כלי למידת מכונה זיהה בהצלחה סמנים ווקאליים של דיכאון בלמעלה מ- 70% מהמקרים תוך 25 שניות, והדגיש את הפוטנציאל שלו לשיפור בדיקת הבריאות הנפשית בהגדרות הבריאות הראשוניות.
לִלמוֹד: הערכה של כלי ביו-סמן ביו-סמן מבוסס AI לגילוי איתותים התואמים לדיכאון בינוני עד קשהו קרדיט תמונה: PeopleImages.com – Yuri A/Shutterstock.com
במאמר שפורסם לאחרונה ב- תולדות רפואת המשפחההחוקרים העריכו את היעילות של כלי למידת מכונה (ML) לגילוי סימנים ווקאליים הקשורים לדיכאון קשה או בינוני.
הכלי זיהה בהצלחה סמנים ווקאליים של דיכאון תוך 25 שניות בלבד, ומזהה נכון מקרי דיכאון בלמעלה מ- 70% מהדגימות, והדגיש את התועלת שלו לבדיקת בריאות הנפש.
רֶקַע
דיכאון הוא נושא בריאותי עיקרי, המשפיע על כ -18 מיליון אמריקאים בשנה, כאשר כמעט 30% חוו אותו בשלב מסוים בחייהם.
למרות הנחיות הממלצות על סינון אוניברסלי, בדיקת דיכאון בטיפול ראשוני נותרו נמוכים מאוד (<4%), ואפילו כאשר מומלץ בדיקה, נבדקים פחות מ- 50% מהחולים הזכאים.
ל- ML יש פוטנציאל לשפר את שיעורי המיון מבלי להוסיף עבודה מנהלית נוספת. לאנשים שחווים דיכאון יש לעתים קרובות דפוסי דיבור מובחנים, כולל גמגום, היסוסים, הפסקות ארוכות יותר ודיבור איטי יותר. ML יכול לנתח את התכונות הקוליות הללו, המכונות סמנים ביולוגיים קוליים, כדי לאתר סימני דיכאון.
שימוש ב- ML לצורך בדיקת דיכאון מבוסס קול מציע דרך לא פולשנית, אובייקטיבית ואוטומטית לזהות אנשים בסיכון, במיוחד בהגדרות בריאות וירטואליות.
גישה זו עשויה להפוך את ההקרנה לנגישה ויעילה יותר, ובסופו של דבר לעזור לקלינאים לאתר דיכאון מוקדם יותר ולשפר את הטיפול בחולים.
על המחקר
החוקרים בדקו אם ML יכולה לאתר סימני דיכאון על ידי ניתוח דפוסי דיבור. הם למדו 14,898 מבוגרים שגויסו באמצעות מדיה חברתית מארה"ב וקנדה. כדי להבטיח קבוצה מגוונת, הם ממוקדים באופן ספציפי גברים ומבוגרים מבוגרים בהגעה שלהם.
המשתתפים השלימו שאלון דיכאון סטנדרטי ורשמו לפחות 25 שניות של דיבור באמצעות הטלפונים או המחשבים שלהם. החוקרים עיבדו את ההקלטות כדי להבטיח איכות שמע ברורה ועקבית.
מודל ה- ML ניתח את הקלטות הקול כדי לקבוע אם מישהו עלול להיות דיכאון בינוני עד קשה.
זה מיין את המשתתפים לשלוש קטגוריות, ומזהה אותם כמי שיש לדיכאון אם דפוסי הקול שלהם הציעו מאוד כך, ללא סימני דיכאון אם לא נמצאו סמנים קוליים ברורים, וממליץ על הערכה נוספת אם התוצאות לא היו ברורות.
כדי לבדוק את הדיוק, החוקרים השוו את תחזיות מודל ה- ML עם תוצאות השאלון בפועל של המשתתפים. הם גם כוונו את המערכת כדי להפחית שגיאות.
