A The Annals of Family Medicine oldalain megjelent tanulmányban, kutatók értékelték a gépi tanulás hatékonyságát a súlyos vagy közepes depresszióhoz kapcsolódó hangjelek észlelésére.
Az eszköz mindössze 25 másodperc alatt sikeresen észlelte a depresszió hangjelző markereit, helyesen azonosítva a depresszió eseteit a minták több mint 70 százalékában, kiemelve annak hasznosságát a mentális egészség szűrésében. – írja cikkében a News Medical.
A mesterséges intelligencia segíthet a depresszió szűrésében
Köztudott, hogy a depresszió, jelentős egészségügyi probléma világszerte. Az általános szűrés ellenére, az alapellátásban a célzott depresszió-szűrés továbbra is nagyon alacsony.
A gépi tanulás javíthatja a szűrési arányokat anélkül, hogy további adminisztratív munkát jelentene. A depresszióban szenvedő emberek gyakran eltérő beszédmintákkal rendelkeznek, így a dadogás, habozás, a hosszabb szünetek és lassabb beszéd is jellemző rájuk. A gépi tanulási eszköz elemezheti ezeket a hang tulajdonságokat (az úgynevezett hang biomarkereket), hogy kimutassa a depresszió jeleit.
Nem igényel különösebb előkészületet, vagy más kellemetlen beavatkozással járó kivizsgálást, viszont jóval eredményesebb.
Ez a megközelítés hozzáférhetőbbé és hatékonyabbá teheti a szűrést, segítve a szakembereket a depresszió korai felismerésében és a betegellátás javításában.
A depresszió kutatása korunk egyik kiemelt feladata
A kutatók azt vizsgálták, hogy a mesterséges intelligencia, gépi tanulással képes-e felismerni a depresszió jeleit a beszédminták elemzésével. 14 898 felnőttet vizsgáltak, akiket a közösségi médián keresztül toboroztak az Egyesült Államokból és Kanadából. A sokszínű csoport biztosítása érdekében kifejezetten a férfiakat és az idősebb felnőtteket célozták meg a keresés során.
Ha erre a 6 kérdésre igennel válaszolsz, nikotinfüggő vagy
A résztvevők kitöltöttek egy standard depressziós kérdőívet, és legalább 25 másodpercnyi beszédet rögzítettek telefonjuk vagy számítógépük segítségével. A kutatók feldolgozták a felvételeket, hogy biztosítsák a tiszta és következetes hangminőséget.
A gépi tanulási modell, elemezte a hangfelvételeket annak megállapítására, hogy mérsékelt vagy súlyos depresszió jelei mutatkoznak-e az érintetteknél.
A résztvevőket három kategóriába sorolták, azonosítva őket, hogy valószínűleg depresszióban szenvednek, ha hangmintáik erősen ezt sugallják, nincsenek depresszió jelei, ha nem találtak egyértelmű hangjelzőket, és további értékelést javasoltak, ha az eredmények nem voltak egyértelműek.
A pontosság ellenőrzése érdekében a kutatók összehasonlították a mesterséges intelligencia előrejelzéseit a résztvevők tényleges kérdőíves eredményeivel.
Az eredmények bíztatóak
A tanulmány 14 898 résztvevő hangfelvételét elemezte. A résztvevők beszédmintái 25 másodperc és valamivel 75 másodperc között mozogtak, átlagosan körülbelül 58 másodperccel. Saját bevallásuk szerint a depressziós pontszámuk 0 és 27 között volt, a medián 9 volt.
Az ML modell kategorizálta a résztvevőket a depresszió markerei vagy a depresszió markerei nélkül.
71,3 százalékos szenzitivitást (depresszió kimutatásának képessége) és 73,5 százalékos specificitást (depresszió kizárásának képessége) ért el. Az esetek mintegy 20 százalékát (920 minta) bizonytalannak minősítették, ami további értékelést igényelt.
A nők érzékenyebbek (74%), de alacsonyabb specificitásúak (68,9%), míg a férfiak kevésbé voltak érzékenyek (59,3%), de nagyobb specificitásúak (83,9%). A fiatalabb (60 év alatti) résztvevők következetesebb eredményeket értek el, mint az idősebb (60 év feletti) résztvevők, akiknek érzékenysége 63,4%, de specificitása 86,8% volt.
Bár ez a technológia nem helyettesíti a klinikai diagnózist, segíthet az alapellátásban dolgozó orvosoknak több beteg hatékony szűrésében. Hasonló gépi tanulási eszközöket alkalmaztak más neurológiai állapotok kimutatására is, kiemelve azok egészségügyi lehetőségeit.
A fejlesztés alatt álló, mesterséges intelligencia alapú hangelemzés, támogathatja az általános depressziószűrést, segítve a klinikusokat a depresszió korai felismerésében és a diagnosztikai torzítás csökkentésében.
Legjobban:
Legrosszabbul: