Analiza govora AI lahko zazna depresijo pri majhnih otrocih

Nove raziskave kažejo, da algoritem strojnega učenja lahko zazna znake tesnobe in depresije v govornih vzorcih majhnih otrok. Tehnika bi lahko bila hitrejši in enostavnejši način odkrivanja težko opaznih motenj pri mladih. Zgodnje odkrivanje čustvenih težav je pomembno za zagotovitev pravočasne oskrbe.

Preiskovalci pojasnjujejo, da približno vsak peti otrok trpi za tesnobo in depresijo, skupaj znano kot "ponotranjene motnje". Znakov motnje je težko prepoznati, saj otroci, mlajši od osem let, ne morejo zanesljivo izraziti svojega čustvenega trpljenja, zaradi česar je stanje težko opaziti.

Potreba po pravočasni diagnozi je pomembna, saj je dostop do ponudnika, pa naj gre za razporejanje težav ali pridobitev preverjanja zavarovanja, pogosto naporen postopek.

"Potrebujemo hitre, objektivne teste, da otroke ujamemo, ko trpijo," je dejala dr. Ellen McGinnis, klinična psihologinja v Vermontskem centru za otroke, mladino in družine v Vermontu, vodilni avtor študije. "Večina otrok, mlajših od osem let, ni diagnosticirana."

Raziskava je objavljena v Časopis za biomedicinsko in zdravstveno informatiko.

Zgodnja diagnoza je ključnega pomena, ker se otroci dobro odzivajo na zdravljenje, medtem ko se njihovi možgani še razvijajo, če pa jih ne zdravijo, so pozneje v življenju bolj izpostavljeni zlorabi snovi in ​​samomoru.

Standardna diagnoza vključuje 60-90-minutni polstrukturiran razgovor z usposobljenim zdravnikom in njihovim oskrbovalcem primarne zdravstvene oskrbe.

McGinnis je skupaj z biomedicinskim inženirjem Univerze v Vermontu in starejšim avtorjem študije Ryanom McGinnisom iskal načine za uporabo umetne inteligence in strojnega učenja za hitrejšo in zanesljivejšo diagnozo.

Raziskovalci so uporabili prilagojeno različico naloge za spodbujanje razpoloženja, imenovano Trier-Social Stress Task, ki naj bi pri osebi povzročila stres in tesnobo.

Skupino 71 otrok, starih od treh do osmih let, so prosili za improvizacijo triminutne zgodbe in povedali, da jim bodo sodili glede na to, kako zanimivo je bilo. Raziskovalec, ki je deloval kot sodnik, je ves govor govoril strogo in je dajal le nevtralne ali negativne povratne informacije. Po 90 sekundah in spet po 30 sekundah se oglasi zvočni signal in sodnik jim pove, koliko časa je še ostalo.

"Naloga je zasnovana tako, da je stresna in jim da v miselnost, da jih je nekdo obsojal," pravi Ellen McGinnis.

Otroci so bili diagnosticirani tudi s pomočjo strukturiranega kliničnega razgovora in vprašalnika za starše, ki sta bila dobro uveljavljena načina prepoznavanja internaliziranih motenj pri otrocih.

Raziskovalci so z algoritmom strojnega učenja analizirali statistične značilnosti zvočnih posnetkov zgodbe vsakega otroka in jih povezali z otrokovo diagnozo. Ugotovili so, da je bil algoritem zelo uspešen pri diagnosticiranju otrok in da je bila srednja faza posnetkov med obema zvoncema najbolj napovedna za diagnozo.

"Algoritem je z 80-odstotno natančnostjo lahko identificiral otroke z diagnozo internalizacijske motnje in v večini primerov se je res dobro primerjal z natančnostjo starševskega kontrolnega seznama," pravi Ryan McGinnis.

Rezultate lahko da tudi veliko hitreje - algoritem zahteva le nekaj sekund časa obdelave, ko je naloga končana, da lahko postavite diagnozo.

Algoritem je ugotovil osem različnih zvočnih značilnosti otroškega govora, predvsem pa so tri izstopale kot zelo indikativne za internalizacijo motenj: nizki glasovi, ponavljajoči se pregibi in vsebina govora ter višji odziv na presenetljivo brenčanje.

Ellen McGinnis pravi, da se te lastnosti dobro ujemajo s tem, kar lahko pričakujete od nekoga, ki trpi za depresijo. "Glas z nizkim glasom in ponovljivi elementi govora odražajo tisto, o čemer razmišljamo, ko razmišljamo o depresiji: govorimo z monotonim glasom, ponavljamo, kar govorite," pravi Ellen McGinnis.

Močnejši odziv na brenčalec je podoben tudi odzivu, ki so ga raziskovalci ugotovili v svojem prejšnjem delu, kjer je bilo ugotovljeno, da imajo otroci z internalizacijskimi motnjami večji odziv odvračanja strašljive dražljaje pri nalogi za indukcijo strahu.

Analiza glasu ima pri diagnozi podobno natančnost kot analiza gibanja v prejšnjem delu, vendar Ryan McGinnis meni, da bi jo bilo v kliničnem okolju veliko lažje uporabiti.

Naloga strahu zahteva zatemnjeno sobo, igračo kačo, senzorje gibanja, pritrjene na otroka, in vodnika, medtem ko glasovna naloga potrebuje le sodnika, način snemanja govora in brenčalo za prekinitev. "To bi bilo bolj izvedljivo uvesti," pravi.

Ellen McGinnis pravi, da bo naslednji korak razviti algoritem za analizo govora v univerzalno presejalno orodje za klinično uporabo, morda prek aplikacije za pametni telefon, ki bi lahko rezultate snemala in analizirala takoj.

Glasovno analizo bi lahko skupaj z analizo gibanja združili v baterijo tehnološko podprtih diagnostičnih orodij, ki bi pomagala prepoznati otroke, ki jim grozi tesnoba in depresija, še preden njihovi starši sumijo, da je kaj narobe.

Vir: Univerza v Vermontu