Cómo construir un #chatbot de salud #mental

 https://topflightapps.com/ideas/build-mental-health-chatbot/

Guía amigable para los fundadores para construir un chatbot de salud mental: análisis de enfoques alternativos

Konstantin Kalinin

 

31 de agosto de 2022

En este blog, nos encantaría hablar sobre los diferentes enfoques para desarrollar un chatbot mental. Siga leyendo para aprender cómo crear un bot terapéutico que realmente pueda ayudar a sus pacientes en lugar de decirles que se suiciden (más sobre eso a continuación). Discutiremos algunas de las mejores prácticas y varias herramientas a su disposición.

 

Principales conclusiones:

 

Tanto los pacientes como los terapeutas están de acuerdo en que los chatbots de salud mental podrían ayudar a los clientes a manejar mejor su propia salud mental. Al mismo tiempo, ningún chatbot puede reemplazar las interacciones humanas de la vida real con un profesional de la salud.

Los dos enfoques principales para desarrollar un chatbot terapéutico incluyen modelos abiertos y orientados a objetivos, con los correspondientes patrones de diálogo guiados y de flujo libre.

Algunas de las mejores herramientas para construir y mantener un chatbot de salud mental son DialogFlow y Rasa.

 

 

Tabla de contenido:

 

¿Qué es un chatbot de salud mental?

Beneficios de los chatbots mentales

¿Cómo funcionan los bots de salud mental?

Últimos desarrollos de PNL con respecto a los chatbots

¿Qué herramientas podemos usar para construir un chatbot mental?

Ejemplos de chatbots de salud mental exitosos

¿Qué es un chatbot de salud mental?

Los chatbots son programas informáticos que utilizan tecnologías de IA para imitar comportamientos humanos. Pueden entablar conversaciones de la vida real con personas analizando y respondiendo a sus comentarios. Los chatbots utilizan la conciencia contextual para comprender el mensaje del usuario y brindar una respuesta adecuada.

 

Los chatbots de salud mental brindan autoevaluación y pautas para ayudar a las personas a superar la depresión, el estrés, la ansiedad, los problemas para dormir, etc.

 

El software que muestra la inteligencia de un chatbot a los usuarios puede tomar muchas formas:

 

-aplicación móvil personalizada

-Mensajería instantánea

-experiencia en línea basada en avatar

La forma que elija para un bot mental dependerá principalmente de cómo imagina que sus pacientes interactúan con el programa.

 

Beneficios de los chatbots mentales

¿Por qué hay una necesidad de chatbots mentales? ¿Cuáles son los factores clave para que los terapeutas desarrollen un chatbot de salud mental y para que los pacientes lo usen?

 

ACCESIBILIDAD

En primer lugar, los chatbots ayudan a aliviar las barreras asociadas con el estigma de acceder a los servicios de salud psicológica y las barreras geográficas en el asesoramiento presencial. Brindan información instantánea las 24 horas del día, los 7 días de la semana y sirven excepcionalmente bien para aquellos que trabajan en turnos no convencionales.

 

Los usuarios disfrutan del anonimato que ofrecen los chatbots, ya que es más probable que revelen información confidencial a un chatbot que a un terapeuta humano (según un estudio reciente).

 

AHORRO DE COSTES

Los chatbots mentales también ofrecen ahorros de costos en forma de gastos de viaje y cargos telefónicos para los pacientes. En cuanto a los profesionales, pueden centrarse en personas en estado crítico y trabajar con datos de salud descubiertos por IA, lo que implica una mayor eficiencia.

 

COVID-19 PUSO A LOS CHATBOTS TERAPÉUTICOS EN UN MAPA

La pandemia de COVID-19 realmente puso a los chatbots en el centro de atención. La pandemia exacerbó la necesidad de asesores de salud mental, que rara vez estaban disponibles debido a la repentina afluencia de pacientes.

 

Al final resultó que, los proveedores de primera línea no están lo suficientemente bien capacitados para brindar apoyo psicológico de emergencia. Según una encuesta nacional de 2021, el 22 % de los adultos usaba un chatbot de salud mental y el 47 % dijo que estaría interesado en usar uno si fuera necesario.