ממצאים
המחקר ניתח הקלטות קוליות של 14,898 משתתפים, וחילק אותן לשתי קבוצות: 10,442 לאימונים ו -4,456 הנותרים לצורך אימות. דגימות הדיבור של המשתתפים נעו בין 25 למקצת מתחת ל 75 שניות, עם ממוצע של כ 58 שניות. ציוני הדיכאון המדווחים על עצמם נעו בין 0 ל 27, עם חציון של 9.
מודל ה- ML סיווג את המשתתפים כבעלי סמנים לדיכאון או ללא סמני דיכאון על פני 3,536 דגימות אימות.
היא השיגה רגישות של 71.3% (יכולת לאתר דיכאון) וספציפיות (יכולת לשלול דיכאון) של 73.5%. כ- 20% מהמקרים (920 דגימות) סווגו כלא וודאים, והצריכו הערכה נוספת.
המודל ביצע באופן שונה בין קבוצות דמוגרפיות. זה זיהה דיכאון בצורה מדויקת ביותר במשתתפים היספניים/לטיניים (80.3%) ובמשתתפים שחורים/אפרו -אמריקאים (72.4%). הספציפיות הייתה הגבוהה ביותר עבור תושב האי האסייתי/האוקיאנוס השקט (77.5%) וקבוצות שחורות/אפרו -אמריקאיות (75.9%).
לנשים הייתה רגישות גבוהה יותר (74%) אך ספציפיות נמוכה יותר (68.9%), בעוד שלגברים הייתה רגישות נמוכה יותר (59.3%) אך ספציפיות גבוהה יותר (83.9%). למשתתפים הצעירים יותר (מתחת לגיל 60) היו תוצאות עקביות יותר בהשוואה למשתתפים מבוגרים (60 ומעלה), שרגישותם הייתה 63.4% אך הספציפיות הייתה 86.8%.
בסך הכל, מודל ה- ML הראה הבטחה להקרנת דיכאון, אם כי הדיוק השתנה לפי גיל, מין ואתניות.
מסקנות
מחקר זה בדק את הפוטנציאל של ML לגילוי דפוסי קול הקשורים לדיכאון בינוני עד קשה. מודל ה- ML ניתח דגימות דיבור קצרות ובוצע באופן דומה לכלי סינון מבוססים, עם רגישות של 71.3% והספציפיות של 73.5%.
אמנם אינו מחליף לאבחון קליני, אך טכנולוגיה זו יכולה לעזור לרופאים לטיפול ראשוני להקרין יותר חולים ביעילות. כלי ML דומים יושמו כדי לאתר מצבים נוירולוגיים, מה שמדגיש את הפוטנציאל שלהם בבריאות.
אתגר אחד הוא איזון שליליות שווא וחיובי שווא, שניתן לשנותם בהתאם לצרכים הקליניים. המודל ביצע פחות מדויק עבור גברים, אולי בגלל הייצוג הנמוך שלהם בנתוני האימונים וההבדלים בתסמיני הדיכאון.
למבוגרים מבוגרים היו גם רגישות נמוכה יותר אך ספציפיות גבוהה יותר, מה שמרמז כי שינויים קוליים הקשורים לגיל עשויים להשפיע על התוצאות.
במחקר היו משתתפים מגוונים ברחבי ארה"ב וקנדה, אך יש צורך במחקר נוסף כדי להבין כיצד תנאים משולבים משפיעים על סמנים ביולוגיים קוליים. מחקרים עתידיים צריכים גם לשכלל את המודל לדיוק טוב יותר בין אוכלוסיות שונות.
בעוד שעדיין בפיתוח, ניתוח קולי מבוסס ML יכול לתמוך בסינון דיכאון אוניברסלי, ולסייע לקלינאים לאתר דיכאון מוקדם יותר ולהפחית את הטיה האבחנתית.
בסך הכל, המחקר עולה כי ניתוח קול מבוסס ML יכול להוות כלי שימושי להקרנת דיכאון, מה שמקל על הרופאים לזהות את הנזקקים. עם זאת, יש צורך במחקר נוסף לפני שניתן להשתמש בו באופן נרחב.