Applicazioni pratiche di machine learning/Diagnosi di malattie mentali
Diagnosi tramite descrizione sintomatologia
[modifica | modifica sorgente]Attraverso il modello di machine learning BERT che si trova qui : https://huggingface.co/edmundhui/mental_health_trainer è possibile descrivere in maniera discorsiva il proprio disagio psichico in inglese nell'apposita casella di testo, ottenendo una diagnosi psichiatrica con relativa accuracy.
Diagnosi tramite risposta ad alcune domande
[modifica | modifica sorgente]E' possibile ottenere sapere se si è affetti da un disturbo mentale oppure no, attraverso il modello di machine learning con algoritmo LinearDiscriminantAnalysis che si trova qui : https://huggingface.co/gianlab/model-mental-health-prediction, nel quale bisogna inserire dati tra cui il reddito, se si è disoccupati, l'età, sesso, stanchezza, difficoltà di concentrazione ecc. ottenendo una previsione con un'Accuracy del 83,58%
Esempio di codice R per la diagnosi di malattie mentali
[modifica | modifica sorgente]Caricamento librerie
[modifica | modifica sorgente] library(ggplot2)
library(dplyr)
library(statsr)
library(hashmap)
Parte 1 : Dati
[modifica | modifica sorgente]Il dataset scaricabile da qui : https://osmihelp.org/research è ricavato da un sondaggio del 2014, che misura le attitudini verso la salute mentale e la frequenza di disturbi mentali in ambienti di lavoro tecnologici. E' costituito da 1259 records contenenti ognuna 27 risposte, confluite nelle seguenti 27 variabili:
- Timestamp: Data della registrazione
- Age: Età del rispondente
- Gender: Sesso
- Country: Paese del rispondente
- state: Se vivi negli Stati Uniti, in quale stato o territorio risiedi?
- self_employed: Sei un lavoratore autonomo ?
- family_history: Hai una storia familiare di malattia mentale?
- treatment: Hai cercato un trattamento farmacologico o psicoterapeutico per problemi di salute mentale?
- work_interfere: Se hai un problema di salute mentale, questo interferisce con il tuo lavoro?
- no_employees: Quanti impiegati ha la tua azienda o organizzazione?
- remote_work: Lavori in remoto al di fuori dell'ufficio per almeno il 50% del tempo?
- tech_company: Il tuo datore di lavoro è principalmente un'azienda oppure un' organizzazione tecnologica?
- benefits: Il tuo datore di lavoro offre benefits per la salute mentale?
- care_options: Conosci le possibilità di assistenza per la salute mentale offerte dal tuo datore di lavoro??
- wellness_program: Il tuo datore di lavoro ha mai discusso di salute mentale nell'ambito di un programma di benessere per i dipendenti?
- seek_help: il tuo datore di lavoro fornisce risorse per saperne di più sui problemi di salute mentale e su come chiedere aiuto?
- anonymity: il tuo anonimato è protetto se scegli di utilizzare le risorse per la salute mentale o contro l'abuso di sostanze?
- leave: quanto è facile per te prendere un congedo medico per un problema di salute mentale??
- mentalhealthconsequence: Pensi che discutere di un problema di salute mentale con il tuo datore di lavoro avrebbe conseguenze negative?
- physhealthconsequence: Pensi che discutere di un problema di salute fisica con il tuo datore di lavoro avrebbe conseguenze negative?
- coworkers: Saresti disposto a discutere di un problema di salute mentale con i tuoi colleghi?
- supervisor: Saresti disposto a discutere un problema di salute mentale con i tuoi diretti supervisori?
- mentalhealthinterview: Faresti emergere un problema di salute mentale con un potenziale datore di lavoro in un'intervista?
- physhealthinterview: faresti emergere un problema di salute fisica con un potenziale datore di lavoro in un'intervista?
- mentalvsphysical: ritieni che il tuo datore di lavoro prenda in considerazione la salute mentale tanto seriamente quanto la salute fisica?
- obs_consequence: hai sentito parlare o hai osservato conseguenze negative per i colleghi con problemi di salute mentale sul posto di lavoro?
