Maschinelles Lernen kann helfen, Psychosen durch Sprachanalyse vorherzusagen

Eine neue Methode des maschinellen Lernens kann mit einer Genauigkeit von 93 Prozent vorhersagen, ob eine Person, bei der ein Risiko für Psychosen besteht, die Störung weiter entwickeln wird.

Die von Wissenschaftlern der Emory University und der Harvard University entwickelte Methode stellte fest, dass eine höhere als die normale Verwendung von Wörtern im Zusammenhang mit Klang in Kombination mit einer höheren Rate an Wörtern mit ähnlicher Bedeutung dazu führte, dass eine Psychose wahrscheinlich am Horizont stand.

Selbst geschulte Kliniker hatten nicht bemerkt, dass Menschen, bei denen ein Risiko für Psychosen besteht, mehr Wörter im Zusammenhang mit Geräuschen verwenden als der Durchschnitt, obwohl eine abnormale Hörwahrnehmung ein Frühwarnzeichen ist.

„Der Versuch, diese Feinheiten in Gesprächen mit Menschen zu hören, ist wie der Versuch, mikroskopisch kleine Keime mit den Augen zu sehen“, sagt Neguine Rezaii, Erstautorin des Papiers. „Die von uns entwickelte automatisierte Technik ist ein sehr sensibles Werkzeug, um diese verborgenen Muster zu erkennen. Es ist wie ein Mikroskop zur Warnung vor Anzeichen einer Psychose. "

Das Auftreten von Schizophrenie und anderen psychotischen Störungen tritt typischerweise in den frühen 20er Jahren auf, wobei Frühwarnzeichen - bekannt als Prodromalsyndrom - ab dem 17. Lebensjahr auftreten. Etwa 25 bis 30 Prozent der jungen Menschen mit Prodromalsyndrom entwickeln schließlich eine Schizophrenie oder eine andere psychotische Störung.

Derzeit gibt es keine Heilung für Psychosen. Durch strukturierte Interviews und kognitive Tests können geschulte Kliniker Psychosen mit einer Prodromalsyndrom-Genauigkeit von etwa 80 Prozent vorhersagen.

Die Forschung mit maschinellem Lernen, einer Form künstlicher Intelligenz, die verborgene Muster aufdecken kann, ist eine der vielen laufenden Bemühungen, Diagnosemethoden zu rationalisieren, neue Variablen zu identifizieren und die Genauigkeit von Vorhersagen zu verbessern.

"Früher war bekannt, dass subtile Merkmale der zukünftigen Psychose in der Sprache der Menschen vorhanden sind, aber wir haben maschinelles Lernen verwendet, um tatsächlich verborgene Details über diese Merkmale aufzudecken", sagt der leitende Autor Phillip Wolff, Professor für Psychologie an der Emory. Wolffs Labor konzentriert sich auf Sprachsemantik und maschinelles Lernen, um Entscheidungsfindung und psychische Gesundheit vorherzusagen.

Für die Studie verwendeten die Forscher zunächst maschinelles Lernen, um „Normen“ für die Konversationssprache festzulegen. Sie fütterten ein Computersoftwareprogramm mit den Online-Gesprächen von 30.000 Benutzern von Reddit, einer Social-Media-Plattform, auf der Menschen informelle Diskussionen über eine Reihe von Themen führen.

Das als Word2Vec bekannte Softwareprogramm verwendet einen Algorithmus, um einzelne Wörter in Vektoren umzuwandeln (ein mathematischer Begriff, der sich auf die Position eines Punktes im Raum relativ zu einem anderen bezieht). Mit anderen Worten, das Programm hat jedes Wort basierend auf seiner Bedeutung einem Ort in einem semantischen Raum zugewiesen. Wörter mit ähnlichen Bedeutungen wurden näher beieinander positioniert als Wörter mit sehr unterschiedlichen Bedeutungen.

Das Wolff-Labor entwickelte auch ein Computerprogramm, um das „Auspacken von Vektoren“ oder die Analyse der semantischen Dichte der Wortverwendung durchzuführen. Durch das Auspacken von Vektoren konnten die Forscher quantifizieren, wie viele Informationen in jeden Satz gepackt wurden.

Nachdem die Forscher eine Basislinie „normaler“ Daten erstellt hatten, wendeten sie dieselben Techniken auf diagnostische Interviews mit 40 jungen Menschen mit hohem Psychoserisiko an. Die automatisierten Analysen der Teilnehmerproben wurden dann mit der normalen Basisprobe verglichen.

Die Ergebnisse zeigten, dass eine höhere als die normale Verwendung von klangbezogenen Wörtern zusammen mit einer höheren Rate an Wörtern mit ähnlicher Bedeutung das Auftreten einer Psychose bedeutete.

Zu den Stärken der Studie zählen die Einfachheit der Verwendung von nur zwei Variablen - beide haben eine starke theoretische Grundlage - die Replikation der Ergebnisse in einem Holdout-Datensatz und die hohe Genauigkeit der Vorhersagen von über 90 Prozent.

"Im klinischen Bereich fehlt es uns oft an Präzision", sagt Rezaii. "Wir brauchen quantifiziertere, objektivere Methoden, um subtile Variablen zu messen, wie sie im Sprachgebrauch verborgen sind."

Rezaii und Wolff sammeln jetzt größere Datenmengen und testen die Anwendung ihrer Methoden auf eine Vielzahl von neuropsychiatrischen Erkrankungen, einschließlich Demenz.

„Diese Forschung ist nicht nur wegen ihres Potenzials interessant, mehr über psychische Erkrankungen zu verraten, sondern auch, um zu verstehen, wie der Geist funktioniert - wie er Ideen zusammensetzt“, sagt Wolff. "Die Technologie des maschinellen Lernens schreitet so schnell voran, dass sie uns Werkzeuge zur Datengewinnung des menschlichen Geistes bietet."

Die Co-Autorin Elaine Walker, Emory-Professorin für Psychologie und Neurowissenschaften, sagt: „Wenn wir gefährdete Personen früher identifizieren und vorbeugende Maßnahmen ergreifen können, können wir möglicherweise die Defizite umkehren.“

Die Ergebnisse werden in der Zeitschrift veröffentlicht npj Schizophrenie.

Quelle: Emory Health Sciences