L'algoritmo di intelligenza artificiale può aiutare a identificare i giovani senzatetto a rischio di abuso di sostanze

Un algoritmo di intelligenza artificiale (AI) sviluppato da un team di ricerca del College of Information Sciences and Technology della Penn State potrebbe aiutare a prevedere la suscettibilità al disturbo da uso di sostanze tra i giovani senzatetto e suggerire programmi di riabilitazione personalizzati per questi individui altamente vulnerabili.

Sebbene molti programmi siano stati implementati per affrontare la prevalenza dell'abuso di sostanze tra i giovani senzatetto negli Stati Uniti, pochi o nessuno hanno incluso approfondimenti basati sui dati sui fattori ambientali e psicologici che potrebbero contribuire alla probabilità di una persona di sviluppare un disturbo da uso di sostanze.

"La prevenzione proattiva del disturbo da uso di sostanze tra i giovani senzatetto è molto più desiderabile delle strategie di mitigazione reattiva come i trattamenti medici per il disturbo e altri interventi correlati", ha detto Amulya Yadav, assistente professore di scienze e tecnologia dell'informazione e ricercatore principale del progetto. "Sfortunatamente, la maggior parte dei precedenti tentativi di prevenzione proattiva è stata ad-hoc nella loro implementazione".

Maryam Tabar, studentessa di dottorato in informatica e autrice principale dell'articolo, ha aggiunto: "Per assistere i responsabili politici nell'elaborazione di programmi e politiche efficaci in modo basato sui principi, sarebbe utile sviluppare soluzioni di intelligenza artificiale e apprendimento automatico in grado di scoprire automaticamente un set completo dei fattori associati al disturbo da uso di sostanze tra i giovani senzatetto ".

I risultati sono stati presentati alla conferenza Knowledge Discovery in Databases (KDD).

Per il progetto, il team di ricerca ha costruito il modello utilizzando i dati raccolti da circa 1.400 giovani senzatetto, di età compresa tra 18 e 26 anni, in sei stati degli Stati Uniti.

I dati sono stati raccolti dal Research, Education and Advocacy Co-Lab for Youth Stability and Thriving (REALYST), che comprende Anamika Barman-Adhikari, assistente professore di lavoro sociale presso l'Università di Denver e coautrice dell'articolo.

Il team di ricerca ha quindi identificato i fattori ambientali, psicologici e comportamentali legati al disturbo da uso di sostanze, come la storia criminale, le esperienze di vittimizzazione e le caratteristiche di salute mentale.

Hanno scoperto che le esperienze avverse dell'infanzia e la vittimizzazione fisica per strada erano più fortemente legate al disturbo da uso di sostanze rispetto ad altri tipi di vittimizzazione, come la vittimizzazione sessuale, tra i giovani senzatetto.

Inoltre, è stato riscontrato che il disturbo da stress post-traumatico (PTSD) e la depressione sono più fortemente associati al disturbo da uso di sostanze rispetto ad altri disturbi di salute mentale in questa popolazione.

Successivamente, il team ha diviso il proprio set di dati in sei set di dati più piccoli per esaminare le differenze geografiche. Hanno addestrato un modello separato per prevedere il disturbo da uso di sostanze tra i giovani senzatetto in ciascuno dei sei stati, che hanno condizioni ambientali variabili, politiche di legalizzazione della droga e associazioni di gang. Secondo Tabar, il team ha riscontrato diverse variazioni specifiche della località nel livello di associazione di alcuni fattori.

"Osservando ciò che il modello ha appreso, possiamo scoprire efficacemente i fattori che possono svolgere un ruolo correlativo con le persone che soffrono di disturbo da abuso di sostanze", ha detto Yadav. "E una volta che conosciamo questi fattori, siamo in grado di prevedere molto più accuratamente se qualcuno soffre di uso di sostanze".

Ha aggiunto: "Quindi, se un pianificatore politico o un interventista dovesse sviluppare programmi che mirano a ridurre la prevalenza del disturbo da abuso di sostanze, questo potrebbe fornire linee guida utili".

Altri autori del documento KDD includono Dongwon Lee, professore associato, e Stephanie Winkler, studentessa di dottorato, entrambi al Penn State College of Information Sciences and Technology; e Heesoo Park della Sungkyunkwan University.

Yadav e Barman-Adhikari stanno lavorando a un progetto simile attraverso il quale hanno sviluppato un agente software che progetta programmi di riabilitazione personalizzati per i giovani senzatetto alle prese con la dipendenza da oppioidi. I risultati della loro simulazione mostrano che l'agente software - chiamato CORTA (Comprehensive Opioid Response Tool Driven by Artificial Intelligence) - supera i valori di riferimento di circa il 110% nel ridurre al minimo il numero di giovani senzatetto che soffrono di dipendenza da oppioidi.

"Volevamo capire quali sono i problemi causali dietro le persone che sviluppano la dipendenza da oppiacei", ha detto Yadav. "E poi abbiamo voluto assegnare a questi giovani senzatetto il programma di riabilitazione appropriato".

Yadav spiega che i dati raccolti da oltre 1.400 giovani senzatetto negli Stati Uniti sono stati utilizzati per costruire modelli di intelligenza artificiale per prevedere la probabilità di dipendenza da oppioidi tra questa popolazione. Dopo aver analizzato i problemi che potrebbero essere la causa alla base della dipendenza da oppioidi - come la storia dell'affido o l'esposizione alla violenza di strada - CORTA risolve nuove formulazioni di ottimizzazione per assegnare programmi di riabilitazione personalizzati.

"Ad esempio, se una persona ha sviluppato una dipendenza da oppioidi perché era isolata o non aveva una cerchia sociale, allora forse come parte del suo programma di riabilitazione dovrebbe parlare con un consulente", ha spiegato Yadav.

"D'altra parte, se qualcuno ha sviluppato una dipendenza perché era depresso perché non riusciva a trovare un lavoro o a pagare le bollette, allora un consulente professionale dovrebbe far parte del piano di riabilitazione".

Yadav ha aggiunto: "Se tratti la condizione solo dal punto di vista medico, una volta che tornano nel mondo reale, poiché il problema causale rimane ancora, è probabile che ricadano".

Fonte: Penn State