Um algoritmo de aprendizado de máquina pode detectar sinais de ansiedade e depressão nos padrões de fala de crianças pequenas, potencialmente fornecendo uma maneira rápida e fácil de diagnosticar condições que são difíceis de detectar e muitas vezes esquecidas em jovens, de acordo com uma nova pesquisa publicada no Journal of Biomedical and Health Informatics . Crédito:Anthony Kelly
Um algoritmo de aprendizado de máquina pode detectar sinais de ansiedade e depressão nos padrões de fala de crianças pequenas, potencialmente fornecendo uma maneira rápida e fácil de diagnosticar condições que são difíceis de detectar e muitas vezes esquecidas em jovens, de acordo com uma nova pesquisa publicada no Journal of Biomedical and Health Informatics .
Cerca de uma em cada cinco crianças sofre de ansiedade e depressão, conhecidos coletivamente como "transtornos internalizantes". Mas, como crianças com menos de oito anos não conseguem articular de maneira confiável seu sofrimento emocional, os adultos precisam ser capazes de inferir seu estado mental, e reconhecer potenciais problemas de saúde mental. Listas de espera para consultas com psicólogos, questões de seguro, e a falha em reconhecer os sintomas pelos pais contribuem para que as crianças percam um tratamento vital.
"Precisamos rápido, testes objetivos para pegar crianças quando elas estão sofrendo, "diz Ellen McGinnis, psicóloga clínica do Vermont Center for Children da University of Vermont Medical Center, Juventude e famílias e principal autor do estudo. "A maioria das crianças com menos de oito anos não foi diagnosticada."
O diagnóstico precoce é fundamental porque as crianças respondem bem ao tratamento enquanto seus cérebros ainda estão em desenvolvimento, mas se não forem tratados, correm maior risco de abuso de substâncias e suicídio mais tarde na vida. O diagnóstico padrão envolve uma entrevista semiestruturada de 60-90 minutos com um clínico treinado e seu prestador de cuidados primários. McGinnis, junto com o engenheiro biomédico da Universidade de Vermont e autor sênior do estudo Ryan McGinnis, tem procurado maneiras de usar inteligência artificial e aprendizado de máquina para tornar o diagnóstico mais rápido e confiável.
Os pesquisadores usaram uma versão adaptada de uma tarefa de indução de humor chamada Trier-Social Stress Task, que se destina a causar sentimentos de estresse e ansiedade no sujeito. Um grupo de 71 crianças com idades entre três e oito anos foi convidado a improvisar uma história de três minutos, e informados de que seriam julgados com base no quão interessante era. O pesquisador atuando como juiz permaneceu severo durante todo o discurso, e deu apenas feedback neutro ou negativo. Após 90 segundos, e novamente com 30 segundos restantes, soaria uma campainha e o juiz diria a eles quanto tempo ainda faltava.
"A tarefa foi projetada para ser estressante, e colocá-los na mentalidade de que alguém os estava julgando, "diz Ellen McGinnis.
As crianças também foram diagnosticadas por meio de uma entrevista clínica estruturada e questionário aos pais, ambas as formas bem estabelecidas de identificar transtornos internalizantes em crianças.
Os pesquisadores usaram um algoritmo de aprendizado de máquina para analisar características estatísticas das gravações de áudio da história de cada criança e relacioná-las ao diagnóstico da criança. Eles descobriram que o algoritmo foi muito bem-sucedido no diagnóstico de crianças, e que a fase intermediária das gravações, entre as duas campainhas, foi o mais preditivo de um diagnóstico.
"O algoritmo foi capaz de identificar crianças com diagnóstico de transtorno internalizante com 80% de precisão, e na maioria dos casos isso se compara muito bem com a precisão da lista de verificação pai, "diz Ryan McGinnis. Ele também pode fornecer os resultados muito mais rapidamente - o algoritmo requer apenas alguns segundos de tempo de processamento depois que a tarefa é concluída para fornecer um diagnóstico.
O algoritmo identificou oito recursos de áudio diferentes da fala das crianças, mas três em particular se destacaram como altamente indicativos de transtornos internalizantes:vozes graves, com conteúdo e inflexões de fala repetíveis, e uma resposta mais aguda à campainha surpreendente. Ellen McGinnis diz que esses recursos se encaixam bem com o que você pode esperar de alguém que sofre de depressão. "Uma voz baixa e elementos de fala repetíveis refletem o que pensamos quando pensamos sobre a depressão:falar com uma voz monótona, repetindo o que você está dizendo, "diz Ellen McGinnis.
A resposta mais aguda à campainha também é semelhante à resposta que os pesquisadores encontraram em seu trabalho anterior, onde crianças com transtornos internalizantes demonstraram uma maior resposta de afastamento de um estímulo de medo em uma tarefa de indução de medo.
A análise de voz tem uma precisão semelhante no diagnóstico à análise de movimento naquele trabalho anterior, mas Ryan McGinnis acha que seria muito mais fácil de usar em um ambiente clínico. A tarefa do medo requer uma sala escura, cobra de brinquedo, sensores de movimento acoplados à criança e um guia, enquanto a tarefa de voz só precisa de um juiz, uma forma de gravar a fala e uma campainha para interromper. "Isso seria mais viável de implantar, " ele diz.
Ellen McGinnis diz que o próximo passo será desenvolver o algoritmo de análise de fala em uma ferramenta de triagem universal para uso clínico, talvez por meio de um aplicativo de smartphone que pudesse registrar e analisar os resultados imediatamente. A análise de voz também pode ser combinada com a análise de movimento em uma bateria de ferramentas de diagnóstico assistidas por tecnologia, para ajudar a identificar crianças em risco de ansiedade e depressão antes mesmo de seus pais suspeitarem que algo está errado.