Aplicación de la Inteligencia Artificial con Procesamiento del Lenguaje Natural para textos de investigación cualitativa en la relación médico-paciente con enfermedad mental mediante el uso de tecnologías móviles

José Vicente Sancho Escrivá; Carlos Fanjul Peyró; María  de la Iglesia Vayá; Joaquin A.  Montell; María José Escartí Fabra

doi:10.35669/rcys.2020.10(1).19-41

Autores/as

José Vicente Sancho Escrivá Universitat Jaume I
Carlos Fanjul Peyró Universitat Jaume I
María de la Iglesia Vayá Unidad Mixta de Imagen Biomédica FISABIO-CIPF
Joaquin A. Montell Centro de Investigación Príncipe Felipe. Unidad Mixta IB
María José Escartí Fabra Hospital Clínico Valencia, CIBERSAM Valencia

DOI:

https://doi.org/10.35669/rcys.2020.10(1).19-41

Palabras clave:

inteligencia artificial, procesamiento del lenguaje natural, machine learning, comunicación, ciencias sociales, mHealth, salud mental

Resumen

La Inteligencia Artificial (IA) sigue posicionándose en la sociedad como referencia del progreso tecnológico. Dentro de este campo, el Procesamiento de Lenguaje Natural (PLN) alcanza gran aceptación en disciplinas que trabajen con altos volúmenes de datos (Big Data). En este marco queremos ver qué aportan estos algoritmos, pero aplicado a la comunicación en el campo de la salud mental. Establecemos esta metodología con PLN partiendo de observaciones cualitativas previas en textos transcritos de grupos focales realizados a pacientes con enfermedad mental con el objetivo de entender si la aplicación de esta metodología aporta mejora al análisis de los datos como se ha demostrado en investigaciones previas, pero aplicado novedosamente al campo de la salud mental. Para ello se han ejecutado scripts basados en código Python y se han depurado los textos, clasificando las cadenas de palabras en entidades denominadas tokens y eliminando las palabras vacías. Posteriormente, se ha analizado la frecuencia de palabras y la conexión de frases, obteniendo un conjunto de estructuras donde aplicar técnicas de Machine Learning mediante Word2vec y generando vectores sobre los datos quedando representados con gráficas n-dimensionales en donde se configura un nuevo vocabulario con palabras agrupadas por cercanía. Aplicamos un método que sin el aprendizaje algorítmico se nos escapa en el análisis previo de una investigación cualitativa. Se identifican en el análisis los principales temas encontrados con el análisis cualitativo tradicional, mecanizando el proceso y facilitándolo. Se demuestra además que esta metodología es aplicable en la salud mental como en otros grupos de población.

Descargas

Los datos de descargas todavía no están disponibles.

Biografía del autor/a

José Vicente Sancho Escrivá, Universitat Jaume I

José Vicente Sancho Escrivá al400282@uji.es: Licenciado en Ciencias de la información, publicidad y RRPP. Profesional de la comunicación digital especialista en tecnología mobile y docente en diferentes universidades españolas en materias relacionadas con la publicidad y la comunicación digital.

Citas

Abadi, M., Agarwal, A., Barham, P., Brevdo, E., Chen, Z., Citro, C., ... & Ghemawat, S. (2016). Tensorflow: Large-scale machine learning on heterogeneous distributed systems. arXiv preprint arXiv:1603.04467. Disponible en: https://bit.ly/3bQSEZm

Aghion, P., Jones, B. F., & Jones, C. I. (2017). Artificial intelligence and economic growth (No. w23928). National Bureau of Economic Research. Disponible en: https://bit.ly/2VNLUWL

Bertoldi, S., Fiorito, M. E., & Álvarez, M. (2006). Grupo Focal y Desarrollo local: aportes para una articulación teórico-metodológica. Ciencia, docencia y tecnología, 17(33), 111-131. Disponible en: https://bit.ly/2yRjRwr

Brunn, M., Diefenbacher, A., Courtet, P., & Genieys, W. (2020). The Future is Knocking: How Artificial Intelligence Will Fundamentally Change Psychiatry. Academic Psychiatry, Online. Disponible en: https://bit.ly/3dUvEcQ

