AI-Sprachanalyse kann Depressionen bei kleinen Kindern erkennen

Neue Forschungsergebnisse legen nahe, dass ein Algorithmus für maschinelles Lernen Anzeichen von Angstzuständen und Depressionen in den Sprachmustern kleiner Kinder erkennen kann. Die Technik könnte eine schnellere und einfachere Möglichkeit sein, schwer zu erkennende Störungen bei jungen Menschen zu erkennen. Das frühzeitige Erkennen emotionaler Probleme ist wichtig, um eine rechtzeitige Pflege zu gewährleisten.

Die Ermittler erklären, dass etwa jedes fünfte Kind an Angstzuständen und Depressionen leidet, die zusammen als „Internalisierungsstörungen“ bezeichnet werden. Die Anzeichen der Störung sind jedoch schwer zu erkennen, da Kinder unter acht Jahren ihr emotionales Leiden nicht zuverlässig artikulieren können, was es schwierig macht, den Zustand zu erkennen.

Die Notwendigkeit, eine rechtzeitige Diagnose zu stellen, ist wichtig, da der Zugang zu einem Anbieter, sei es die Planung von Problemen oder die Erlangung einer Versicherungsüberprüfung, oft ein mühsamer Prozess ist.

"Wir brauchen schnelle, objektive Tests, um Kinder zu fangen, wenn sie leiden", sagte Dr. Ellen McGinnis, klinische Psychologin am Vermont Center for Children, Youth and Families des University of Vermont Medical Center und Hauptautorin der Studie. "Die Mehrheit der Kinder unter acht Jahren ist nicht diagnostiziert."

Die Forschung erscheint in der Zeitschrift für Biomedizin und Gesundheitsinformatik.

Eine frühzeitige Diagnose ist wichtig, da Kinder gut auf die Behandlung ansprechen, während sich ihr Gehirn noch entwickelt. Wenn sie jedoch unbehandelt bleiben, besteht ein höheres Risiko für Drogenmissbrauch und Selbstmord im späteren Leben.

Die Standarddiagnose umfasst ein 60-90-minütiges halbstrukturiertes Interview mit einem ausgebildeten Kliniker und dessen Erstversorger.

McGinnis hat zusammen mit dem biomedizinischen Ingenieur der Universität Vermont und dem leitenden Autor der Studie, Ryan McGinnis, nach Möglichkeiten gesucht, künstliche Intelligenz und maschinelles Lernen einzusetzen, um die Diagnose schneller und zuverlässiger zu machen.

Die Forscher verwendeten eine angepasste Version einer Stimmungsinduktionsaufgabe namens Trier-Social Stress Task, die bei dem Probanden Stress- und Angstgefühle hervorrufen soll.

Eine Gruppe von 71 Kindern im Alter zwischen drei und acht Jahren wurde gebeten, eine dreiminütige Geschichte zu improvisieren, und sie sagten, dass sie danach beurteilt würden, wie interessant sie sei. Der als Richter fungierende Forscher blieb während der gesamten Rede streng und gab nur neutrales oder negatives Feedback. Nach 90 Sekunden und erneut mit 30 Sekunden ertönte ein Summer und der Richter sagte ihnen, wie viel Zeit noch übrig war.

"Die Aufgabe ist darauf ausgelegt, stressig zu sein und sie in die Denkweise zu versetzen, dass jemand sie beurteilt", sagt Ellen McGinnis.

Die Diagnose der Kinder erfolgte auch anhand eines strukturierten klinischen Interviews und eines Elternfragebogens, beides etablierte Methoden zur Identifizierung von Internalisierungsstörungen bei Kindern.

Die Forscher verwendeten einen Algorithmus für maschinelles Lernen, um statistische Merkmale der Audioaufnahmen der Geschichte jedes Kindes zu analysieren und sie mit der Diagnose des Kindes in Beziehung zu setzen. Sie fanden heraus, dass der Algorithmus bei der Diagnose von Kindern sehr erfolgreich war und dass die mittlere Phase der Aufzeichnungen zwischen den beiden Summern die prädiktivste Diagnose war.

"Der Algorithmus war in der Lage, Kinder mit einer Diagnose einer Internalisierungsstörung mit einer Genauigkeit von 80 Prozent zu identifizieren, und in den meisten Fällen war dies im Vergleich zur Genauigkeit der Eltern-Checkliste sehr gut", sagt Ryan McGinnis.

Es kann auch viel schneller zu Ergebnissen führen - der Algorithmus benötigt nur wenige Sekunden Verarbeitungszeit, sobald die Aufgabe abgeschlossen ist, um eine Diagnose zu stellen.

Der Algorithmus identifizierte acht verschiedene Audiofunktionen der Sprache der Kinder, von denen jedoch drei besonders auf Internalisierungsstörungen hinweisen: tiefe Stimmen mit wiederholbaren Sprachbeugungen und -inhalten und eine höhere Reaktion auf den überraschenden Summer.

Laut Ellen McGinnis passen diese Funktionen gut zu dem, was Sie von jemandem erwarten können, der an Depressionen leidet. "Eine tiefe Stimme und wiederholbare Sprachelemente spiegeln wider, woran wir denken, wenn wir an Depressionen denken: mit monotoner Stimme sprechen und wiederholen, was Sie sagen", sagt Ellen McGinnis.

Die höhere Reaktion auf den Summer ähnelt auch der Reaktion, die die Forscher in ihrer vorherigen Arbeit gefunden haben, in der festgestellt wurde, dass Kinder mit Internalisierungsstörungen eine größere Abwendungsreaktion von einem ängstlichen Reiz bei einer Angstinduktionsaufgabe zeigen.

Die Sprachanalyse hat eine ähnliche Diagnosegenauigkeit wie die Bewegungsanalyse in dieser früheren Arbeit, aber Ryan McGinnis glaubt, dass die Verwendung in einer klinischen Umgebung viel einfacher wäre.

Die Angstaufgabe erfordert einen abgedunkelten Raum, eine Spielzeugschlange, am Kind angebrachte Bewegungssensoren und einen Führer, während die Sprachaufgabe nur einen Richter, eine Möglichkeit zum Aufzeichnen von Sprache und einen Summer zum Unterbrechen benötigt. "Dies wäre praktikabler zu implementieren", sagt er.

Ellen McGinnis sagt, dass der nächste Schritt darin bestehen wird, den Sprachanalysealgorithmus zu einem universellen Screening-Tool für den klinischen Einsatz zu entwickeln, möglicherweise über eine Smartphone-App, mit der Ergebnisse sofort aufgezeichnet und analysiert werden können.

Die Sprachanalyse könnte auch mit der Bewegungsanalyse zu einer Reihe technologiegestützter Diagnosewerkzeuge kombiniert werden, um Kinder zu identifizieren, bei denen das Risiko von Angstzuständen und Depressionen besteht, bevor selbst ihre Eltern den Verdacht haben, dass etwas nicht stimmt.

Quelle: Universität von Vermont