powervacuuum

براساس تحقیقات جدید منتشر شده در ژورنال ، یک الگوریتم یادگیری ماشینی می تواند علائم اضطراب و افسردگی را در الگوهای گفتاری کودکان خردسال کشف کند ، به طور بالقوه راهی سریع و آسان برای تشخیص شرایط را می دهد که به سختی قابل مشاهده است و اغلب در جوانان غافل می شود. انفورماتیک زیست پزشکی و سلامت .

حدوداً از هر 5 کودک از اضطراب و افسردگی رنج می برند ، که در مجموع به عنوان "اختلالات درونی سازی" شناخته می شوند. اما از آنجا که کودکان زیر 8 سال نمی توانند به طور قابل اعتماد رنج عاطفی خود را بیان کنند ، بزرگسالان باید بتوانند وضعیت روحی خود را استنباط کنند و مشکلات بالقوه سلامت روان را تشخیص دهند. لیست های انتظار برای قرار ملاقات با روانشناسان ، مسائل مربوط به بیمه و عدم تشخیص علائم توسط والدین ، همگی در کودکانی که از معالجه حیاتی برخوردار نیستند ، نقش دارند.

الن مک گینیس ، روانشناس بالینی مرکز کودکان و نوجوانان و خانواده ورمونت دانشگاه ورمونت و نویسنده اصلی این تحقیق می گوید: "ما به آزمایشات سریع و عینی نیاز داریم تا بچه ها را در هنگام رنج بکشند ." "اکثر بچه های زیر هشت سال تشخیص داده نشده اند."

تشخیص زود هنگام بسیار حیاتی است زیرا کودکان به خوبی به درمان پاسخ می دهند در حالی که هنوز مغز آنها در حال پیشرفت است ، اما اگر درمان نشود ، در معرض خطر سوء مصرف مواد و خودکشی های بعدی زندگی قرار دارند. تشخیص استاندارد شامل یک مصاحبه نیمه ساختار یافته 60-90 دقیقه ای با یک پزشک آموزش دیده و مراقب اصلی آنها است. مک گینیس ، به همراه مهندس زیست پزشکی دانشگاه ورمونت و نویسنده ارشد تحقیق رایان مک گینیس ، به دنبال راه هایی برای استفاده از هوش مصنوعی انواع پمپ وکیوم و یادگیری ماشینی بوده اند تا بتوانند تشخیص سریعتر و مطمئن تر را انجام دهند.

محققان از نسخه اقتباس شده از یک کار القاء خلق و خوی به نام Trier-Social Stress Task استفاده کردند که در نظر گرفته شده است تا باعث ایجاد احساس استرس و اضطراب در موضوع شود. از گروه 71 نفری بین سه تا 8 سال خواسته شد كه داستانی سه دقیقه ای را بداهه كنند و به آنها گفتند كه براساس اینكه چقدر جالب است ، داوری می شود. محققی که به عنوان قاضی عمل می کند در طول سخنرانی سختگیر ماند و فقط بازخورد خنثی یا منفی را داد. بعد از 90 ثانیه و دوباره با 30 ثانیه باقی مانده ، وزوز صدا می شود و قاضی به آنها می گوید که چقدر زمان مانده است.

الن مک گینیس می گوید: "این کار به گونه ای استرس زا بوده است که آنها را در ذهنیت خود قرار دهد که کسی در مورد آنها قضاوت می کرد."

کودکان همچنین با استفاده از مصاحبه ساختاری ساختاری و پرسشنامه والدین ، که هر دو روش مشخص برای شناسایی اختلالات درونی در کودکان بودند ، تشخیص داده شدند.

محققان از الگوریتم یادگیری ماشینی برای تجزیه و تحلیل ویژگی های آماری ضبط های صوتی داستان هر کودک استفاده کردند و آنها را به تشخیص کودک مرتبط کردند. آنها دریافتند كه این الگوریتم در تشخیص كودكان بسیار موفق بوده است و فاز میانی ضبط ها ، بین دو وزوز ، پیش بینی كننده ترین تشخیص است.

رایان مک گینیس می گوید: "این الگوریتم توانست کودکان با تشخیص یک اختلال درونی با دقت 80٪ و در بیشتر موارد که واقعاً با صحت چک لیست والدین مقایسه می شود را شناسایی کند." این همچنین می تواند نتایج را خیلی سریعتر به دست آورد - الگوریتم فقط یک ثانیه طول می کشد زمان پردازش پس از اتمام کار برای ارائه یک تشخیص.

این الگوریتم هشت ویژگی صوتی مختلف گفتار بچه ها را مشخص کرد ، اما سه مورد به ویژه نشان دهنده اختلالات درونی شدن هستند: صداهای کم صدا ، دارای انعطاف پذیری و محتویات گفتار قابل تکرار و پاسخی بالاتر به صدای وزوز تعجب آور. الن مک گینیس می گوید این ویژگی ها مطابق آنچه انتظار دارید از کسی که دچار افسردگی است انتظار می رود. الن مک گینیس می گوید: "صدای کم صدا و عناصر گفتار تکرار شونده آنچه را که هنگام فکر کردن در مورد افسردگی در مورد آن فکر می کنیم آینه می کند: صحبت کردن با صدای یکنواخت ، تکرار آنچه شما می گویید."

پاسخ بالاتر به وزوز نیز به پاسخی که محققان در کار قبلی خود دریافتند ، مشابه است ، جایی که کودکان مبتلا به اختلالات درونی در یافتن پاسخ بزرگتر از محرک ترسناک در یک کار القاء ترس یافتند.

تجزیه و تحلیل صوتی در تشخیص با آنالیز حرکتی در کار قبلی از دقت مشابهی برخوردار است ، اما رایان مک گینیس فکر می کند استفاده در محیط بالینی بسیار ساده تر خواهد بود. وظیفه ترس به اتاق تاریک ، مار اسباب بازی ، سنسورهای حرکتی متصل به کودک و یک راهنما نیاز دارد ، در حالی که وظیفه صوتی فقط به یک قاضی احتیاج دارد ، راهی برای ضبط گفتار و یک وزوز برای قطع شدن. وی می گوید: "این امکان پذیر تر خواهد بود."

الن مک گینیس می گوید مرحله بعدی توسعه الگوریتم تحلیل گفتار به یک ابزار غربالگری جهانی برای استفاده بالینی خواهد بود ، شاید از طریق یک برنامه تلفن هوشمند که بتواند نتایج را فوراً ضبط و تجزیه و تحلیل کند. تجزیه و تحلیل صوتی همچنین می تواند با تجزیه و تحلیل حرکت به یک باتری از ابزارهای تشخیصی با کمک فن آوری ترکیب شود ، تا به شناسایی کودکان در معرض اضطراب و افسردگی کمک کند ، حتی قبل از اینکه والدینشان گمان کنند که هر چیزی اشتباه نیست.

براساس تحقیقات جدید منتشر شده در ژورنال ، یک الگوریتم یادگیری ماشینی می تواند علائم اضطراب و افسردگی را در الگوهای گفتاری کودکان خردسال کشف کند ، به طور بالقوه راهی سریع و آسان برای تشخیص شرایط را می دهد که به سختی قابل مشاهده است و اغلب در جوانان غافل می شود. انفورماتیک زیست پزشکی و سلامت .

حدوداً از هر 5 کودک از اضطراب و افسردگی رنج می برند ، که در مجموع به عنوان "اختلالات درونی سازی" شناخته می شوند. اما از آنجا که کودکان زیر 8 سال نمی توانند به طور قابل اعتماد رنج عاطفی خود را بیان کنند ، بزرگسالان باید بتوانند وضعیت روحی خود را استنباط کنند و مشکلات بالقوه سلامت روان را تشخیص دهند. لیست های انتظار برای قرار ملاقات با روانشناسان ، مسائل مربوط به بیمه و عدم تشخیص علائم توسط والدین ، همگی در کودکانی که از معالجه حیاتی برخوردار نیستند ، نقش دارند.

الن مک گینیس ، روانشناس بالینی مرکز کودکان و نوجوانان و خانواده ورمونت دانشگاه ورمونت و نویسنده اصلی این تحقیق می گوید: "ما به آزمایشات سریع و عینی نیاز داریم تا بچه ها را در هنگام رنج بکشند ." "اکثر بچه های زیر هشت سال تشخیص داده نشده اند."

تشخیص زود هنگام بسیار حیاتی است زیرا کودکان به خوبی به درمان پاسخ می دهند در حالی که هنوز مغز آنها در حال پیشرفت است ، اما اگر درمان نشود ، در معرض خطر سوء مصرف مواد و خودکشی های بعدی زندگی قرار دارند. تشخیص استاندارد شامل یک مصاحبه نیمه ساختار یافته 60-90 دقیقه ای با یک پزشک آموزش دیده و مراقب اصلی آنها است. مک گینیس ، به همراه مهندس زیست پزشکی دانشگاه ورمونت و نویسنده ارشد تحقیق رایان مک گینیس ، به دنبال راه هایی برای استفاده از هوش مصنوعی انواع پمپ وکیوم و یادگیری ماشینی بوده اند تا بتوانند تشخیص سریعتر و مطمئن تر را انجام دهند.