 

Entre el grupo demográfico anterior, el 60% dijo que comenzó a usar durante COVID-19, y el 44% dijo que usa chatbots exclusivamente, es decir, sin hablar con un terapeuta humano.

 

¿CUÁL ES LA EVIDENCIA QUE RESPALDA LA EFICACIA DE LA IA PARA LA SALUD MENTAL EN GENERAL?

A corto plazo, los chatbots pueden mitigar el daño psicológico del aislamiento y permitir que las personas expresen sus inquietudes. Además, recibir apoyo emocional positivo puede afectar positivamente la salud mental de los pacientes.

 

Para aquellos que usaron chatbots, la mayoría de los encuestados tuvieron una experiencia positiva. Sin embargo, solo unos pocos profesionales y expertos los utilizaron. Aún así, según una encuesta reciente , la mayoría de los profesionales de la salud están de acuerdo en que los chatbots pueden ser útiles en el cuidado mental y piensan que son relativamente importantes.

 

Relacionado: Guía de desarrollo de aplicaciones de aprendizaje automático

 

¿Cómo funcionan los bots de salud mental?

Aquí hay una descripción general de alto nivel de una arquitectura de chatbot simple: la canalización para un sistema de diálogo:

 

arquitectura simple de chatbot Crédito de la imagen: Sowmya Vajjala et al., de “Practical Natural Language Processing”

 

Reconocimiento de voz

Dependiendo de cómo esté configurado el chatbot, usamos algoritmos listos para usar que transcriben la entrada del usuario en texto natural. Para los chatbots basados ​​en texto, este paso estaría excluido.

 

Comprensión del lenguaje natural

Este paso tiene como objetivo procesar la entrada del usuario utilizando el procesamiento de lenguaje natural. En pocas palabras, el sistema trata de captar la intención y el estado emocional del usuario (análisis de sentimiento). El software también intenta extraer varias entidades (parámetros/atributos) relacionadas con la entrada del usuario.

 

intención de las entidades

 

Administrador de diálogos y tareas

Este módulo trata de controlar el flujo del diálogo. Esto se basa en las diferentes piezas de información que se almacenan a lo largo de la conversación. En otras palabras, el administrador de diálogo desarrolla una estrategia (o reglas) para navegar de manera efectiva por el diálogo en función de la información ingresada por el usuario y el contexto general.

 

Generación de lenguaje natural

El administrador de diálogo decide cómo responder al usuario, y el módulo de generación de lenguaje natural crea una respuesta en un formato amigable para los humanos. Las respuestas pueden ser predefinidas o tener una forma más libre.

 

Síntesis de texto a voz

Como paso opcional, el módulo de síntesis de voz vuelve a convertir el texto en voz para que el usuario pueda escucharlo.

 

Últimos desarrollos de PNL con respecto a los chatbots

Los algoritmos de NLP de última generación suelen utilizar grandes redes neuronales (el llamado aprendizaje profundo) para aprender los matices del lenguaje y realizar tareas complejas con una intervención mínima (es decir, comprensión del lenguaje natural y generación de lenguaje natural).

 

Estos son los principales modelos utilizados en tales redes neuronales lingüísticas:

 

MODELO GENERATIVO

Le permite entrenar un modelo para generar (salida) resultados que tengan características similares a las que se han entrenado en el conjunto de datos.

 

modelo generativo


Parte de este proceso involucra el modelado del lenguaje. Esencialmente, estamos tratando de responder: "¿Cómo podemos predecir mejor la siguiente secuencia de palabras (resultados) dada una secuencia inicial de palabras?"

 

Ejemplo : si entrena el modelo con suficientes datos de "terapia", la implicación es que el modelo actuará de manera estadísticamente consistente con lo que diría un "terapeuta".

 

MODELO PREENTRENADO

Entrena el modelo en un corpus de datos mucho más general y luego aplica un conjunto de datos anotados más pequeño para que el modelo pueda ajustarse en función de los detalles de su problema.

