i fattigdom, har ikke en jobb, kanskje har en funksjonsnedsettelse. Kanskje er de fra en minoritet og blir derfor utsatt for andre typer press og stress, og kanskje har de lave forventninger til bedring. Når du møter noen som har lave forventninger til bedring … Hvis du umiddelbart ber dem om å føre tankedagbok, så kommer de ikke til å gjøre det, fordi de kommer til å tenke: Hva er poenget? Ingenting kan hjelpe meg i min situasjon. Disse pasientene trenger ikke hjemmelekser og støttetanker, forklarer han.

 

“Hvis folk har høye forventinger og behandlingen har høy troverdighet, er de klare til å begynne endringsarbeidet umiddelbart”

 

– Denne gruppen trenger å få en mulighet til å reflektere over: Hvem er jeg i disse vanskelige betingelsene? Og hvem vil jeg være? Hva slags type liv vil jeg leve? Hvor stor er avstanden mellom hvordan jeg ser meg selv nå og hvordan jeg ønsker å se meg selv i fremtiden.
Dette kan også henge sammen med forventninger til terapien.
Hvis folk har høye forventinger og behandlingen har høy troverdighet, er de klare til å begynne endringsarbeidet umiddelbart, i en tidlig fase av behandlingen, og til å gjøre oppgavene som er nødvendige for å bli bedre med KAT-behandling. Andre har lave forventinger til bedring, og det er ingen overraskelse at de har lave forventninger. Du blir demoralisert når du ikke har en jobb, ikke noe penger, når du bor i et nabolag som er farlig, hvor du kanskje når som helst kan bli utsatt for kriminalitet, vold eller andre skadelige omstendigheter. På toppen kommer kroniske helseproblemer, funksjonsnedsettelser – en forferdelig situasjon. Måten jeg har lært å tenke rundt dette er at folk i disse omstendighetene, med denne sosiodemografiske profilen, faktisk lever det verst tenkelige scenarioet (begrep fra KAT-behandling). De innbiller seg det ikke. Å jobbe med å redusere katastrofetanker eller gjøre katastrofetesting kommer ikke til å fungere.

Skjevheter

Både i Norge og Storbritannia ser man at de mest ressurssterke får mest og best behandling, også i det offentlige.
– Man kan tenke seg at dette er en innebygd strukturell skjevhet i helsesystemene, der vi som klinikere sitter med antagelser om hvem som vil nyttiggjøre seg behandling og ikke. Dette kan KI-verktøy korrigere for, forklarer Delgadillo.

– Da vi utviklet dette KI-verktøyet for nivåtilpasset behandling, utviklet vi det spesifikt for å korrigere for ulikheter i helse. Så hvis en pasient er arbeidsledig, får de en større sannsynlighet for å få mer effektiv behandling. Selve utformingen retter opp helseulikheter og ulikheter knyttet til etnisitet. Vi vet at folk fra ulike minoriteter har mindre sannsynlighet for å få behandling med høy intensitet, sikkert av kompliserte årsaker. Men algoritmen vår retter opp det problemet. Dette gir også mening i en klinisk forstand, fordi vi vet at minoritetsbakgrunn og lav sosioøkonomisk status begge predikterer dårligere utfall av behandling. Folk med disse egenskapene er altså høyere opp på den vertikale aksen, på et kontinuum av hvor komplisert problemene deres er, noe som gjør at vi uansett matcher dem med behandling av høy intensitet.

Fallgruver

Men heller ikke KI-modeller er garantert å være fri fra skjevheter.
– En fallgruve når du bruker KI for å persontilpasse behandling er at du kan befeste disse skjevhetene, bake dem inn i KI-verktøyet. KI-verktøyet i seg selv vet selvfølgelig ikke bedre. KI har ikke etikk eller moral og forstår ikke hva den gir deg av utdata, den bare gir deg noe basert på informasjon den får inn.

“KI har ikke etikk eller moral og forstår ikke hva den gir deg av utdata, den bare gir deg noe basert på informasjon den får inn”

Delgadillo kommer med et eksempel knyttet til feedback-modeller, som måler pasientens bedring og gir terapeuten råd om mulige tiltak.
– Vi vet at personer som er arbeidsløse, har mindre sannsynlighet for bedring. Det samme gjelder mennesker fra enkelte etniske grupper og mennesker med komorbide helsetilstander. Hvis du trener en maskinlæringsmodell til å gi deg en forventet endringskurve, som er det feedback-modeller gjør i psykoterapi, og du bruker disse variablene, kommer du til å trene modellen til å ha lave forventninger. Det kan hende at du ville hatt lavere standarder for pasienter fra utsatte grupper, uten å vite det.

Må testes

Han legger til at det er viktig at KI-modellen er tilstrekkelig testet før den rulles ut. Modellen skal trenes og testes på andre datasett, gjerne data fra andre byer eller andre land, slik at man vet at modellen også kan fungere for nye pasienter i andre kontekster.
– En enda sterkere test for en KI-algoritme hadde vært: Å trene en modell i land A og teste den i land B. Det hadde vært en veldig imponerende modell. Det er derfor jeg er her, fordi jeg har lyst til å prøve å gjøre dette sammen med dere på Modum Bad.

Mer presist og rettferdig

– Hvordan ser du for deg at klinikere kan bruke disse KI-modellene? Hvor mye skal vi overlate til KI og hvor mye skal være klinisk skjønn?
– Jeg er ikke en av dem som tror at KI kommer til å erstatte terapeuter. Jeg tror ikke det kommer til å skje i vår levetid, i hvert fall. Jeg sier dette fordi det britiske helsevesenet allerede i femten år har tilbudt digital gratis KAT. Bare en prosent takker ja, og innenfor den ene prosenten er det bare 40 % som faktisk registrerer seg. Gitt valget, vil mennesker snakke med mennesker.

” Jeg er ikke en av dem som tror at KI kommer til å erstatte terapeuter”

Han legger til at KI-basert terapi kan være aktuelt for noen, for eksempel på grunn av personvernhensyn eller pris. Men først og fremst kommer det til å gjøre oss klinikere smartere.
– KI kommer til å gjøre oss smartere på samme måte som ultralyd gjorde fødselsleger smartere. Disse verktøyene kan gi oss informasjon slik at vi kan stille bedre diagnoser, gi bedre anbefalinger om behandling og følge med bedre på hvordan behandlingen faktisk går. Vi kommer til kunne bruke teknologi til å anbefale behandling der det finnes forskjellige valg, inkludert medisiner og psykoterapi. Vi kommer til å kunne monitorere om pasienter responderer på behandling kontinuerlig, for å oppdage situasjoner der terapien ikke fungerer godt nok. Og KI kommer til å hjelpe oss med å finne ut av hva vi kan gjøre når terapien ikke fungerer. Det er mer sannsynlig at det er dette som kommer til å skje i den nære fremtiden.
– Og vi kan forbedre systemene våre, slik at de er mindre skjeve og urettferdige?
– Ja, og mer presise.

Artikkelforfattere: