Desenvolvimento de um Chatbot para apoio clínico

Abstract

Os avanços recentes das tecnologias de inteligência artificial e de processamento de dados mudaram radicalmente o paradigma do setor de saúde, dando origem a soluções digitais que prometem transformar os vários processos clínicos, permitindo um aumento da sua eficiência e qualidade enquanto capazes de reduzir os custos a eles associados. Com os profissionais de saúde a enfrentarem diariamente o problema de possuírem recursos limitados, fazendo com que não sejam capazes de monitorzar e apoiar diariamente todos os seus pacientes, cada vez mais se torna importante o desenvolvimento de alternativas válidas e fidignas, capazes de ajudar os vários pacientes, no mínimo tempo possível. Uma das soluções mais adotadas de maneira a solucionar o problema referido, reside no desenvolvimento de sistemas conversacionais, comumente chamados de Chatbots, que se assumem como capazes de efetuar o esclarecimento de questões de âmbito clínico, incorporando uma função semelhante a um assistente virtual e preenchendo, desta forma, a lacuna existente na comunicação entre os vários pacientes e os profissionais de saúde. Esta dissertação tem como foco, a sugestão de uma arquitetura relativa a um sistema conversacional com o objetivo de efetuar aconselhamento psiquiátrico. O Chatbot proposto tem o nome de YEC, acrónimo em inglês para “Your Everyday Companion”, representativo de uma abordagem híbrida, pela combinação de técnicas de processamento de linguagem natural e de um modelo Deep Learning, para a geração da sua resposta. O sistema é desenhado para efetuar tratamento diferenciado por utilizador, permitindo desta forma a inferência do seu estado emocional, bem como do estabelecimento de um grau elevado de confiança e proximidade. De forma a provar que o sistema apresentado na teoria, representa uma solução prática viável, procedeu-se ao desenvolvimento de uma fase primária do motor conversacional presente no sistema, expondo as diferentes abordagens realizadas de forma a que, pela análise dos seus resultados, fosse possível inferir sobre a sua melhor implementação. A realização desta dissertação permitiu assim concluír acerca do poder inerente à combinação de técnicas de DL e de NLP para modelação conversacional, aferindo assim da sua capacidade para ajudar a resolver os diferentes problemas clínicos observados nos dias de hoje, sendo no entanto necessário mais investigação de modo a enfatizar esta afirmação.

The recent advances of technologies for artificial intelligence and data processing have radically changed the healthcare industry, giving rise to digital healthcare solutions, promising to transform the whole healthcare process to become more efficient, less expensive and with higher quality. Nowadays, Health professionals have to deal with the lack of resources, not being able to personally monitor and support patients in their everyday life, so it’s becoming more and more important, to find and develop alternative ways to instantaneously help patients, corresponding to their needs. One of the solutions for the problem above, resides in the form of dialogue systems, called Chatbots, that could play a leading role, by embodying the function of a virtual assistant and bridging the gap between patients and clinicians. This thesis focus on the suggestion of a Chatbot architecture, for both psychiatric counseling and elderly monitoring, combining methodologies to emotion recognition and intent understanding. The system proposed is called YEC, acronym for “Your Everyday Companion”, and represents a hybrid approach that integrates both NLP techniques and an encoder-decoder Deep Learning model, in order to generate the appropriated response. The system is designed to perform a differentiated treatment for every user in the system, thus allowing the establishment of trust and confidence between them. To prove that the proposed approach is a viable solution to the presented problem, it is demonstrated the practical implementation of the YEC model, for an initial phase of the system, demonstrating how the use of different recurrent neural networks in our model results in dissimilar performance results for our Chatbot, allowing us to infer which one is better suitable. This work allowed to realize the potential of combining Deep Learning and Natural language Processing for conversational modeling and their capability for solving some real life problems associated with healthcare, being nevertheless necessary more future work to give emphasis to this affirmation.