آخرین مطالب

هوش مصنوعی برای افزایش کیفیت درمان، به کمک روانشناسان می‌آید.

کوین کاولی خاطرات زیادی از پانزدهم آوریل سال ۱۹۸۹ دارد. او با اتوبوس به استادیوم هیلزبورو در شفیلد انگلستان رفته بود تا بازی نیمه‌نهایی بین تیم‌های ناتینگهام فارست و لیورپول را تماشا کند. بعدازظهر یک روز آفتابی زیبا بود و طرفداران دو تیم استادیوم را پر کرده بودند.

فشار جمعیت به‌قدری زیاد بود که کاولی نمی‌توانست دستانش را از جیبش بیرون بیاورد. او دقیقاً به یاد دارد که وقتی تیمش به گل نزدیک بود، حرکت ناگهانی جمعیت باعث شد تا مانع امنیتی پشت سرش بشکند. تعداد زیادی از تماشاگران سقوط کردند و روی یکدیگر افتادند. کاولی هم از جمله همین افراد بود. او بین تماشاچیان مرده یا در حال مرگ بیدار شد، اما بدنش زیر وزن اجساد، در حال خرد‌شدن بود. کاولی بوی ادرار و عرق و صدای گریه‌ها را به یاد دارد. به یاد دارد که چشمانش روی مردی که کنارش تقلا می‌کرد، قفل شده بود و بعد برای نجات خودش، روی او ایستاد. هنوز نمی‌داند که آیا آن مرد هم یکی از ۹۴ جان‌باختهٔ آن حادثه است یا خیر.

این خاطرات، کاولی را در کل دورهٔ بزرگسالی عذاب داده‌اند. برای ۳۰ سال، یادآوری آن روز و بی‌خوابی بعد از حادثه او را رها نکرده‌اند. او برای کارکردن هم دچار مشکل شده اما از صحبت‌کردن با همسرش خجالت می‌کشد. کاولی سعی کرد با مصرف مشروبات الکلی از این خاطرات دوری کند. در سال ۲۰۰۴ پزشکی او را به یک روانشناس معرفی کرد اما این کار هم کمکی نکرد و کاولی بعد از چند جلسه، درمان را رها کرد.

اما دو سال پیش او به یک پوستر تبلیغاتی روان‌درمانی از طریق اینترنت برخورد کرد و تصمیم گرفت یک بار دیگر شانس خودش را امتحان کند. بعد از چندین جلسه گفتگوی متنی با درمانگرش، کاولی که حالا ۴۹ ساله شده، بالاخره از اختلال استرس شدید پس از حادثه رها شد. اندرو بلک‌ول، مدیر علمی ارشد کلینیک روان‌درمانی انگلیسی Ieso که کاولی را درمان می‌کند می‌گوید: “واقعاً خارق العاده است که چطور چند کلمه حرف می‌تواند زندگی یک انسان را عوض کند.”

آنچه که در فرایند این روش درمانی اهمیت دارد، بیان کلمات مناسب در زمان مناسب است. بک‌ول و همکارانش در Ieso پیشگام روش جدیدی برای درمان سلامت روانی شده‌اند که در آن زبان مورد استفاده در جلسات درمان توسط هوش مصنوعی مورد تحلیل قرار می‌گیرد. هدف، استفاده از تکنولوژی پردازش زبان‌های طبیعی (NLP[1]) برای تشخیص قسمت‌هایی از گفتگو میان بیمار و درمانگر – نوع گفتگو و مبادلهٔ اطلاعات – است که به‌نظر می‌رسد در درمان اختلالات مختلف کارآمدتر بوده‌اند.

این فناوری اطلاعات مفیدی درباره فرایند درمان در اختیار روانشناسان فراهم می‌کند و به آنها کمک می‌کند تا کیفیت درمان را در سطح استاندارد مناسبی حفظ کرده و به بیماران کمک کنند. با توجه به کمبود نیرو در حوزهٔ سلامت و مراقبت‌های بهداشتی، وجود یک سیستم خودکار کنترل کیفیت می‌تواند به کلینیک‌ها برای پاسخگویی به این نیاز کمک کند.

همچنین این روش می‌تواند به تشخیص نوع درمان مناسب در همان مراحل ابتدایی کمک کند، موضوعی که محققان و متخصصان هنوز هم سوالات بسیار زیادی درباره آن دارند. رسیدن به یک درک جدید درباره عناصر مؤثر و فعال در درمان، می‌تواند مسیر طراحی درمان‌های شخصی سازی شده را باز کند تا پزشکان درمان‌های روانشناسی را متناسب با شرایط هر بیمار تنظیم کنند، درست مثل آنچه که هنگام تجویز دارو انجام می‌شود.

ایجاد راهی با کلمات

موفقیت درمان و مشاوره در نهایت بستگی به کلماتی دارد که بین دو طرف مبادله می‌شوند. علیرغم اینکه روان‌درمانی نوین دهه‌ها سابقه دارد، اما هنوز هم چیزهای زیادی هستند که دربارهٔ طرز کار آن نمی‌دانیم. به‌طور کلی بسیار مهم است که درمانگر و مراجعه‌کننده ارتباط خوبی با هم داشته باشند، اما پیش‌بینی اینکه آیا یک تکنیک خاص که برای یک بیماری استفاده شده باز هم به نتیجه مطلوب منجر می‌شود یا خیر، کار بسیار سختی است. کیفیت روان‌درمانی در مقایسه با درمان‌هایی که برای مشکلات فیزیکی استفاده می‌شوند، بسیار پایین است و از زمان شکل‌گیری این درمان‌ها، کیفیت بهبود بیماران ثابت مانده و در بعضی از موارد حتی ضعیف تر از قبل شده است.

محققان سال‌ها سعی کرده‌اند با مطالعه گفتاردرمانی (یا گفتگو درمانی) اسرار جدیدی را از اینکه چرا بعضی از روانشناسان نسبت به بقیه بیشتر به موفقیت می‌رسند، برملا کنند. تجربه و حس درونی درمانگران مجرب نشان می‌دهد که این کار یک هنر و یک علم است. درک و ارزیابی کامل اینکه چه روشی کار می‌کند و چرا؟ هرچند که این امر تا امروز تقریباً غیرممکن بوده است. زک ایمل که او هم محقق روانشناسی در دانشگاه یوتا آمریکاست، در گذشته تلاش کرده تا نوشته‌های درمانگران در جلسات درمانی را به صورت دستی تحلیل و بررسی کند. او می‌گوید “این کار تا ابد زمان می‌برد و حجم نمونه‌ها بسیار کم است. طی چندین دهه که به این کار مشغول بودیم، چیز زیادی کشف نکردیم.”

اما حالا، هوش مصنوعی در حال برهم‌زدن این معادله است. مدلی از هوش مصنوعی که برای ترجمه خودکار استفاده می‌شود، قادر است به سرعت حجم انبوهی از گفتار را تحلیل کند. به این ترتیب محققان به منبعی بی‌پایان و استفاده‌نشده از داده‌های مفید دسترسی خواهند داشت، یعنی زبانی که درمانگر از آن استفاده می‌کند.

محققان معتقدند که می‌توانند از این داده‌ها به ارتقای سطح درمان کمک کنند. نتیجه این شرایط، کمک به بهبود بیماران بیشتر، برای مدتی طولانی‌تر است.

بک‌ول و همکارانش تنها اشخاصی نیستند که این دیدگاه را دنبال می‌کنند. شرکتی در آمریکا به اسم Lyssn در حال طراحی فناوری مشابهی است. Lyssn توسط ایمل و دیوید اتکیز تأسیس شده که در دانشگاه واشنگتن مشغول به مطالعه یادگیری ماشینی و روانشناسی است.

هر دو گروه هوش مصنوعی‌های خودشان را با نوشته‌های درمانگران در جلسات درمان آموزش داده‌اند. برای آموزش‌دادن مدل‌های NLP، چند صد دست‌نوشته به صورت دستی حاشیه‌نویسی شدند تا نقش کلمات بیان شده توسط درمانگران و بیماران را در هر نقطه خاص از جلسه مشخص کنند. مثلاً ممکن است یک جلسه با خوشامدگویی به مراجعه کننده توسط درمانگر شروع شده و بعد شروع به گفتگو درباره حس و حال بیمار کنند. بعد از آن ممکن است درمانگر به مشکلات بیمار اشاره کرده و از او بپرسد که آیا کارهای توصیه شده در جلسه قبلی را انجام داده یا خیر و به همین ترتیب.

این تکنولوژی مثل یک الگوریتم تحلیل احساس کار می‌کند که می‌تواند تشخیص دهد آیا نظر کاربران درباره یک فیلم مثبت بوده یا منفی یا یک ابزار ترجمه که یاد می‌گیرد چطور بین کلمات انگلیسی و چینی ارتباط برقرار کند. در هر دو حالت، هوش مصنوعی زبان طبیعی را به یک نوع بارکد یا اثرانگشت (منظور ویژگی‌های کلی است) از جلسه درمان تبدیل می‌کند که تأثیر گفته‌های مختلف را مشخص می‌کند.

به گفته استفان فریر، مدیر ارشد بالینی مرکز Ieso که بر حدود ۶۵۰ درمانگر این مرکز نظارت دارد، اثرانگشت یک جلسه، می‌تواند مشخص کند که چقدر از مدت زمان جلسه صرف گفتگوی سازنده یا مکالمه‌های معمولی شده است. درمانگران می‌توانند با مشاهده این یافته‌ها در جلسات بعدی بیشتر متمرکز بر گفتگوهای سازنده شوند.

بحرانی در حال ظهور

مشکلی که leso و lyssn به آن می‌پردازند مهم و جدی است. داستان کاولی دو نقطه ضعف مهم در حوزه مراقبت‌های روانی را نشان می‌دهد، یعنی دسترسی و کیفیت. کاولی پیش از اینکه پیشنهاد درمان دریافت کند، ۱۵ سال از این مشکل رنج می‌برد و اولین بار که در سال ۲۰۰۴ تحت درمان قرار گرفت، این درمان تأثیری نداشت. ۱۵ سال دیگر زمان برد تا کاولی یک درمان اثربخش دریافت کند.

مورد کاولی یک حالت شدید و مفرط بود، اما مورد نادر و کمیابی نیست. علائمی از وقوع یک بحران روحی روانی در جامعه دیده می‌شود که نشان می‌دهند همین حالا هم در چنین بحرانی قرار داریم. گرچه شرم و خجالت از به زبان آوردن چنین مشکلی روزبه‌روز کمتر می‌شود، اما هنوز هم اکثر اشخاصی که دچار مشکلات روانی هستند به درمان مناسب دسترسی ندارند. از هر پنج نفر، یک نفر در طی زندگی دچار بیماری روحی می‌شود اما ۷۵ درصد از اشخاصی که دچار چنین بیماری‌هایی هستند، هیچ نوع خدمات درمانی را دریافت نمی‌کنند.

همچنین از بین کسانی که به این درمان‌ها دسترسی دارند، تنها حدود نیمی از آنها می‌توانند انتظار بهبود را داشته باشند. به گفته بک ول این آمار مربوط به بهترین سیستم‌های درمانی جهان است. “اگر با پای شکسته به بیمارستان مراجعه می‌کردیم و به ما گفته می‌شد که احتمال درمانمان ۵۰ درصد است، این موضوع برای ما قابل قبول نبود. به نظرم ما می‌توانیم انتظاراتمان را بالاتر ببریم.”

شیوع کرونا هم باعث بدتر شدن این شرایط شد هر چند عامل ایجاد آن نبود. ریشه این مشکل باز هم به عرضه و تقاضا برمی‌گردد. پشت سرگذاشتن یکی از بدترین تجربیات جمعی تاریخ، باعث شد که حجم نیاز و تقاضا به روان درمانگر افزایش پیدا کند اما در سمت عرضه هم دچار کمبود درمانگر خوب هستیم.

Ieso و Lyssn به دنبال رسیدگی به همین موضوع هستند. به گفته فریر معمولاً مردم با این فرض به ما مراجعه می‌کنند که درمانگران بهتر یا بیشتری داریم اما نه هر دو. او مخالف است و باور دارد که می‌توان سطح دسترسی به مراقبت‌های بهداشتی را افزایش داده و از هوش مصنوعی هم برای مدیریت کیفیت آن استفاده کرد.

Ieso یکی از بزرگترین مراکز ارائه خدمات بهداشتی تحت حمایت سرویس سلامت ملی انگلیس (NHS[2]) است که این خدمات را از طریق اینترنت و به صورت ویدیویی یا متنی هم ارائه می‌دهد. تا به امروز پزشکان این مرکز بیشتر از ۴۶۰ هزار ساعت درمان رفتاری شناختی (CBT[3]) – یکی از تکنیک‌های پرکاربرد و مؤثر که به افراد کمک می‌کند تا با تغییر طرز فکر و رفتارشان، مشکلاتشان را مدیریت کنند – برای ۸۶ هزار بیمار ارائه کرده‌اند تا به حل مشکلاتی مثل اختلالات خلقی، اضطراب، افسردگی و PTSD کمک کنند.

بر اساس آمارهای مرکز Ieso، نرخ بهبود مراجعه کنندگان این مرکز ۵۳ درصد است در حالی که میانگین کشوری آن ۵۱ درصد است. شاید تفاوت دو این رقم کم به نظر برسد اما با در نظر گرفتن اینکه هر ساله در انگلستان ۱.۶ میلیون نفر برای درمان به روان پزشک مراجعه می‌کنند، این رقم معادل با بهبود ده‌ها هزار انسان است و البته این شرکت معتقد است که می‌تواند بهتر از این هم عمل کند.

Ieso از سال ۲۰۱۳ تا به امروز متمرکز بر اختلال اضطراب عمومی و افسردگی بوده و از تکنیک‌های مبتنی بر داده – که NPL یکی از مهم ترین آنهاست – برای افزایش نرخ بهبود مبتلایان به این مشکلات استفاده کرده است. طبق آمار Ieso، نرخ بهبود افسردگی این مرکز در سال ۲۰۲۱، ۶۲ درصد – در مقایسه با میانگین کشوری ۵۰ درصد – و برای اختلال اضطراب عمومی ۷۳ درصد – در مقایسه با میانگین کشوری ۵۸ درصد – بوده است.

به گفته Ieso این مرکز تا حدودی متمرکز بر اضطراب و افسردگی است چون دو مورد از رایج ترین مشکلات روحی و روانی محسوب می‌شوند اما نسبت به سایر مشکلات مثل اختلال فکری عصبی بهتر به درمان CBT پاسخ می‌دهند. هنوز مشخص نیست که این کلینیک تا چقدر می‌تواند موفقیتش را گسترش دهد اما قصد دارد به زودی تمرکز بر مشکلات دیگر را شروع کند.

انتظار می‌رود که استفاده از هوش مصنوعی برای نظارت بر کیفیت درمان، به کادر درمان فرصت دهد تا به مراجعه‌کنندگان بیشتری رسیدگی کنند، چون افزایش کیفیت درمان باعث کاهش تعداد جلسات بی‌ثمر می‌شود، هر چند Ieso هنوز تأثیر مستقیم NLP بر کیفیت درمان را به صورت دقیق مطالعه نکرده است.

به گفته فریر “در حال حاضر با هزار ساعت درمان می‌توانیم بین ۸۰ تا ۹۰ مراجعه کننده را درمان کنیم. سعی داریم کمی این ارقام را تغییر داده و بررسی کنیم که آیا می‌توان ۲۰۰، ۳۰۰ و حتی ۴۰۰ مراجعه کننده را در همان مدت زمان درمان کرد؟”

بر خلاف Ieso، خود Lyssn خدمات درمانی ارائه نمی‌دهد بلکه برای سایر کلینیک‌ها و دانشگاه‌های آمریکا و انگلیس نرم‌افزارهایی مخصوص آموزش و کنترل کیفیت طراحی می‌کند.

یکی از مشتریان Lyssn در آمریکا، پروژه درمان اعتیاد به مواد مخدر از راه دور در کالیفرنیا است که قصد دارد کیفیت درمان ارائه شده توسط درمانگران خودش را بررسی کند. همچنین این شرکت در حال همکاری با دانشگاه پنسیلوانیا است تا درمانگران CBT شهر فیلادلفیا را به فناوری خودش مجهز کند.

در انگلیس، Lyssn با سه سازمان همکاری دارد از جمله «سرویس روان درمانی Trent»، کلینیک مستقلی که – مثل Ieso – با حمایت NHS به ارائه درمان‌های روحی روانی مشغول است. Trent PTS هنوز در حال آزمایش این نرم‌افزار است. از آنجایی که مدل NLP این پروژه در آمریکا ساخته شده، این کلینیک باید با همکاری Lyssn کاری کند که این نرم‌افزار لهجه‌های مناطق مختلف انگلیس را هم تشخیص دهد.

