Een machine learning-algoritme kan tekenen van angst en depressie detecteren in de spraakpatronen van jonge kinderen, mogelijk een snelle en gemakkelijke manier om aandoeningen te diagnosticeren die moeilijk te herkennen zijn en vaak over het hoofd worden gezien bij jonge mensen, volgens nieuw onderzoek gepubliceerd in de Tijdschrift voor biomedische en gezondheidsinformatica .

Ongeveer een op de vijf kinderen lijdt aan angst en depressie, gezamenlijk bekend als 'internaliserende stoornissen'. Maar omdat kinderen onder de acht jaar hun emotionele lijden niet betrouwbaar kunnen verwoorden, volwassenen moeten hun mentale toestand kunnen afleiden, en mogelijke psychische problemen te herkennen. Wachtlijsten voor afspraken met psychologen, verzekeringskwesties, en het niet herkennen van de symptomen door ouders dragen er allemaal toe bij dat kinderen essentiële behandeling mislopen.

"We moeten snel, objectieve tests om kinderen te vangen wanneer ze lijden, " zegt Ellen McGinnis, een klinisch psycholoog aan het Vermont Center for Children van het University of Vermont Medical Center, Jeugd en Gezinnen en hoofdauteur van de studie. "De meerderheid van de kinderen onder de acht is niet gediagnosticeerd."

Vroege diagnose is van cruciaal belang omdat kinderen goed reageren op de behandeling terwijl hun hersenen nog in ontwikkeling zijn, maar als ze onbehandeld blijven, lopen ze een groter risico op middelenmisbruik en zelfmoord later in het leven. De standaarddiagnose omvat een halfgestructureerd interview van 60-90 minuten met een getrainde clinicus en hun primaire zorgverlener. McGinnis, samen met biomedisch ingenieur van de Universiteit van Vermont en senior auteur Ryan McGinnis, is op zoek naar manieren om kunstmatige intelligentie en machine learning te gebruiken om de diagnose sneller en betrouwbaarder te maken.

De onderzoekers gebruikten een aangepaste versie van een stemmingsinductietaak genaamd de Trier-Social Stress Task, die bedoeld is om gevoelens van stress en angst bij het onderwerp te veroorzaken. Een groep van 71 kinderen in de leeftijd van drie tot acht jaar werd gevraagd om een ​​verhaal van drie minuten te improviseren, en vertelde dat ze zouden worden beoordeeld op hoe interessant het was. De onderzoeker die als rechter optrad, bleef de hele toespraak streng, en gaf alleen neutrale of negatieve feedback. Na 90 seconden, en opnieuw met nog 30 seconden te gaan, een zoemer zou klinken en de rechter zou hen vertellen hoeveel tijd er nog was.

"De taak is ontworpen om stressvol te zijn, en om ze in de gedachte te brengen dat iemand hen beoordeelde, ' zegt Ellen McGinnis.

De kinderen werden ook gediagnosticeerd met behulp van een gestructureerd klinisch interview en oudervragenlijst, beide gevestigde manieren om internaliserende stoornissen bij kinderen te identificeren.

De onderzoekers gebruikten een machine learning-algoritme om statistische kenmerken van de audio-opnames van het verhaal van elk kind te analyseren en deze te relateren aan de diagnose van het kind. Ze ontdekten dat het algoritme zeer succesvol was in het diagnosticeren van kinderen, en dat de middenfase van de opnames, tussen de twee zoemers, was het meest voorspellend voor een diagnose.

"Het algoritme was in staat om kinderen met een diagnose van een internaliserende stoornis met 80% nauwkeurigheid te identificeren, en in de meeste gevallen was dat heel goed vergeleken met de nauwkeurigheid van de bovenliggende checklist, ", zegt Ryan McGinnis. Het kan de resultaten ook veel sneller opleveren - het algoritme heeft slechts een paar seconden verwerkingstijd nodig als de taak eenmaal is voltooid om een ​​diagnose te stellen.

Het algoritme identificeerde acht verschillende audiokenmerken van de spraak van de kinderen, maar drie vielen in het bijzonder op als zeer indicatief voor internaliserende stoornissen:lage stemmen, met herhaalbare spraakverbuigingen en inhoud, en een hogere toon op de verrassende zoemer. Ellen McGinnis zegt dat deze kenmerken goed passen bij wat je zou verwachten van iemand die aan een depressie lijdt. "Een lage stem en herhaalbare spraakelementen weerspiegelen waar we aan denken als we aan depressie denken:spreken met een monotone stem, herhalen wat je zegt, ' zegt Ellen McGinnis.

De hogere toon op de zoemer is ook vergelijkbaar met de reactie die de onderzoekers in hun vorige werk vonden, waar kinderen met internaliserende stoornissen een grotere afkeerreactie vertoonden van een angstige stimulus in een angstinductietaak.

De stemanalyse heeft een vergelijkbare nauwkeurigheid in diagnose als de bewegingsanalyse in dat eerdere werk, maar Ryan McGinnis denkt dat het veel gemakkelijker te gebruiken is in een klinische setting. De angsttaak vereist een verduisterde kamer, speelgoed slang, bewegingssensoren bevestigd aan het kind en een gids, terwijl de stemtaak alleen een rechter nodig heeft, een manier om spraak op te nemen en een zoemer om te onderbreken. "Dit zou beter uitvoerbaar zijn, " hij zegt.

Ellen McGinnis zegt dat de volgende stap zal zijn om het spraakanalyse-algoritme te ontwikkelen tot een universeel screeningsinstrument voor klinisch gebruik. misschien via een smartphone-app die de resultaten onmiddellijk kon vastleggen en analyseren. De spraakanalyse kan ook worden gecombineerd met de bewegingsanalyse in een batterij van door technologie ondersteunde diagnostische hulpmiddelen, om kinderen met een risico op angst en depressie te helpen identificeren voordat zelfs hun ouders vermoeden dat er iets mis is.