Az AI beszédelemzés képes kimutatni a depressziót a kisgyermekekben

Új kutatások szerint a gépi tanulás algoritmusa képes felismerni a szorongás és a depresszió jeleit a kisgyermekek beszédmintáiban. A technika gyorsabb és könnyebb módszer lehet a fiatalok nehezen észlelhető rendellenességeinek felderítésére. Az érzelmi problémák korai felismerése fontos az időben történő ellátás biztosítása érdekében.

A nyomozók elmagyarázzák, hogy minden ötödik gyermek szorongásban és depresszióban szenved, ezeket együttesen „internalizációs rendellenességekként” hívják. A rendellenesség jeleit azonban nehéz felismerni, mivel a nyolc évesnél fiatalabb gyermekek nem tudják megbízhatóan megfogalmazni érzelmi szenvedéseiket, így az állapotot nehéz észrevenni.

Fontos az időben történő diagnosztizálás szükségessége, mivel a szolgáltatóhoz való hozzáférés, legyen szó ütemezési kérdésekről vagy biztosítási igazolások megszerzéséről, gyakran fáradságos folyamat.

"Gyors, objektív tesztekre van szükségünk, hogy elkapjuk a gyerekeket, amikor szenvednek" - mondta Dr. Ellen McGinnis, a Vermonti Egyetem Orvosi Központjának Vermont Gyermek-, Ifjúsági és Családok Központjának klinikai pszichológusa és a tanulmány vezető szerzője. "A nyolc év alatti gyerekek többségét nem diagnosztizálják."

A kutatás a Biomedical and Health Informatics folyóirat.

A korai diagnózis kritikus fontosságú, mert a gyermekek jól reagálnak a kezelésre, miközben az agyuk még fejlődik, de ha nem kezelik őket, akkor nagyobb a kockázata a szerekkel való visszaélésnek és az öngyilkosságnak a későbbi életben.

A szokásos diagnózis egy 60-90 perces félig strukturált interjút foglal magában képzett orvosral és elsődleges gondozójukkal.

McGinnis a Vermonti Egyetem orvosbiológiai mérnökével és tanulmányának vezető szerzőjével, Ryan McGinnisszel együtt kereste a mesterséges intelligencia és a gépi tanulás módszereit a diagnózis gyorsabb és megbízhatóbbá tételéhez.

A kutatók a Trier-Social Stress Task nevű hangulatindukciós feladat adaptált változatát használták, amelynek célja a stressz és a szorongás érzésének kiváltása az alanyban.

A három és nyolc év közötti 71 gyermekből álló csoportot felkérték, hogy rögtönözzen egy háromperces történetet, és elmondták, hogy az alapján fogják megítélni, mennyire érdekes. A bíróként eljáró kutató szigorú maradt a beszéd során, és csak semleges vagy negatív visszajelzést adott. 90 másodperc elteltével, és ismét 30 másodperccel hátra, hangjelzés hallatszik, és a bíró megmondja, mennyi idő van hátra.

"A feladatot úgy tervezték, hogy megterhelő legyen, és arra a gondolkodásmódra helyezze őket, hogy valaki ítélkezik felettük" - mondja Ellen McGinnis.

A gyermekeket strukturált klinikai interjú és szülői kérdőív segítségével is diagnosztizálták, mindkettő jól bevált módszer a gyermekek internalizációs rendellenességeinek azonosítására.

A kutatók gépi tanulási algoritmussal elemezték az egyes gyerekek történetének hangfelvételeinek statisztikai jellemzőit, és összefüggésbe hozták azokat a gyermek diagnózisával. Megállapították, hogy az algoritmus nagyon sikeres volt a gyermekek diagnosztizálásában, és hogy a felvételek középső fázisa, a két zümmögő között volt a legjobban megjósló diagnózis.

"Az algoritmus 80 százalékos pontossággal tudta azonosítani az internalizációs rendellenesség diagnózisával rendelkező gyermekeket, és a legtöbb esetben ez nagyon jól hasonlított a szülők ellenőrzőlistájának pontosságához" - mondja Ryan McGinnis.

Sokkal gyorsabban is meg tudja adni az eredményeket - az algoritmus csak néhány másodperc feldolgozási időt igényel, miután a feladat befejeződött a diagnózis felállításához.

Az algoritmus a gyermekek beszédének nyolc különböző hangjellemzőjét azonosította, de különösen három kiemelkedett, amelyek erősen jelzik az internalizálási rendellenességeket: alacsony hangú, ismételhető beszédgörbékkel és tartalommal rendelkező hangok, valamint a meglepő hangjelzésre adott magasabb hangerő.

Ellen McGinnis szerint ezek a funkciók jól illeszkednek ahhoz, amit elvárhat valakitől, aki depresszióban szenved. "Az alacsony hang és az ismételhető beszédelemek tükrözik azt, amire gondolunk, amikor a depresszióról gondolkodunk: monoton hangon beszélünk, megismételjük, amit mondunk" - mondja Ellen McGinnis.

A hangjelzésre adott magasabb válasz szintén hasonló ahhoz a válaszhoz, amelyet a kutatók az előző munkájukban találtak, ahol az internalizálási rendellenességekkel küzdő gyermekeknél a félelem-indukciós feladat során nagyobb félelmetes ingertől való elfordulási választ mutattak ki.

A hangelemzés diagnózisa hasonló pontosságú, mint a korábbi munka mozgásanalízise, ​​de Ryan McGinnis szerint sokkal könnyebb lenne klinikai körülmények között használni.

A félelemfeladathoz elsötétített szoba, játékkígyó, a gyermekhez rögzített mozgásérzékelők és vezető szükséges, míg a hangfeladathoz csak bíró, beszédfelvétel módja és hangjelzés szükséges a megszakításhoz. "Ez megvalósíthatóbb lenne" - mondja.

Ellen McGinnis szerint a következő lépés az lesz, hogy a beszédelemzési algoritmust univerzális szűrőeszközgé fejlesztik klinikai használatra, esetleg egy okostelefonos alkalmazás segítségével, amely azonnal rögzítheti és elemezheti az eredményeket.

A hangelemzés kombinálható a mozgásanalízissel egy sor technológiai segítséggel ellátott diagnosztikai eszközben is, hogy segítsen azonosítani a szorongás és depresszió kockázatának kitett gyermekeket, mielőtt szüleik még azt gyanítják, hogy bármi baj van.

Forrás: Vermonti Egyetem