تقنية للذكاء الصناعى تنجح في التعرف على الاكتئاب من خلال الصوت في 20 ثانية

نشر مقال في حوليات طب الأسرة أن الباحثين قاموا بتقييم فعالية ML ML) في اكتشاف العلامات الصوتية المرتبطة بالاكتئاب الشديد أو المتوسط.

نجحت الأداة ، وفقًا لموقع “الأخبار الطبي” ، في اكتشاف العلامات الصوتية للاكتئاب في 25 ثانية فقط ، وتحديد الاكتئاب بشكل صحيح في أكثر من 70 ٪ من العينات ، مما يسلط الضوء على مصلحته في فحص الصحة العقلية.

تتمتع تكنولوجيا التعلم الآلي بالقدرة على تحسين معدلات فحص الاكتئاب ، وغالبًا ما يكون للأشخاص الذين يعانون من الاكتئاب أنماط خطاب مميزة ، بما في ذلك التأثر والتردد والتوقف الطويل والكلام البطيء ، يمكن لتكنولوجيا التعلم الآلي تحليل هذه الميزات الصوتية ، والمعروفة باسم المؤشرات الحيوية الحيوية ، للكشف علامات الاكتئاب.

يوفر استخدام التعلم التلقائي في فحص الاكتئاب القائم على الصوت طريقة غير جراحية وموضوعية وميكانيكية لتحديد الأفراد المعرضين للخطر ، وقد يجعل هذا النهج عملية الفحص أسهل وفعالية ، مما يساعد الأطباء في النهاية على اكتشاف الاكتئاب المبكر وتحسين رعاية المرضى .

حول الدراسة

استكشف الباحثون ما إذا كان التعلم الآلي قادرًا على اكتشاف علامات الاكتئاب من خلال تحليل الأنماط على هواتفهم أو أجهزة الكمبيوتر ، قام الباحثون بمعالجة التسجيلات لضمان جودة صوت واضحة ومتسقة.

قام نموذج التعلم التلقائي بتحليل التسجيلات الصوتية لتحديد ما إذا كان الشخص يعاني من المتوسط ​​إلى الاكتئاب الشديد ، وصنفت الدراسة المشاركين إلى ثلاث فئات ، وقررت أنها عرضة للاكتئاب إذا كانت أنماط أصواتهم تشير بقوة ، وهم يفعلون ذلك ، وهم يفعلون ذلك لا تظهر أي علامات للاكتئاب إذا لم يتم العثور على علامات صوتية واضحة ، وتوصي بمزيد من التقييم إذا كانت النتائج غير واضحة.

نتائج

قامت الدراسة بتحليل التسجيلات الصوتية للمشاركين ، وتراوحت عينات الكلام من المشاركين من 25 إلى أقل من 75 ثانية ، بمتوسط ​​حوالي 58 ثانية ، ودرجات الاكتئاب التي تم الإبلاغ عنها ذاتيا من 0 إلى 27 ، تراوحت بين 0 إلى 27 ، بمتوسط ​​9.

أظهر النموذج نجاح الأداة في اكتشاف الاكتئاب بدقة ، وأظهر نموذج ATM وعدًا بفحص الاكتئاب ، على الرغم من أن الدقة تختلف وفقًا للعمر والجنس والعرق.

استكشفت هذه الدراسة قدرات التعلم التلقائي في اكتشاف أنماط الصوت المرتبطة بالاكتئاب المتوسط. قام نموذج التعلم التلقائي بتحليل عينات الكلام القصيرة ومؤلفة مماثلة لأدوات الفحص المعمول بها ، مع حساسية 71.3 ٪ وخصوصية 73.5 ٪.

على الرغم من أنه ليس بديلاً للتشخيص السريري ، إلا أن هذه التقنية قد تساعد الأطباء على فحص المزيد من المرضى بكفاءة ، وتم تطبيق أدوات التعلم الآلية للكشف عن الحالات العصبية ، مما يبرز قدراتها في مجال الرعاية الصحية.

كان لدى كبار السن أيضًا حساسية أقل ولكن أعلى ، مما يشير إلى أن التغييرات الصوتية المرتبطة بالعمر قد تؤثر على النتائج.
على الرغم من أن تحليل الصوت القائم على التعلم السليم لا يزال في مرحلة التطوير ، إلا أنه قد يدعم فحص الاكتئاب الشامل ، مما يساعد الأطباء على اكتشاف الاكتئاب مبكرًا وتقليل التحيز التشخيصي.