Een algoritme kan tekenen van angst en depressie in de spraakpatronen van jonge kinderen detecteren. Mogelijk is dit een snelle en gemakkelijke manier om aandoeningen te diagnosticeren die moeilijk te herkennen zijn en vaak over het hoofd worden gezien.
Dat blijkt uit onderzoek aan University of Vermont waarvan de resultaten verschenen in het Journal of Biomedical and Health Information.
Ongeveer een op de vijf kinderen lijdt aan angst en depressie, gezamenlijk bekend onder de noemer ‘internaliserende aandoeningen’. Kinderen onder de acht jaar zijn echter niet in staat om hun emoties op betrouwbare wijze te verwoorden. Terwijl vroegtijdige diagnose van cruciaal belang is omdat kinderen goed reageren op behandeling wanneer hun hersenen nog in ontwikkeling zijn. Standaard wordt de diagnose gesteld doordat een getrainde professional een semi-gestructureerd interview afneemt van het kind en de ouder.
Ellen McGinnis is samen met de biomedische ingenieur van de University of Vermont en senior auteur Ryan McGinnis op zoek gegaan naar manieren om kunstmatige intelligentie en machine learning te gebruiken om de diagnose sneller en betrouwbaarder te maken.
Aanpak onderzoek
De onderzoekers gebruikten een aangepaste versie van een stemmingsinductietaak, de Trier-sociale stresstaak, die bedoeld is om gevoelens van stress en angst bij het kind te veroorzaken. Een groep van 71 kinderen tussen de drie en acht jaar werd gevraagd om een verhaal van drie minuten te vertellen met daarbij de mededeling dat ze zouden worden beoordeeld op basis van hoe interessant het verhaal was. De onderzoeker die als rechter optrad, bleef tijdens de toespraak streng en gaf alleen neutrale of negatieve feedback. Na 90 seconden, en opnieuw met nog 30 seconden te gaan, ging een zoemer af. “De taak is ontworpen om stressvol te zijn en ze in de mindset te plaatsen dat iemand ze beoordeelt”, aldus Ellen McGinnis.
De kinderen werden ook gediagnosticeerd met behulp van een gestructureerd klinisch interview en oudervragenlijst, beide goed ingeburgerde manieren om internaliserende stoornissen bij kinderen te identificeren.
De onderzoekers gebruikten een machine learning-algoritme om statistische kenmerken van de geluidsopnames van het verhaal van elk kind te analyseren en ze te relateren aan de diagnose van het kind. Ze vonden dat het algoritme zeer succesvol was in het diagnosticeren van kinderen. De middenfase van de opnames, tussen de twee zoemers, bevatte de voorspellende waarde.
Acht spraakkenmerken
“Het algoritme was in staat om een internaliserende stoornis bij kinderen met 80 procent nauwkeurigheid te identificeren, en in de meeste gevallen was dat heel goed vergelijkbaar met de nauwkeurigheid van de ouderchecklist”, zegt Ryan McGinnis. Het kan ook veel sneller resultaten opleveren – het algoritme heeft slechts enkele seconden verwerkingstijd nodig als de taak voltooid is om een diagnose te stellen.
Het algoritme identificeerde acht verschillende audiofuncties in de spraak van de kinderen, maar drie in het bijzonder bleken uitermate indicatief voor internaliserende stoornissen: lage stemmen, met herhaalbare spraakbuigingen en inhoud, en een hogere respons op de zoemer. Ellen McGinnis zegt dat deze kenmerken goed aansluiten 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 depressiviteit denken: monotoon spreken, herhalen wat je zegt.”
Screeningtool
Ellen McGinnis zegt dat de volgende stap zal zijn om het algoritme voor spraakanalyse te ontwikkelen tot een universele screeningtool voor klinisch gebruik, misschien via een smartphone-app die de resultaten onmiddellijk kan vastleggen en analyseren. De stemanalyse kan ook worden gecombineerd met de bewegingsanalyse in een batterij met technologie ondersteunde diagnostische hulpmiddelen om kinderen te identificeren die risico lopen op angst en depressie voordat zelfs hun ouders vermoeden dat er iets mis is.
AI Can Detect Depression in a Child’s Speech >>