محققان از نسخه اقتباس شده از یک کار القاء خلق و خوی به نام Trier-Social Stress Task استفاده کردند که در نظر گرفته شده است تا باعث ایجاد احساس استرس و اضطراب در موضوع شود. از گروه 71 نفری بین سه تا 8 سال خواسته شد كه داستانی سه دقیقه ای را بداهه كنند و به آنها گفتند كه براساس اینكه چقدر جالب است ، داوری می شود. محققی که به عنوان قاضی عمل می کند در طول سخنرانی سختگیر ماند و فقط بازخورد خنثی یا منفی را داد. بعد از 90 ثانیه و دوباره با 30 ثانیه باقی مانده ، وزوز صدا می شود و قاضی به آنها می گوید که چقدر زمان مانده است.

الن مک گینیس می گوید: "این کار به گونه ای استرس زا بوده است که آنها را در ذهنیت خود قرار دهد که کسی در مورد آنها قضاوت می کرد."

کودکان همچنین با استفاده از مصاحبه ساختاری ساختاری و پرسشنامه والدین ، که هر دو روش مشخص برای شناسایی اختلالات درونی در کودکان بودند ، تشخیص داده شدند.

محققان از الگوریتم یادگیری ماشینی برای تجزیه و تحلیل ویژگی های آماری ضبط های صوتی داستان هر کودک استفاده کردند و آنها را به تشخیص کودک مرتبط کردند. آنها دریافتند كه این الگوریتم در تشخیص كودكان بسیار موفق بوده است و فاز میانی ضبط ها ، بین دو وزوز ، پیش بینی كننده ترین تشخیص است.

رایان مک گینیس می گوید: "این الگوریتم توانست کودکان با تشخیص یک اختلال درونی با دقت 80٪ و در بیشتر موارد که واقعاً با صحت چک لیست والدین مقایسه می شود را شناسایی کند." این همچنین می تواند نتایج را خیلی سریعتر به دست آورد - الگوریتم فقط یک ثانیه طول می کشد زمان پردازش پس از اتمام کار برای ارائه یک تشخیص.

این الگوریتم هشت ویژگی صوتی مختلف گفتار بچه ها را مشخص کرد ، اما سه مورد به ویژه نشان دهنده اختلالات درونی شدن هستند: صداهای کم صدا ، دارای انعطاف پذیری و محتویات گفتار قابل تکرار و پاسخی بالاتر به صدای وزوز تعجب آور. الن مک گینیس می گوید این ویژگی ها مطابق آنچه انتظار دارید از کسی که دچار افسردگی است انتظار می رود. الن مک گینیس می گوید: "صدای کم صدا و عناصر گفتار تکرار شونده آنچه را که هنگام فکر کردن در مورد افسردگی در مورد آن فکر می کنیم آینه می کند: صحبت کردن با صدای یکنواخت ، تکرار آنچه شما می گویید."

پاسخ بالاتر به وزوز نیز به پاسخی که محققان در کار قبلی خود دریافتند ، مشابه است ، جایی که کودکان مبتلا به اختلالات درونی در یافتن پاسخ بزرگتر از محرک ترسناک در یک کار القاء ترس یافتند.

تجزیه و تحلیل صوتی در تشخیص با آنالیز حرکتی در کار قبلی از دقت مشابهی برخوردار است ، اما رایان مک گینیس فکر می کند استفاده در محیط بالینی بسیار ساده تر خواهد بود. وظیفه ترس به اتاق تاریک ، مار اسباب بازی ، سنسورهای حرکتی متصل به کودک و یک راهنما نیاز دارد ، در حالی که وظیفه صوتی فقط به یک قاضی احتیاج دارد ، راهی برای ضبط گفتار و یک وزوز برای قطع شدن. وی می گوید: "این امکان پذیر تر خواهد بود."

الن مک گینیس می گوید مرحله بعدی توسعه الگوریتم تحلیل گفتار به یک ابزار غربالگری جهانی برای استفاده بالینی خواهد بود ، شاید از طریق یک برنامه تلفن هوشمند که بتواند نتایج را فوراً ضبط و تجزیه و تحلیل کند. تجزیه و تحلیل صوتی همچنین می تواند با تجزیه و تحلیل حرکت به یک باتری از ابزارهای تشخیصی با کمک فن آوری ترکیب شود ، تا به شناسایی کودکان در معرض اضطراب و افسردگی کمک کند ، حتی قبل از اینکه والدینشان گمان کنند که هر چیزی اشتباه نیست.