Bustos, A., Pertusa, A., Salinas, J. M., & de la Iglesia-Vayá, M. (2019). Padchest: A large chest x-ray image dataset with multi-label annotated reports. arXiv preprint arXiv:1901.07441. Disponible en: https://bit.ly/2KLyjbX

Calero, J. L. (2000). Investigación cualitativa y cuantitativa. Problemas no resueltos en los debates actuales. Rev. Cubana Endocrinol, 11(3), 192-8. Disponible en: https://go.aws/2yUCgbA

Gibbs, A. (1997). Focus groups. Social research update, 19(8), 1-8. Disponible en:

https://bit.ly/3bQTdCG

Guetterman, T. C., Chang, T., DeJonckheere, M., Basu, T., Scruggs, E., & Vydiswaran, V. (2018). Augmenting Qualitative Text Analysis with Natural Language Processing: Methodological Study. Journal of medical Internet research, 20(6), e231. Disponible en: https://bit.ly/3aP3ded

He, J., Baxter, S. L., Xu, J., Xu, J., Zhou, X., & Zhang, K. (2019). The practical implementation of artificial intelligence technologies in medicine. Nature medicine, 25(1), 30–36. Disponible en: https://bit.ly/3h6L4go

Hirschberg, J., & Manning, C. D. (2015). Advances in natural language processing. Science, 349(6245), 261-266. Disponible en: https://stanford.io/3cGRU8J

Liddy, E. D. (2001). Natural language processing. Disponible en: https://bit.ly/2zHhpJp

Loper, E., & Bird, S. (2002). NLTK: the natural language toolkit. arXiv preprint cs/0205028. Disponible en: https://bit.ly/2VJV1Yi

Lupiáñez-Villanueva, F. (2011). Salud e internet: más allá de la calidad de la información. Revista española de cardiología, 64(10), 849-850. Disponible en: https://bit.ly/3bS3SwM

Mikolov, T., Sutskever, I., Chen, K., Corrado, G. S., & Dean, J. (2013). Distributed representations of words and phrases and their compositionality. In Advances in neural information processing systems (pp. 3111-3119). Disponible en: https://bit.ly/2KI7CVF

Morgan, D. L., Krueger, R. A., & Scannell, A. U. (1998). Planning focus groups. Sage. Disponible en: https://bit.ly/2Soo69A

Perrault, R., Shoham Y., Brynjolfsson E., Clark J., Etchemendy J., Grosz, B., Lyons, T., Manyika T., Mishra, S., & Niebles J.C. (2019). “The AI Index 2019 Annual Report”, AI Index Steering Committee, Human-Centered AI Institute, Stanford University, Stanford, CA, December 2019. Disponible en: https://stanford.io/2KFNLGN

Powell, R. A., & Single, H. M. (1996). Focus groups. International journal for quality in health care, 8(5), 499-504. Disponible en: https://bit.ly/3aKAWFt

Rodriguez, M., Sivic, J., Laptev, I., & Audibert, J. Y. (2011, November). Data-driven crowd analysis in videos. In 2011 International Conference on Computer Vision (pp. 1235-1242). IEEE. Disponible en: https://bit.ly/2SfWiV1

Rong, G., Mendez, A., Assi, E. B., Zhao, B., & Sawan, M. (2020). Artificial Intelligence in Healthcare: Review and Prediction Case Studies. Engineering. Disponible en: https://bit.ly/30mAgEO

Steckler, A., McLeroy, K. R., Goodman, R. M., Bird, S. T., & McCormick, L. (1992). Toward Integrating Qualitative and Quantitative Methods: An Introduction. Health Education Quarterly, 19(1), 1–8. Disponible en: https://bit.ly/2YfU6k7

Taylor, S. J., & Bogdan, R. (1987). Introducción a los métodos cualitativos de investigación (Vol. 1). Barcelona: Paidós. Disponible en: https://go.aws/2SfsA2b

Turney, L., & Pocknee, C. (2005). Virtual focus groups: New frontiers in research. International Journal of Qualitative Methods, 4(2), 32-43. Disponible en: https://bit.ly/3bPzByB

Webster, J. J., & Kit, C. (1992). Tokenization as the initial phase in NLP. In COLING 1992 Volume 4: The 15th International Conference on Computational Linguistics. Disponible en: https://bit.ly/2SktsCP