Zdrowie psychiczne staje się coraz poważniejszym wyzwaniem w dzisiejszym społeczeństwie. W 2021 roku aż 8,3% dorosłych Amerykanów zmagało się z dużą depresją (MDD), a 19,1% cierpiało na zaburzenia lękowe (AD). Pandemia COVID-19 jedynie pogłębiła te problemy. Pomimo wysokiej częstości występowania tych zaburzeń, ich diagnoza i leczenie pozostają na stosunkowo niskim poziomie – odpowiednio 36,9% dla AD i 61,0% dla MDD. Przyczyną tego stanu rzeczy są zarówno bariery społeczne i strukturalne, jak i postrzeganie problemu przez samych pacjentów. Naukowcy starają się jednak znaleźć nowe sposoby na skuteczne wykrywanie tych schorzeń, a jednym z najbardziej obiecujących kierunków są zautomatyzowane narzędzia diagnostyczne.
Jednym z najnowszych osiągnięć w tej dziedzinie jest wykorzystanie technologii uczenia maszynowego do analizy sygnałów głosowych. Naukowcy opublikowali w czasopiśmie JASA Express Letters wyniki badań, w których opracowali model pozwalający na identyfikację osób cierpiących na zaburzenia depresyjne i lękowe na podstawie ich mowy. Badania przeprowadzono dzięki współpracy specjalistów z University of Illinois Urbana-Champaign, University of Illinois College of Medicine w Peoria oraz Southern Illinois University School of Medicine. Nowo opracowana metoda wykorzystuje krótkie testy werbalne w celu wychwycenia subtelnych różnic akustycznych w głosie pacjentów.
Inspiracją do podjęcia tego tematu była obserwacja, że pacjenci cierpiący na depresję i zaburzenia lękowe często mierzą się z opóźnioną diagnozą i rozpoczęciem leczenia. Wcześniejsze badania wykazały, że analiza głosu może dostarczyć wielu istotnych informacji o stanie psychicznym człowieka. Jak podkreśla główna autorka badań, Mary Pietrowicz, pewne wzorce dźwiękowe w mowie mogą być powiązane nie tylko z chorobami psychicznymi, ale również neurologicznymi czy nawet schorzeniami układu pokarmowego. To odkrycie stało się impulsem do dalszych badań nad możliwością wykrywania depresji i lęku na podstawie analizy głosu.
Zidentyfikowanie współistniejących zaburzeń depresyjnych i lękowych (comorbid AD/MDD) stanowi szczególne wyzwanie, ponieważ ich akustyczne sygnatury często są przeciwstawne. Depresja może skutkować spowolnieniem mowy, mniejszą intonacją i monotonnym tonem, podczas gdy zaburzenia lękowe często objawiają się przyspieszonym tempem mowy i zwiększoną intensywnością głosu. Wiele wcześniejszych badań pomijało te subtelne różnice, co prowadziło do niedokładnych wyników diagnozy.
W ramach eksperymentu badacze nagrali głosy kobiet, zarówno tych cierpiących na zaburzenia lękowe i depresję jednocześnie, jak i tych, które nie miały takich diagnoz. Uczestniczki zostały poproszone o wykonanie testu werbalnego polegającego na nazwaniu jak największej liczby zwierząt w ciągu jednej minuty. Dane głosowe były rejestrowane za pośrednictwem bezpiecznej platformy telemedycznej. Następnie z nagrań wyodrębniono cechy akustyczne i fonemiczne, które zostały przeanalizowane przez algorytmy sztucznej inteligencji.
Wyniki tych badań były niezwykle obiecujące – test trwający zaledwie minutę pozwolił skutecznie odróżnić osoby z comorbid AD/MDD od zdrowych uczestników. Okazało się, że osoby cierpiące na te zaburzenia używały prostszych słów, miały mniejszą zmienność w długości fonemów oraz wykazywały ograniczoną różnorodność fonetyczną. Te subtelne różnice w mowie mogą więc stanowić cenny wskaźnik diagnostyczny.
Choć badania dostarczyły obiecujących wyników, Mary Pietrowicz podkreśla, że to dopiero początek drogi. Kolejnym krokiem będzie dogłębne zrozumienie biologicznych mechanizmów stojących za tymi różnicami oraz dalsza optymalizacja modelu uczenia maszynowego. Aby stworzyć w pełni funkcjonalne narzędzie diagnostyczne, konieczne będzie zebranie znacznie większej ilości danych obejmujących różnorodne populacje i warunki zdrowotne. Badacze planują rozszerzenie skali swoich analiz, uwzględniając nowe źródła danych oraz bardziej zaawansowane techniki analizy sygnałów akustycznych.
Nowe podejście do diagnozowania zaburzeń psychicznych może w przyszłości zrewolucjonizować sposób, w jaki rozpoznawane są problemy związane z depresją i lękiem. Automatyczne narzędzia diagnostyczne, oparte na prostych testach głosowych i sztucznej inteligencji, mogą umożliwić wcześniejsze wykrywanie tych schorzeń i tym samym poprawić dostęp do opieki psychiatrycznej. Dzięki dalszym badaniom i udoskonaleniu algorytmów, technologia ta może stać się nieocenionym wsparciem zarówno dla lekarzy, jak i pacjentów na całym świecie.