 

modelo preentrenadoEjemplo : los modelos grandes de NLP generalmente se entrenan en cantidades masivas de datos (corpus) que se encuentran en Internet. El modelo puede aprender a responder de forma más adecuada si tenemos un conjunto de datos más dedicado en el que centrarse (es decir, además de la gran base de conocimientos generales a partir de la cual se entrena previamente el modelo).

 

MODELO DE TRANSFORMADOR

Modelo de red neuronal que intenta tener en cuenta cómo se usan las palabras en contexto (en lugar de una sola palabra a la vez). Este modelo puede rastrear la relación entre las palabras en una oración y decidir qué partes de la secuencia de palabras merecen atención.

 

¿Qué herramientas podemos usar para construir un chatbot mental?

¿Qué herramientas serían las más apropiadas para construir un chatbot de salud mental? Depende de una serie de factores, que incluyen pero no se limitan a:

 

¿Si la conversación está orientada a objetivos o si queremos que sea más abierta?

Si la conversación está orientada a objetivos, ¿ya tenemos trazado el flujo de la conversación?

¿Cuántos datos conversacionales de la vida real tenemos a mano?

¿Qué características generales buscamos? ¿Estas características vienen listas para usar o tienen que ser hechas a la medida, específicas para la aplicación?

¿Con qué plataformas queremos integrar el chatbot (por ejemplo, aplicación móvil, aplicación web, mensajería, etc.)?

Algunos sistemas de creación de chatbots, por ejemplo, DialogFlow, vienen con ciertas integraciones listas para usar.

 

¿Necesitamos funciones como voz a texto (STT) o texto a voz (TTS)?

¿El chatbot necesita ser compatible con varios idiomas?

¿El chatbot necesita realizar llamadas a la API de back-end para usar datos recopilados o externos?

¿Qué tipo de análisis planeamos recopilar?

CONSTRUCCIÓN DE BOTS TERAPÉUTICOS ORIENTADOS A OBJETIVOS

Considere usar un chatbot orientado a objetivos si desea guiar a su paciente a través de un conjunto fijo de preguntas (o procedimientos) durante una sesión de asesoramiento. También debe considerar este enfoque si tiene datos de conversación muy limitados o necesita una protección explícita para enmarcar cómo fluiría la conversación.

 

FLUJO DE DIÁLOGO

DialogFlow es una de las plataformas en la nube de creación de diálogos más populares de Google. Podemos usar la interfaz de usuario web de DialogFlow para comenzar con el desarrollo de inmediato (se requiere una codificación o instalación inicial mínima). Luego, para escenarios más avanzados, proporcionan la API de DialogFlow para crear agentes conversacionales avanzados.

 

FLUJO DE DIÁLOGO ES

En términos generales, trazamos cómo se puede desarrollar una conversación potencial. Luego, DialogFlow usa NLP para comprender la intención del usuario (y recopilar entidades) y, en base a eso, da las respuestas apropiadas.

 

flujo de diálogo ESLa NLU mejora a medida que recopilamos más datos de conversación. El flujo de conversación se mantiene en función de cómo DialogFlow realiza un seguimiento explícito del contexto. La versión ES se basa en reglas y está destinada a cubrir aplicaciones más sencillas.

 

Lea también: Cómo desarrollar una aplicación de procesamiento de lenguaje natural

 

Las respuestas son generalmente estáticas (es decir, basadas en opciones predefinidas). Sin embargo, las respuestas se pueden hacer más dinámicas llamando a las API de back-end de la plataforma con solicitudes de webhook. Así es como funciona DialogFlow en el back-end:

 

flujo de diálogo

 

 (Crédito de la imagen: Lee Boonstra, de "La guía definitiva para la IA conversacional con Dialogflow y Google Cloud")

 

Me gustaría enfatizar que la plataforma tiene las funciones más necesarias listas para usar, pero la contrapartida es que DialogFlow es un sistema cerrado y requiere comunicaciones en la nube. En otras palabras, no podemos operarlo usando servidores locales.

 

Algunas de las características destacadas que vienen listas para usar incluyen:

 

soporte para voz a texto y texto a voz

opciones para revisar y validar su solución de chatbot

integraciones a través de múltiples plataformas

análisis incorporado

FLUJO DE DIÁLOGO CX

Mientras que DialogFlow ES debe reservarse para chatbots simples (es decir, si es una empresa nueva o pequeña), recomendamos usar DialogFlow CX para chatbots más complejos o al desarrollar una aplicación empresarial. Los principios básicos detrás de ES todavía se aplican a CX.

