למידת עומק לזיהוי דיכאון אצל אנשים עם ובלי אלקסטימיה

מדוע קשה כל כך לדבר על רגשות

רבים חיים עם דיכאון, אך הכלים העיקריים שלנו לאיתורו עדיין מבוססים על אנשים שממלאים שאלונים על איך הם מרגישים. אך מה קורה כאשר מישהו מתקשה להבין או לתאר את רגשותיו מלכתחילה? מחקר זה בוחן קבוצה של אנשים עם תכונה הנקראת אלקסטימיה — קושי לזהות ולנמק רגשות במילים — ושואל האם בינה מלאכותית יכולה לעזור לרופאים לזהות דיכאון בדיוק גבוה יותר במצבים כאלה.

כשמבחני ההערכה העצמית אינם מספיקים

סריקות דיכאון סטנדרטיות, כמו רשימות בדיקה קצרות שממלאים בחדרי בחינה או באינטרנט, מהירות ונוחות. עם זאת, הן מניחות שאנשים מסוגלים להבחין ולדווח על עצב, חוסר עניין או דאגה בדיוק סביר. עבור אנשים עם אלקסטימיה ההנחה הזו לעתים קרובות מתפוצצת. הם עשויים להרגיש לא טוב אך לא יכולים לתייג בקלות את רגשותיהם, ולכן עשויים לדווח פחות על מצוקה בשאלונים גם כשהם באמת מדוכאים. החוקרים מצאו שאלקסטימיה אינה נדירה — משפיעה על כמעט אחד מכל עשרה אנשים — וכי רמות גבוהות יותר של אלקסטימיה קושרו לדיכאון חמור יותר באופן כללי.

לתת למחשבים להקשיב לשיחה

במקום להסתמך רק על טפסים, הצוות פנה למילים שנאמרו במהלך ראיונות קליניים. כמעט 300 מבוגרים דוברי קנטונזית, כולל מטופלים עם הפרעת דיכאון עיקרית ומתנדבים מהקהילה, השתתפו בראיונות מובנים עם פסיכיאטר שהשתמש בסולם דירוג סטנדרטי לדיכאון. ראיונות אלה תומללו לטקסט. לאחר מכן אימנו החוקרים שמונה מודלים גדולים של שפה — מערכות בינה מתקדמות שמנתחות טקסט — כדי להחליט האם כל אדם היה מדוכא, כאשר שיפוט הפסיכיאטר שימש כתקן ההתייחסות. המודלים לא ראו את ציוני השאלונים; הם למדו ישירות מתוך האופן שבו אנשים דיברו על שינה, אנרגיה, חיי יומיום ומצב רוח.

בינה מלאכותית מול תיבת הסימון

המחקר השווה עד כמה המודלים של ה-AI והסקאלה העצמית הנפוצה HADS-D (תת-סולם דיכאון של סולם החרדה והדיכאון של בית החולים) יכולים לזהות דיכאון. בקרב כל המשתתפים, ארבעה מתוך שמונה מודלים של ה-AI ביצעו בבירור טוב יותר מהסקאלה העצמית. כשצמצמו את המבט לאנשים עם אלקסטימיה, ההבדל היה ברור: הדיוק של הסקאלה העצמית ירד לרמת ניחוש גרוע, בעוד שהמודלים של ה-AI נשארו חזקים, והראו ביצועים טובים עד מצוינים. באופן משמעותי, מערכות ה-AI פעלו באותה מידה בין אם לאנשים לא הייתה אלקסטימיה, הייתה אלקסטימיה אפשרית או אלקסטימיה ברורה, מה שמרמז שקושי לתאר רגשות לא בלבל את המודלים האלה.

מדוע ה-AI נשאר יציב כשהמילים נכשלות

מדוע מחשבים מצליחים במקום ששאלוני בדיקה נכשלים? המחברים טוענים כי השפה המדוברת בראיון מכילה רמזים עדינים רבים — בחירת מילים, רמת פירוט, דפוסי היסוס — שמשקפים את מצבו הפנימי של אדם גם כאשר הוא אינו יכול לקרוא בשם את רגשותיו. מודלים גדולים של שפה מתוכננים לזהות דפוסים כאלה על פני מקטעים ארוכים של טקסט. לעומת זאת, סולמות דיווח עצמי מציעים סט קבוע של שאלות קצרות שמתמקדות בעיקר במחשבות וברגשות; הן משאירות מעט מקום לאנשים שאינם בטוחים כיצד להעריך את עצמם. הממצאים מרמזים שכלי AI, כאשר הם בנויים ונבדקים בזהירות, יכולים לשמש כעוזרים רבי עוצמה למטפלים, במיוחד במקומות שבהם זמן המומחים מוגבל ורשימות ההמתנה ארוכות.

מה משמעות הדבר לטיפול בעתיד

לציבור, המסר המרכזי פשוט: יש אנשים שקשה להם לתאר איך הם מרגישים, ועבורם שאלונים סטנדרטיים לדיכאון עלולים לפספס בעיות חשובות. מחקר זה מראה שמערכות AI שמנתחות את מה שמטופלים אומרים בראיון יכולות לעתים קרובות לזהות דיכאון בצורה אמינה יותר מאשר טפסי דיווח עצמי, והן שומרות על הדיוק שלהן גם בנוכחות אלקסטימיה. אף ש-AI לא יחליף אנשי מקצוע אנושיים, הוא עשוי לסייע לזהות אנשים בסיכון מוקדם יותר ולהנחות טיפולים מותאמים יותר. המחברים מציעים כי גישות דומות עשויות יום אחד לשפר את הזיהוי של מצבים אחרים בתחום בריאות הנפש, ולהביא אותנו להערכות נפש שמתאימות באמת לכל אדם, במקום לדרוש מכולם להסתגל לאותו טופס.

ציטוט: Lam, C., Xian, L., Huang, R. et al. Deep learning for detecting depression in individuals with and without alexithymia. Commun Med 6, 123 (2026). https://doi.org/10.1038/s43856-026-01393-0

מילות מפתח: זיהוי דיכאון, אלקסטימיה, בינה מלאכותית, ראיונות קליניים, סקרי בריאות נפש