- comments: eventuali note o commenti aggiuntivi
Si crea una nuova variabile sex, a partire dalla variabile gender, che può assumere soltanto 3 valori : Maschio, Femmina e Trans .
male_str <- c("male", "m", "male-ish", "maile", "mal", "male (cis)", "make", "male ", "man","msle", "mail", "malr","cis man")
trans_str <- c("trans-female", "something kinda male?", "queer/she/they", "non-binary","nah", "all", "enby", "fluid", "genderqueer", "androgyne", "agender", "male leaning androgynous", "guy (-ish) ^_^", "trans woman", "neuter", "female (trans)", "queer", "ostensibly male, unsure what that really means" )
female_str <- c("cis female", "f", "female", "woman", "femake", "female ","cis-female/femme", "female (cis)", "femail")
df <- data.frame(str=male_str,gender="Maschio")
df <- rbind(df,data.frame(str=trans_str,gender="Trans"))
df <- rbind(df,data.frame(str=female_str,gender="Femmina"))
map <-hashmap(as.character(df$str),as.character(df$gender))
n<-nrow(survey)
v<- rep(NA,n)
for (i in 1:n) {
v[i]<-map[[tolower(survey[i,3])]]
}
survey <- cbind(survey,sex=v)
Gestione dei valori mancanti:
colSums(is.na(survey))
survey <- survey[-which(is.na(survey$sex)),]
survey$work_interfere <- as.character(survey$work_interfere)
survey$work_interfere[is.na(survey$work_interfere)] <- "No"
survey$work_interfere <- as.factor(survey$work_interfere)
Parte 2 : Domanda di ricerca
[modifica | modifica sorgente]Predicendo la variabile treatment a partire dalle variabili family_history, work_interfere e sex si vuole effettuare una diagnosi del disturbo mentale utilizzando come predictors il sesso, se si ha una storia familiare di malattia mentale e se il disagio mentale interferisce con il lavoro, utilizzando l'algoritmo di machine learning Random Forest.
Parte 3 : Esplorazione dei dati
[modifica | modifica sorgente]Come si vede dal seguente grafico nel campione il numero di persone in trattamento farmacologico o psicoterapico che hanno una storia familiare di malattia mentale è maggiore di chi è sano mentalmente:
survey %>%
ggplot(aes(treatment, fill=family_history))+
geom_bar()
Come si vede dal seguente grafico nel campione chi ha un problema di salute mentale ha maggiori problemi in ambito lavorativo:
survey %>%
filter(!is.na(work_interfere)) %>%
ggplot(aes(treatment, fill=work_interfere))+
geom_bar()
Parte 4 : Modellizzazione e diagnosi
[modifica | modifica sorgente]Si divide il dataset in un training set con 879 osservazioni ed un testing set con 375 osservazioni . Sul training set si costruisce un modello previsionale per diagnosticare un disturbo mentale a partire dalle variabili sex, work_interfere e family_history, utilizzando l'algoritmo Random Forest e lo si prova sul testing set, ottenendo un'Accuracy nella diagnosi dell'82,67%
train <- createDataPartition(survey$treatment, p=0.7, list = FALSE)
training <- survey[train,]
testing <- survey[-train,]
model <- train( treatment ~ sex + family_history + work_interfere, data=training, method="rf")
p1 <- predict(model,newdata = testing)
print(confusionMatrix(p1,testing$treatment))
Confusion Matrix and Statistics
Reference
Prediction No Yes
No 131 10
Yes 55 179
Accuracy : 0.8267
95% CI : (0.7845, 0.8636)
No Information Rate : 0.504
P-Value [Acc > NIR] : < 2.2e-16
Kappa : 0.6526
Mcnemar's Test P-Value : 4.828e-08
Sensitivity : 0.7043
Specificity : 0.9471
Pos Pred Value : 0.9291
Neg Pred Value : 0.7650
Prevalence : 0.4960
Detection Rate : 0.3493
Detection Prevalence : 0.3760
Balanced Accuracy : 0.8257
'Positive' Class : No
Esempio di diagnosi
[modifica | modifica sorgente]Si prenda ad esempio un uomo con una storia familiare di disagio psichico che interferisce spesso con la vita lavorativa, allora per il modello c'è un problema mentale :
predict(model,newdata = data.frame(sex="Maschio",family_history="Yes", work_interfere="Often"))
[1] Yes Levels: No Yes