 

Así es como DialogFlow CX lo ayuda a crear un chatbot de salud mental más avanzado:

 

admite flujos grandes y complejos (cientos de intentos)

múltiples ramas de conversación

diálogo repetible, comprensión de la intención y el contexto de expresiones largas

trabajar con equipos que colaboran en grandes implementaciones

flujo de diálogo CX

 

RASA

En general, Rasa se usaría en escenarios donde la personalización es una prioridad. La compensación detrás de esta personalización es que se requiere más conocimiento tecnológico (por ejemplo, Python) para usar estos componentes. Además, requiere más configuración inicial (incluida la instalación de varios componentes) en comparación con el uso de DialogFlow (configuración inicial mínima o nula).

 

También debe tener en cuenta que Rasa no tiene componentes de interfaz de usuario o los tiene mínimos que vienen listos para usar.

 

Rasa tiene dos componentes principales: Rasa NLU y Rasa Core

 

RASA NLU

Rasa NLU es fundamentalmente similar a cómo funciona DialogFlow ES. La plataforma puede hacer coincidir las intenciones del usuario y recopilar entidades/parámetros durante las conversaciones. La comprensión del lenguaje natural mejora con la recopilación y el análisis de más datos de conversación.

 

Los componentes de NLU están diseñados con personalización en línea al construir la canalización: podemos intercambiar componentes en diferentes etapas según el caso de uso o las necesidades de la aplicación:

 

NLU

 

NÚCLEO RASA

Rasa Core tiene un sistema de gestión de diálogos más sofisticado en comparación con DialogFlow. El diálogo en Rasa se basa más explícitamente en las historias, lo que organiza el orden de la intención, la acción y los parámetros que se recopilan durante el desarrollo del modelo. También es posible entretejer varias historias juntas usando una lógica personalizada.

 

historias rasas

 

Dado que Rasa es un marco que prioriza el código, existe un mayor grado de flexibilidad sobre cómo puede diseñar conversaciones en comparación con DialogFlow. En general, las respuestas son estáticas (opciones predefinidas), pero se pueden hacer más dinámicas mediante llamadas a la API.

 

Aquí hay algunas características adicionales que puede esperar de Rasa:

 

más flexibilidad en la importación de datos de entrenamiento en múltiples formatos

bibliotecas de código abierto

alojable en sus propios servidores

Rasa Enterprise incluye análisis

Además, tenga en cuenta estas características de las que carece la plataforma Rasa:

 

no se proporciona alojamiento

sin integraciones listas para usar

sin conversión de voz a texto o de texto a voz (opcionalmente, bibliotecas de terceros)

CREACIÓN DE BOTS TERAPÉUTICOS ABIERTOS

Recomendamos crear un chatbot abierto si desea que las conversaciones sean más charlas (es decir, un terapeuta de inteligencia artificial que proporcione conversaciones abiertas y empáticas para aquellos que están pasando por un momento difícil).

 

Se recomienda enfáticamente que tenga algunos datos conversacionales con los que trabajar para ajustar el modelo y minimizar el riesgo de que un modelo transformador (más sobre eso a continuación) genere respuestas inapropiadas.

 

Afortunadamente, las plataformas GPT-3 y BlenderBot funcionan decentemente desde el primer momento para crear agentes de diálogo abiertos, pero se aprovecha al máximo cualquiera de los modelos con ajustes finos. Eso es necesario para minimizar el riesgo de respuestas inapropiadas.

 

MODELOS BASADOS ​​EN GPT

GPT-3 utiliza un modelo de transformador que se entrena en grandes corpus de texto en Internet. En términos de datos de entrenamiento, los modelos GPT-3 se entrenan en una variedad de texto como Wikipedia, corpus de libros y varias páginas web (por ejemplo, de alta calidad como WebText2 y petabytes de datos como Common Crawl).

