Согласно новому исследованию, опубликованному в «Журнале», алгоритм машинного обучения может обнаруживать признаки тревоги и депрессии в речевых моделях детей младшего возраста, потенциально обеспечивая быстрый и простой способ диагностики состояний, которые трудно обнаружить и которые часто упускают из виду у молодых людей.
Согласно новому исследованию, опубликованному в «Journal of Biomedical and Health Informatics», алгоритм машинного обучения может обнаруживать признаки тревоги и депрессии в речевых моделях детей младшего возраста, потенциально обеспечивая быстрый и простой способ диагностики состояний, которые трудно обнаружить и которые часто упускают из виду у молодых людей.
Приблизительно каждый пятый ребенок страдает от тревоги и депрессии, известных под общим названием «интернализующие расстройства». Но поскольку дети в возрасте до восьми лет не могут достоверно сформулировать свои эмоциональные страдания, взрослые должны иметь возможность определять психическое состояние и распознавать потенциальные проблемы с психическим здоровьем у детей. Листы ожидания для встреч с психологами, вопросы страхования и неспособность распознать симптомы со стороны родителей способствуют тому, что дети пропускают жизненно важное лечение.
«Нам нужны быстрые, объективные тесты, чтобы поймать момент, когда дети страдают», – говорит Эллен Макгиннис, клинический психолог из Вермонтского медицинского центра для детей, молодежи и семей, а так же ведущий автор исследования. «Большинство детей до восьми лет не диагностируются».
Ранняя диагностика имеет решающее значение, потому что дети хорошо реагируют на лечение, пока их мозг еще развивается, но если их не лечить, они подвергаются большему риску злоупотребления психоактивными веществами и риску самоубийства в дальнейшей жизни. Стандартная диагностика включает 60-90 минутное полуструктурированное интервью со специализированным врачом и его основным лечащим врачом. Макгиннис вместе с биомедицинским инженером Университета Вермонта и старшим автором исследования Райаном Макгиннисом искали способы использования искусственного интеллекта и машинного обучения для более быстрой и надежной диагностики.
Исследователи использовали адаптированную версию задачи индукции настроения под названием «Социальный стресс-тест Трира». Этот тест носит название в честь Трирского университета в Германии, где он был разработан. Тест предназначен для того, чтобы вызвать у субъекта чувство стресса и тревоги. Группу из 71 ребенка в возрасте от трех до восьми лет попросили рассказать импровизированную трехминутную историю и сказали, что их будут судить по тому, насколько это интересно. Исследователь, действующий в качестве судьи, оставался строгим на протяжении всей речи и давал только нейтральную или отрицательную обратную связь. Через 90 секунд и далее через 30 секунд раздастся зуммер, и судья скажет им, сколько осталось времени.
«Задача разработана для того, чтобы быть стрессовой и дать им ощущение того, что кто-то их судит», – говорит Эллен МакГиннис.
Детям также был поставлен диагноз с использованием структурированного клинического опроса и родительского опросника, оба хорошо известных способа выявления интернализующих расстройств у детей.
Исследователи использовали алгоритм машинного обучения, чтобы проанализировать статистические особенности аудиозаписей истории каждого ребенка и связать их с диагнозом ребенка. Они обнаружили, что алгоритм был очень успешным при диагностировании детей, и что средняя фаза записей, между двумя зуммерами, была наиболее предсказательной для диагноза.
«Алгоритм смог идентифицировать детей с диагнозом интернализующего расстройства с точностью до 80%, и в большинстве случаев диагноз совпадал с данными родительского контрольного списка», – говорит Райан МакГиннис.
АИ также может дать результаты намного быстрее – алгоритму требуется всего несколько секунд времени обработки после завершения задачи для постановки диагноза.
Алгоритм идентифицировал восемь различных звуковых особенностей детской речи, но три, в частности, выделялись как наиболее показательные для интернализующих расстройств: низкие голоса, с повторяющимися речевыми перегибами и содержанием, и более высокий отклик на внезапный зуммер. Эллен МакГиннис говорит, что эти черты свойственны людям, страдающим депрессией.
Высокий отклик на зуммер также схож с откликом, который исследователи обнаружили в своей предыдущей работе, где у детей с интернализующими расстройствами обнаруживался больший отклик от страшного стимула в задаче индукции страха.
Точность анализа голоса в диагностике аналогична анализу движения в той ранней работе, но Райан МакГиннис считает, что его будет гораздо проще использовать в клинических условиях. Для задания страха требуется затемненная комната, игрушечная змея, датчики движения, прикрепленные к ребенку, и проводник, в то время как для задания голоса требуется только судья, способ записи речи и зуммер для прерывания. «Это было бы более целесообразно для развертывания», говорит он.
Эллен МакГиннис говорит, что следующим шагом будет превращение алгоритма анализа речи в универсальный инструмент скрининга для клинического использования, возможно, с помощью приложения для смартфона, которое может немедленно записывать и анализировать результаты. Анализ голоса также может быть объединен с анализом движений в единый диагностический инструмент, чтобы помочь выявить детей с риском тревоги и депрессии, даже раньше чем их родители заподозрят, что что-то не так.
