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

• Onderzoekers van MIT ontwikkelden een neuraal netwerk dat automatisch depressieve patronen identificeert uit ruwe audio en tekst, zonder vooraf gedefinieerde vragen.
• Het model is "context-vrij", wat betekent dat elk willekeurig informel gesprek geanalyseerd kan worden op linguïstische en akoestische cues die gelinkt zijn aan depressie.
• In een validatiestudie haalde het een algehele nauwkeurigheid van 77%, wat conventionele Q&A-gebaseerde AI-tools overtreft.

Traditioneel is de Patient Health Questionnaire (PHQ-9) de goudstandaard voor depressiescreening. Het stelt een vastgestelde set van negen vragen over stemming, slaap, eetlust en energieniveaus om een score van 0 tot 27 te berekenen, waarbij scores boven 20 ernstige depressie aangeven.

De afgelopen jaren hebben machine-learning-benaderingen succesvol spraak geknoeid voor telltale markers – intonatie, spreektempo, en specifieke lexicale keuzes – die depressieve statussen suggereren. Echter, de meeste van deze modellen zijn afhankelijk van antwoorden op de PHQ-9 of vergelijkbare gestructureerde interviews, wat hun toepasbaarheid in real-world settings beperkt.

MIT's nieuwe neuraal netwerk verwijdert die beperking. Door het te voeden met opnames van vrije-vorm interviews, leert het systeem subtiele patronen te herkennen – zoals het frequente gebruik van woorden als "down", "low", of "sad", gepaard met vervaagde of monotone stemkwaliteit en langzamer spreektempo – die sterk geassocieerd zijn met depressie.

Hoe het model werkt

Het algoritme behandelt spraak als een reeks getijde-audio-frames en getranscribeerde woorden. Het gebruikt een diepe sequentie-modelleringsarchitectuur die gezamenlijk akoestische kenmerken (toonhoogte, energie, spreektempo) en linguïstische inhoud analyseert. Omdat het niet afhankelijk is van een vaste vragenlijst, kan het toegepast worden op elk conversationeel data, van klinische interviews tot alledaagse telefoongesprekken.

Auteurs verwijzen naar dit als "context-vrije modellering" omdat het depressie-indicatoren vastlegt onafhankelijk van de specifieke vragen die gesteld worden.

Training, validatie en prestaties

Het model getraind op 142 interacties afkomstig uit de Distress Analysis Interview Corpus (DAIC), wat audio, video en tekst omvat van gesprekken met zowel gezonde deelnemers als individuen gediagnosticeerd met mentale stoornissen.

Elke deelnemers depressiegraad werd gekwantificeerd met de PHQ-9-score (0-27). In de studie werden 28 deelnemers geclassificeerd als depressief (scores ≥20). Het netwerk werd geëvalueerd op precisie en recall: het haalde 71% precisie en 83% recall, wat een algehele nauwkeurigheid van 77% opleverde – een opmerkelijke verbetering ten opzichte van eerdere AI-benaderingen die typisch rond 60-65% nauwkeurigheid hoefden.

Toekomstig werk zal het netwerk uitbreiden naar andere aandoeningen zoals dementie en de specifieke akoestisch-linguïstische patronen verkennen die de voorspellingen drijven.

Op de lange termijn kan de technologie geïntegreerd worden in mobiele apps om passief gebruikers stem en tekst te monitoren op tekenen van distress, wat vroege waarschuwingen biedt voor wie barrières ervaart bij toegang tot geestelijke gezondheidszorg.

Lees: Hersenenstimulatie kan een persoon's intentie om een gewelddadige daad te plegen verminderen