2023 Autor: Bryan Walter | [email protected]. Zuletzt bearbeitet: 2023-05-24 23:09
Amerikanische Entwickler vom Massachusetts Institute of Technology haben eine Methode entwickelt, um Depressionen automatisch durch Sprechen zu diagnostizieren. Der Ansatz basiert auf der Verwendung eines neuronalen Netzes, das in Gesprächen mit Patienten mit Depressionen und mit gesunden Menschen trainiert wurde. Die diagnostische Genauigkeit mit der vorgeschlagenen Methode betrug 77 Prozent. Die Autoren weisen darauf hin, dass der Algorithmus kontextfrei ist und die Diagnostik an jedem ausreichend vollständigen Sprachfragment des Patienten unabhängig vom Gesprächsthema durchgeführt werden kann. Ein Vorabdruck des Artikels mit den Forschungsergebnissen wird auf der Website des Instituts veröffentlicht.
Typischerweise wird eine Depression durch Gespräche mit einem Psychiater diagnostiziert, die Standardfragen zur Vorgeschichte von psychischen Störungen und Süchten in der Familie und zur Dynamik der Stimmung und des Wohlbefindens des Patienten über einen bestimmten Zeitraum umfassen. Nach ICD-10 ist eine depressive Episode gekennzeichnet durch Niedergeschlagenheit, Unfähigkeit zu genießen und zu genießen, Verlust des Interesses an gewohnheitsmäßigen Aktivitäten, Müdigkeit, Appetitlosigkeit (oder Appetitlosigkeit oder umgekehrt - übermäßiges Essen) und Schlaf (Hypersomnie oder Schlaflosigkeit). Niedergeschlagenheit und Interesseverlust sind nicht so leicht zu erkennen: Oftmals leugnen Patienten beispielsweise ein Problem oder sprechen nicht gerne über sich und ihre Gefühle. In diesem Fall kann nur ein sehr erfahrener Fachmann eine Depression (oder eine andere affektive Störung) diagnostizieren.
Natürlich gibt es standardisierte Methoden zur Diagnose von Depressionen. Seit den 60er Jahren des letzten Jahrhunderts wird dafür die Beck Depression Scale verwendet, eine ähnliche Zang-Skala wird zur Selbstdiagnose verwendet und die American Psychological Association entwickelt und ergänzt den Patient Health Questionnaire (PHS) für mehrere Jahrzehnte.
Mit der Entwicklung von Technologien der künstlichen Intelligenz wurde es möglich, psychische Erkrankungen automatisch zu diagnostizieren. Am häufigsten wird die mündliche Rede des Patienten als diagnostisches Material verwendet: In diesem Winter entwickelten Forscher beispielsweise eine Methode zur Diagnose von Psychosen. Jetzt haben Forscher des Massachusetts Institute of Technology unter der Leitung von James Glass einen ähnlichen Algorithmus zur Erkennung von Depressionen entwickelt. Dazu nahmen sie Daten aus dem DAIC (Distress Analysis Interview Corpus) - einem Korpus von Interviews mit Menschen mit Depressionssymptomen sowie gesunden Menschen. Insgesamt nutzten die Forscher Interviews mit 142 Teilnehmern, deren psychischer Zustand aufgrund der Ergebnisse des PHQ-Fragebogens im Voraus bekannt war: Von allen verwendeten Datensätzen wurden 20 Prozent (das sind 28 Interviews) mit Menschen mit diagnostizierter klinischer Depression durchgeführt.
Mit den gesammelten Daten wurde ein neuronales Netz mit langem Kurzzeitgedächtnis trainiert: Diese Architektur ist gut geeignet, um das Klassifikationsproblem mit ausreichend vielen Ausgangsparametern zu lösen. Bei der Analyse der menschlichen Sprache hängen die gewählten Parameter von der Form des Gesprächs (Dialog oder Monolog) sowie davon ab, ob es geschrieben oder gesprochen wird. Für das Training nahmen die Forscher sowohl Audioaufnahmen als auch deren Transkripte. Im ersten Fall wurden die räumlichen und zeitlichen Parameter der Sprache berücksichtigt: Pausen, Stimmlage und die durchschnittliche Zeit, die für die Aussprache eines Wortes aufgewendet wurde, und im zweiten Fall wurden Vektormodelle des gesprochenen Wortes erstellt, nach denen die meisten Anschließend wurden häufige Wörter und Redewendungen berechnet, die von Menschen mit unterschiedlichen Diagnosen verwendet wurden. Basierend auf diesen Parametern gab das neuronale Netz eine "Diagnose" - eine Punktzahl von 0 bis 27: Eine Punktzahl im Bereich von 0 bis 4 bedeutete keine depressiven Symptome und von 20 bis 27 - schwere Depression.
Für die Tests verwendeten die Forscher 47 Interviews mit Personen mit unterschiedlichen Diagnosen. Die Vollständigkeit (Anteil richtig erkannter Objekte an allen positiven) der Diagnose betrug 83 Prozent, die Genauigkeit (Anteil richtig erkannter Objekte an allen erkannten) 71 Prozent. Die durchschnittliche Genauigkeit der automatischen Diagnose lag bei 77 Prozent. Interessanterweise hing die Effektivität der Diagnose von den Eingangsdaten ab: Um eine Diagnose anhand des Textes zu stellen, reichten sieben Replikate aus, für die Audiodiagnose waren dreißig erforderlich.
Der entwickelte Algorithmus ist nicht der erste bei der automatischen Diagnose von Depressionen basierend auf der Sprache der Patienten. Allerdings ist dies laut den Autoren der erste kontextfreie Algorithmus: Beim Training eines neuronalen Netzes haben die Forscher nicht berücksichtigt, welche Fragen und Hinweise die Teilnehmer beantworteten. Dieser Ansatz kann daher verwendet werden, um affektive Störungen in jedem Gespräch zu diagnostizieren – nicht unbedingt in Form einer Patienten-zu-Arzt-Kommunikation.
In den letzten 35 Jahren waren Psychotherapie und Medikamente zur Hemmung der selektiven Serotonin-Wiederaufnahme (SSRI) die beliebtesten Behandlungsmethoden für Depressionen. Es ist jedoch nicht so einfach, die Wirksamkeit jedes einzelnen von ihnen für einen einzelnen Patienten vorherzusagen: Trotzdem haben Wissenschaftler dies kürzlich gelernt, indem sie Daten aus einem Elektroenzephalogramm des Gehirns analysieren.