دین رپر، مدیر خدمات بالینی پروژه Trent PTS معتقد است که نرم‌افزار می‌تواند به درمانگران برای استانداردسازی اصول توصیه شده کمک کند. او می‌گوید: “شاید تصور کنید درمانگرانی که سال‌ها تجربه دارند به بهترین نتایج می‌رسند اما لزوماً این‌طور نیست.” رپر این کار را با رانندگی مقایسه می‌کند و می‌گوید: “وقتی شیوه رانندگی با یک ماشین را یاد می‌گیرید، به شما آموزش داده می‌شود که چند اصل ایمنی را رعایت کنید، اما پس از مدتی ممکن است رعایت بعضی از این اصول ایمنی را نادیده گرفته و جریمه شوید.”

پیشرفت اما نه جایگزینی

هدف استفاده از هوش مصنوعی، ارتقای سطح خدمات درمانی است نه جایگزینی آن. اصلاحات کوتاه‌مدت نمی‌توانند جایگزین مراقبت‌های بهداشتی باکیفیت شوند. مقابله با این مشکل نیازمند از بین بردن شرم و خجالت، افزایش بودجه و ارتقای سطح آموزش است. بک‌ول خیلی از ادعاهایی که درباره هوش مصنوعی مطرح می‌شوند را قبول ندارد و می‌گوید “اغراق و هیجان افراطی شدید و خطرناکی در این زمینه وجود دارد.”

مثلاً درباره پدیده‌هایی مثل چت‌بات‌های درمانگر و نظارت شبانه‌روزی با استفاده از اپلیکیشن، هیجان افراطی زیادی وجود دارد – که معمولاً این موضوعات یادآور فیت‌بیت هستند؛ اما اکثر این تکنولوژی‌ها در یکی از این دو دسته قرار می‌گیرند: “سال‌ها با آن فاصله داریم” و “قرار نیست هیچ وقت اتفاق بیفتد.”

بک‌ول می‌گوید: “موضوع، اپلیکیشن و محصولات این چنینی نیست. اینکه یک اپلیکیشن در دسترس بیماران قرار دهیم که ادعا می‌کند قادر به درمان افسردگی آنهاست، مانع از تلاش آنها برای کمک گرفتن می‌شود.”

یکی از مشکلات این روش که روانشناسی را مبتنی بر شواهد می‌کند، نیاز به بررسی گفتگوهای خصوصی بین درمانگر و مراجعه‌کننده است. این احتمال وجود دارد که درمانگران با نظارت این چنینی بر عملکردشان مخالفت کنند.

رپر هم چنین بی‌میلی را پیش‌بینی کرده و می‌گوید: “این فناوری برای درمانگران چالش ایجاد می‌کند. این روش مثل این است که برای اولین بار، یک نفر دیگر در اتاق حاضر باشد و همه مکالمات آنها را بنویسد.” به همین دلیل در پروژه Trent PTS از نرم‌افزار Lyssn فقط برای کارآموزانی استفاده می‌شود که انتظار دارند تحت نظارت باشند. به گفته رپر وقتی این درمانگران واجد شرایط شناخته شوند، ممکن است با نظارت بر خودشان موافقت کنند چون به این شرایط عادت می‌کنند. احتمالاً نیاز است که درمانگران مجرب‌تر را نسبت به مزایای این فناوری متقاعد کنیم.

به گفته ایمل که خود او هم قبلاً یک روان‌درمانگر بوده، نکته اصلی این است که نباید از فناوری به عنوان یک ابزار نظارت و تنبیه استفاده کرد. او تصور می‌کند که خیلی‌ها از داشتن اطلاعات بیشتر استقبال می‌کنند و می‌گوید “سخت است که با مشتریان تنها باشید. وقتی همهٔ کار شما نشستن در یک اتاق خصوصی با یک شخص دیگر آن هم برای ۲۰ تا ۳۰ ساعت در هفته و بدون دریافت بازخورد از همکارانتان باشد، پیشرفت و بهبود در کار واقعاً سخت خواهد بود.”

فریر هم با او موافق است. در کلینیک Ieso درمانگران با مدیرانشان درباره بازخوردهای ایجاد شده توسط هوش مصنوعی گفتگو می‌کنند. هدف این است که درمانگران کنترل مسیر پیشرفت حرفه‌ای خودشان را در اختیار بگیرند و نقاط قوت – چیزهایی که می‌توانند به سایر درمانگران یاد بدهند – و ضعف خودشان – چیزهایی که می‌توانند از سایر درمانگران یاد بگیرند – را بهتر بشناسند.

Ieso و Lyssn آغازگر این مسیر بوده‌اند اما بدون شک می‌توان از طریق کاوش دیتاست‌های عظیم به اطلاعات زیادی رسید. اتکینز به مطالعه‌ای اشاره می‌کند که در سال ۲۰۱۸ و بر اساس جمع آوری اطلاعات ۱۰۰۰ ساعت جلسه درمانی، بدون کمک هوش مصنوعی انجام شد. او می‌گوید: “Lyssn چنین حجمی از اطلاعات را ظرف یک روز پردازش می‌کند.” حالا مطالعاتی توسط دو مرکز Ieso و Lyssn منتشر شده که ده‌ها هزار ساعت جلسه روان درمانی را تحلیل کرده‌اند.

مثلاً در مقاله‌ای که سال ۲۰۱۹ در JAMA Psychiatry منتشر شد، محققان Ieso به توضیح عملکرد یک مدل NLP یادگیری عمیق پرداختند که برای دسته بندی گفته‌های درمانگران در بیش از ۹۰ هزار ساعت جلسه CBT با ۱۴ هزار مراجعه کننده آموزش داده شده بود. این الگوریتم یاد گرفت تشخیص دهد که آیا عبارات و بخش‌های کوتاه مختلف یک مکالمه جزء نمونه‌های خاصی از گفتگوهای مرتبط با CBT هستند – مثل بررسی وضعیت روانی مراجعه‌کننده، تعیین و بازبینی تکالیف مراجعه‌کننده (که در آن مراجعه‌کننده مهارت‌های آموزش داده شده در یک جلسه را تمرین می‌کند)، صحبت کردن درباره روش‌های تغییر، برنامه‌ریزی برای آینده و غیره – یا اینکه مثل گفتگوهای عمومی ارتباطی به CBT ندارند.

محققان نشان دادند که بیشتر بودن حجم گفتگوهای CBT با افزایش نرخ بهبود بیمار (که در انگلیس با یکسری شاخص استاندارد گزارش شده توسط شخص اندازه‌گیری می‌شود) در ارتباط است. آنها ادعا می‌کنند که نتایجشان CBT را به عنوان یک درمان تأیید می‌کند. CBT از قبل هم کارآمد محسوب می‌شد اما این مطالعه یکی از اولین آزمایشات عظیمی است که از این فرضیات پشتیبانی می‌کند.

در مقاله‌ای که امسال منتشر شد، تیم Ieso به جای درمانگر، متمرکز بر گفتگوهای مشتریان شد. آنها دریافتند که پاسخ‌هایی موسوم به “گفتگوی فعال درباره تغییر” (که میل به تغییر را نشان می‌دهند مثل “نمی‌خوام که دیگه اینطوری زندگی کنم.”) و “گفتگوی کاوش تغییر” (شواهدی که نشان می‌دهند مراجعه کننده به روش‌های تغییر فکر می‌کند) با بیشتر شدن احتمال مشارکت و بهبود فرد ارتباط دارند. نبود چنین جملاتی می‌تواند نشانه هشداری مبتنی بر بی‌اثر بودن جلسات جاری باشد. در عمل می‌توان متن جلسات را مطالعه کرده و سرنخ‌هایی از گفته‌های درمانگر که چنین رفتارهایی را برمی‌انگیزند، پیدا کرد و بعد سایر درمانگران را آموزش داد تا همین اظهارات را بیان کنند.

به گفته جنیفر وایلد روانشناس بالینی دانشگاه استنفورد این اطلاعات ارزشمند هستند. او تصور می‌کند که چنین مطالعاتی برای این رشته مفید هستند و باعث می‌شوند روان درمانی بیشتر بر اساس شواهد انجام شود و روش مناسب برای آموزش درمانگران را مشخص کند. وایلد می‌گوید: “یکی از مزایای این یافته‌ها این است که حالا وقتی درمانگران را آموزش می‌دهیم می‌توانیم به مطالعاتی اشاره کنیم که نشان می‌دهند هر چقدر بیشتر به پروتکل‌ها پایبند باشید، بیشتر نشانه‌های تغییر را مشاهده خواهید کرد. شاید تصور کنید که گفتگوی شما یک گفتگوی معمولی و بی‌فایده است اما باید به درمان ادامه دهید چون ما می‌دانیم که این تکنیک‌ها کار می‌کنند و اینکه چطور به نتیجه می‌رسند. به نظر من این موضوع مهم است و فکر می‌کنم پدیده جدیدی است.”