 

GPT-3 se considera un cambio de juego en el campo de NLP AI, ya que puede usarse para una gran cantidad de tareas de NLP:

 

clasificación de texto

resumen de texto

generación de texto, etc. en lugar de una sola tarea específica

Fundamentalmente, GPT-3 de OpenAI cambia la forma en que pensamos acerca de la interacción con los modelos de IA. La API de OpenAI ha simplificado drásticamente la interacción con los modelos de IA al eliminar la necesidad de numerosos lenguajes y marcos de programación complicados.

 

La calidad de la finalización que recibe está directamente relacionada con el mensaje de capacitación que proporciona. La forma en que organiza y estructura sus palabras juega un papel importante en el resultado. Por lo tanto, comprender cómo diseñar un aviso efectivo es crucial para desbloquear todo el potencial de GPT-3.

 

gpt 3

 

#GPT-3 brilla mejor cuando:

 

Suminístrelo con el indicador apropiado

Ajuste el modelo en función de las características específicas del problema en cuestión

Relacionado: Chatbots médicos: casos de uso en la industria de la salud

 

Además, tenga en cuenta algunos de los inconvenientes al considerar GPT-3 para hacer un chatbot de salud mental:

 

sesgo de IA

Dado que GPT-3 se entrena con grandes cantidades de datos, existe el riesgo de que use un lenguaje tóxico o diga cosas incorrectas (es decir, que reflejen el conjunto de datos que se usa para el entrenamiento). Por ejemplo, aquí hay una historia en la que un bot basado en GPT-3 acordó que un paciente falso debería suicidarse. Afortunadamente, este problema se puede abordar mediante un ajuste cuidadoso (es decir, volviendo a entrenar el modelo en conjuntos de datos enfocados para que pueda emular el comportamiento de conversación adecuado).

 

OpenAI tiene una tendencia a restringir el acceso a la API para aplicaciones de mayor riesgo. Necesitará permiso para usar su tecnología GPT-3 en una aplicación en vivo.

Considere las plataformas en línea como alternativas de GPT, como Forefront , que le permiten aprovechar sus recursos informáticos con facilidad/restricciones mínimas si lo anterior plantea un problema.

 

declaración de vanguardia

También puede considerar otras alternativas, como GPT-2 (es decir, una iteración anterior) o posiblemente DialoGPT para el entrenamiento del modelo fuera de línea y usar el ajuste fino si es necesario. 

Desafortunadamente, la contrapartida es que los modelos anteriores tienen menos parámetros. Y así, la profundidad y la calidad de las respuestas pueden ser menos impresionantes en comparación con GPT-3.

 

Aquí hay un prototipo de chatbot terapéutico que armamos en Topflight, usando un modelo GPT-3.

 

BlenderBot es una plataforma de creación de chatbots de Facebook. Su modelo de transformador fue entrenado en grandes cantidades de datos conversacionales.

 

Los principales puntos de venta de BlenderBot incluyen optimizaciones para tener una personalidad, ser empático, mostrar un uso atractivo del conocimiento basado en un conjunto de datos personalizado y combinar a la perfección todas estas cualidades.

 

Facebook se esfuerza por mantener el sistema adaptable a escenarios en los que el tono de la persona cambia de una broma a una seriedad. Por lo tanto, las versiones posteriores de BlenderBot codifican la información recuperada durante las conversaciones en la memoria a largo plazo (es decir, usan un conjunto de entrenamiento dedicado y una sesión de chat múltiple). Además, la plataforma puede buscar información en Internet e integrar ese conocimiento en conversaciones en tiempo real.

 

El enfoque más accesible para crear un agente basado en BlenderBot es usar un servicio en línea como Forefront . Alternativamente, las API de BlenderBot se pueden encontrar aquí para realizar ajustes sin conexión. Sin embargo, los recursos computacionales para ejecutar estos modelos son muy exigentes. Recomiendo ir con una opción en línea.

 

Ejemplos de chatbots de salud mental exitosos

Repasemos algunos chatbots mentales exitosos que existen.

 

RÉPLICA

Replika es un compañero de chatbot personal de IA desarrollado en 2017 por Kuyda. El propósito de la aplicación es permitir que el usuario establezca una conexión emocional con su chatbot personalizado y desarrolle una relación única para las necesidades individuales de la persona.

