AI-model detecteert depressie uit natuurlijke gesprekken met een nauwkeurigheid van 77%

• Onderzoekers van MIT ontwikkelden een neuraal netwerk dat automatisch depressieve patronen identificeert uit ruwe audio en tekst, zonder vooraf gedefinieerde vragen.
• Het model is 'contextvrij', wat betekent dat het elk informeel gesprek kan analyseren en er taalkundige en akoestische signalen uit kan halen die verband houden met depressie.
• In een validatieonderzoek behaalde het een algehele nauwkeurigheid van 77%, wat beter presteert dan conventionele, op vragen en antwoorden gebaseerde AI-tools.

Traditioneel is de Patient Health Questionnaire (PHQ-9) de gouden standaard voor screening op depressie. Er wordt een vaste reeks van negen vragen gesteld over stemming, slaap, eetlust en energieniveau om een score van 0 tot 27 te berekenen, waarbij scores boven de 20 wijzen op een ernstige depressie.

De afgelopen paar jaar hebben benaderingen van machinaal leren met succes spraak gelokaliseerd op veelbetekenende markeringen (intonatie, spreeksnelheid en specifieke lexicale keuzes) die op depressieve toestanden duiden. De meeste van deze modellen zijn echter afhankelijk van reacties op de PHQ-9 of soortgelijke gestructureerde interviews, waardoor hun toepasbaarheid in de praktijk wordt beperkt.

Het nieuwe neurale netwerk van MIT neemt die beperking weg. Door opnames van interviews in vrije vorm aan te bieden, leert het systeem subtiele patronen te herkennen (zoals het frequente gebruik van woorden als 'down', 'laag' of 'verdrietig', gecombineerd met een vlakke of monotone stemkwaliteit en een langzamer spreektempo) die sterk verband houden met depressie.

Hoe het model werkt

Het algoritme behandelt spraak als een reeks audioframes met tijdstempel en getranscribeerde woorden. Het maakt gebruik van een diepgaande sequentiemodelleringsarchitectuur die gezamenlijk akoestische kenmerken (toonhoogte, energie, spreeksnelheid) en taalkundige inhoud analyseert. Omdat het niet afhankelijk is van een vaste vragenlijst, kan het worden toegepast op alle gespreksgegevens, van klinische interviews tot alledaagse telefoongesprekken.

Auteurs noemen dit ‘contextvrij modelleren’ omdat het depressie-indicatoren vastlegt, onafhankelijk van de specifieke gestelde vragen.

Training, validatie en prestaties

Het model is getraind op 142 interacties uit het Distress Analysis Interview Corpus (DAIC), dat audio, video en tekst bevat van gesprekken met zowel gezonde deelnemers als individuen met de diagnose psychische stoornissen.

De ernst van de depressie bij elke proefpersoon werd gekwantificeerd met behulp van de PHQ-9-score (0-27). In het onderzoek werden 28 deelnemers geclassificeerd als depressief (scores ≥20). Het netwerk werd beoordeeld op precisie en herinnering:het behaalde een precisie van 71% en een herinnering van 83%, wat een algehele nauwkeurigheid van 77% opleverde. Dit is een opmerkelijke verbetering ten opzichte van eerdere AI-benaderingen die doorgaans rond de 60-65% nauwkeurigheid schommelden.

Toekomstig werk zal het netwerk uitbreiden naar andere aandoeningen zoals dementie en de specifieke akoestisch-linguïstische patronen onderzoeken die aan de basis liggen van de voorspellingen.

Op de lange termijn zou de technologie kunnen worden geïntegreerd in mobiele apps om de stem en tekst van gebruikers passief te monitoren op tekenen van angst, waardoor vroegtijdige waarschuwingen kunnen worden geboden aan degenen die te maken krijgen met belemmeringen bij de toegang tot geestelijke gezondheidszorg.

Lees:Hersenstimulatie kan de intentie van een persoon om een gewelddadige daad te plegen verminderen