می‌توان از این تکنیک‌های هوش مصنوعی برای تطبیق دادن مراجعه‌کنندگان آینده با درمانگران و تشخیص اینکه چه نوع درمانی برای شخص مورد نظر بیشترین تأثیر را دارد، استفاده کرد. وایلد می‌گوید: “فکر می‌کنم که بالاخره درباره اینکه کدام تکنیک‌ها برای کدام ترکیب خاص از علائم بهتر جواب می‌دهند، به نتیجه رسیده‌ایم.”

به گفته ایمل، این تازه شروع کار است. یک مرکز درمانی بزرگ مثل Kaiser Permanente در کالیفرنیا در سال حدود 3 میلیون جلسه درمانی برگزار می‌کند “اما درباره اینکه در چنین جلساتی چه اتفاقی رخ می‌دهد هیچ ایده‌ای ندارد و این وضعیت به هیچ وجه خوشایند نیست.” برای مثال اگر یک مرکز درمانی ۳ میلیون بیمار قلبی را تحت درمان قرار دهد، در جریان هست که برای چه تعداد از آنها استاتین تجویز شده و اینکه آیا این دارو را مصرف کرده اند یا خیر. او می‌گوید: “می‌توانیم چنین مطالعاتی را روی یک جمعیت عظیم انجام دهیم. به نظرم می‌توانیم مطالعات مشابهی را در حوزه روانشناسی انجام دهیم.” بک ول هم با این دیدگاه موافق است و می‌گوید: “شاید بتوانیم در ۵ سال آینده وارد عصر درمان دقیق در روانشناسی و روانپزشکی شویم.”

در نهایت ممکن است بتوانیم درمان‌های مختلف را با هم ترکیب کرده و تطبیق بدهیم. حدود ۴۵۰ نوع روان‌درمانی وجود دارد که در آمریکا تحت پوشش بیمه قرار دارند. شاید به نظر برسد که همه این روش‌ها به یک میزان کارایی دارند اما بک‌ول می‌گوید: “به نظرم اگر یک نوع تحلیل شیمیایی روی این روش‌های درمانی انجام می‌دادیم، متوجه می‌شدیم که یکسری عناصر خاص وجود دارند که احتمالاً از یک محدودهٔ چارچوب ذهنی خاص به دست آمده‌اند.” او تصور می‌کند که شاید بتوانیم مجموعه‌ای از عناصر مختلف را از درمان‌های مختلف یک مراجعه‌کننده خاص به دست آورده و گردآوری کنیم. “شاید این عناصر بتوانند یک نوع درمان جدید را شکل دهند که هنوز نامی برای آن انتخاب نشده است.”

یک روش ممکن، استفاده از ابزارهای ایجاد شده برای بررسی کاری که درمانگران موفق انجام می‌دهند و آموزش آن به دیگران است. فریر می‌گوید ۱۰ تا ۱۵ درصد از درمانگرانی که با آنها همکاری دارد، کارهای اعجاب‌انگیزی انجام می‌دهند.

به گفته او “قطعاً چنین درمانگرانی همیشه یکسری کار خاص را انجام می‌دهند که با وجود تعداد مراجعه‌کنندگان بسیار زیادی که دارند، باز هم آنها را درمان می‌کنند و این درمان پایدار است.”

فریر معتقد است شخصی که کوین کاولی را درمان کرده یکی از این درمانگران است و می‌گوید “به همین دلیل است که معتقدم داستان کوین یک داستان قوی است. به این فکر کنید که او چندین سال از این ماجرا رنج می‌برد. حالا تصور کنید که وقتی او ۱۷ یا ۱۸ ساله بود به چنین درمانی دسترسی داشت.”

 

[1] Natural-Language Processing

[2] National Health Service

[3] Cognitive Behavioral Therapy

مطالب مشابه