 

ejemplo de chatbot de salud mental Replika

Los usuarios pueden nombrar a su compañero y seleccionar sus características, como el peinado, el color de la piel, la ropa, etc. A partir de ahí, el chatbot formulará gradualmente respuestas más específicas en función de sus interacciones con él.

 

¿Cómo funciona Replica?

 

Inicialmente, estaba completamente programado en base a scripts con los que el ingeniero tenía que trabajar. Sin embargo, gradualmente, el equipo se volvió más dependiente del uso de una red neuronal (su propio modelo GPT-3) a medida que recopilaban más datos de conversación de los usuarios finales. Como resultado, su sistema ahora usa una combinación de respuestas con guión y de IA.

 

AYBOT

Desarrollado en 2017 en Stanford por un equipo de psicólogos y expertos en IA, utiliza PNL y CBT (terapia conductual cognitiva) cuando conversa con el usuario sobre cómo ha sido su vida durante una conversación de diez minutos (máximo).

 

Realiza un seguimiento de todos los textos y emojis, por lo que las respuestas se vuelven más específicas con el tiempo (haciendo referencia a conversaciones anteriores).

 

ejemplo de chatbot mental Woebot

Woebot se creó inicialmente para apuntar a adultos jóvenes en la universidad y la escuela de posgrado y está disponible en iOS y Android, no pretende reemplazar la terapia real.

 

Los primeros resultados muestran que los estudiantes universitarios que interactuaron con Woebot redujeron significativamente los síntomas de depresión en dos semanas.

 

Recaudó más de 90 millones de dólares en fondos de la serie B a partir de junio de 2021 y recibió la designación de dispositivo innovador de la FDA en mayo de 2021 para tratar la depresión posparto.

 

WYZA

Desarrollado en 2015 en India para facilitar el asesoramiento basado en los principios de CBT y mindfulness → generalmente disponible a través de individuos bajo un modelo freemium y a través de programas de beneficios para empleadores. 

El chatbot recomienda ejercicios específicos en función de la dolencia del usuario.

 

Intenta abordar la necesidad de triaje de salud mental en países de bajos ingresos (escasez de especialistas en salud mental) y países de altos ingresos (listas de espera de 6 a 12 meses antes de que un paciente obtenga ayuda).

 

ejemplo de chatbot terapéutico WyzaRecaudó 20 millones de dólares en fondos de la serie B en 2022 para expandir su negocio y ampliar el soporte multilingüe.

 

El grupo demográfico objetivo generalmente son aquellos en el "medio perdido", donde las aplicaciones de atención plena no son suficientes pero no necesitan una evaluación psiquiátrica o médica.

 

Wyza fue admitido en la Designación de dispositivo innovador de la FDA en 2022. Los ensayos clínicos muestran que es "igual de comparable a la asesoría psicológica en persona".

 

X2AI

Chatbot de salud mental impulsado por IA escrito por psicólogos. El bot proporciona chats de autoayuda a través de cambios en los mensajes de texto, similar a enviar mensajes de texto con un amigo o un entrenador.

 

Más de 29 millones de personas tienen acceso de pago (consulte su sitio web).

 

Ejemplo de chatbot mental de Tess by x2AI

 

En 2016, comenzaron a usar estos chatbots para brindar apoyo mental a los refugiados durante la guerra de Siria.

 

X2AI también tiene como objetivo apuntar a veteranos y pacientes con PTSD. Hay un tesoro oculto de investigación que muestra que su chatbot ha reducido los síntomas de depresión.

 

Recaudó fondos de serie A (no revelados) en 2019.

 

Lea también: Cómo construir un chatbot

 

Si desea discutir su idea de chatbot terapéutico con una empresa que prioriza el crecimiento de su negocio además del desarrollo de productos, contáctenos aquí .

 


No hay comentarios:

Publicar un comentario

Cómo construir un #chatbot de salud #mental

 https://topflightapps.com/ideas/build-mental-health-chatbot/ Guía amigable para los fundadores para construir un chatbot de salud mental: a...