Ένας αλγόριθμος machine learning μπορεί να εντοπίζει ενδείξεις άγχους και κατάθλιψης σε ομιλίες παιδιών νεαρής ηλικίας, επιτρέποντας την ταχεία διάγνωση καταστάσεων που είναι δύσκολο να αντιμετωπιστούν και συχνά παραβλέπονται σε άτομα νεαρής ηλικίας, σύμφωνα με νέα έρευνα που δημοσιεύτηκε στο Journal of Biomedical and Health Informatics.
Ένας αλγόριθμος machine learning μπορεί να εντοπίζει ενδείξεις άγχους και κατάθλιψης σε ομιλίες παιδιών νεαρής ηλικίας, επιτρέποντας την ταχεία διάγνωση καταστάσεων που είναι δύσκολο να αντιμετωπιστούν και συχνά παραβλέπονται σε άτομα νεαρής ηλικίας, σύμφωνα με νέα έρευνα που δημοσιεύτηκε στο Journal of Biomedical and Health Informatics.
«Χρειαζόμαστε γρήγορα, αντικειμενικά τεστ για να εντοπίζουμε παιδιά που υποφέρουν» λέει η Έλεν ΜακΓκίνις, κλινική ψυχολόγος στο Vermont Center for Children, Youth and Families του University of Vermont Medical Center και lead author της έρευνας. «Στα περισσότερα παιδιά κάτω των οκτώ δεν γίνονται διαγνώσεις» προσθέτει- δεδομένου ότι τα παιδιά τέτοιων ηλικιών δεν είναι σε θέση να εκφράσουν αξιόπιστα τα συναισθηματικά τους προβλήματα.
Η έγκαιρη διάγνωση είναι ιδιαίτερα σημαντική επειδή τα παιδιά αντιδρούν καλύτερα σε θεραπείες ενώ οι εγκέφαλοί τους αναπτύσσονται ακόμα, ωστόσο εάν δεν υποβληθούν σε θεραπεία υπάρχουν αυξημένοι κίνδυνοι αυτοκτονίας, χρήσης ουσιών κλπ αργότερα. Η καθιερωμένη μέθοδος διάγνωσης είναι μια συνέντευξη 60-90 λεπτών με ειδικούς, ωστόσο η Έλεν ΜακΓκίνις και ο Ράιαν ΜακΓκίνις, βιοϊατρικός μηχανικός του University of Vermont και senior author της έρευνας, αναζητούσαν τρόπους να αξιοποιήσουν τεχνητή νοημοσύνη και machine learning για γρηγορότερες και πιο αξιόπιστες διαγνώσεις.
Οι ερευνητές χρησιμοποίησαν μια ειδικά προσαρμοσμένη εκδοχή μιας τεχνικής (Trier-Social Stress Task) που προορίζεται να προκαλεί συναισθήματα άγχους στο άτομο που υποβάλλεται σε αυτήν. Ζητήθηκε από 71 παιδιά ηλικιών 3-8 ετών να δημιουργήσουν αυτοσχεδιάζοντας μια ιστορία τριών λεπτών και τους είπαν πως θα κρίνονταν με βάση το πόσο ενδιαφέρουσα θα ήταν- με τον κριτή να διατηρεί αυστηρή στάση κατά τη συνομιλία, προβαίνοντας είτε σε ουδέτερες είτε σε αρνητικές αντιδράσεις. Μετά από 90 δευτερόλεπτα, και ενώ απέμεναν 30 δευτερόλεπτα, ακουγόταν ένα κουδούνι και ο κριτής έλεγε πόση ώρα απομένει. «Η άσκηση είναι σχεδιασμένη να προκαλεί άγχος, και να τα κάνει να σκέφτονται πως κάποιος τα κρίνει» λέει η ΜακΓκίνις.
Στα παιδιά έγιναν διαγνώσεις μέσω συμβατικών μεθόδων (κλινική συνέντευξη, ερωτηματολόγιο σε γονείς). Επίσης χρησιμοποιήθηκε αλγόριθμος machine learning για την ανάλυση στατιστικών χαρακτηριστικών των ηχογραφήσεων των ιστοριών που διηγήθηκαν τα παιδιά και ακολούθησε συσχετισμός με τις διαγνώσεις των παιδιών. Όπως διαπιστώθηκε, ο αλγόριθμος σημείωνε υψηλά ποσοστά επιτυχίας στις διαγνώσεις.
«Ο αλγόριθμος ήταν ικανός να εντοπίζει παιδιά με διάγνωση διαταραχών εσωτερικευμένου τύπου με ακρίβεια 80%, και στις περισσότερες περιπτώσεις αυτό μπορούσε να συγκριθεί με την ακρίβεια του ερωτηματολογίου των γονέων» λέει ο Ράιαν ΜακΓκίνις. Επίσης, απέδιδε αποτελέσματα πολύ γρήγορα: Ο αλγόριθμος απαιτεί μόλις λίγα δευτερόλεπτα για να επεξεργαστεί τα στοιχεία του.
Ο αλγόριθμος εντόπισε οκτώ διαφορετικά ηχητικά χαρακτηριστικά στις ομιλίες των παιδιών, αλλά ειδικά τρία ξεχώρισαν (φωνές χαμηλών τόνων, επαναλήψεις και πιο έντονη αντίδραση στο κουδούνι), με την Έλεν ΜακΓκίνις να σημειώνει πως πρόκειται για χαρακτηριστικά που θα περίμενε κανείς κάποιος να δει σε ένα άτομο που πάσχει από κατάθλιψη. Κατά την ερευνήτρια, το επόμενο βήμα θα είναι η περαιτέρω εξέλιξη του αλγορίθμου σε ένα εργαλείο γενικότερου τύπου για κλινική χρήση- ίσως μέσω εφαρμογής για smartphones, που θα καταγράφει και θα αναλύει τα αποτελέσματα άμεσα.