En maskininlärningsalgoritm kan upptäcka tecken på ångest och depression i små barns talmönster, potentiellt ge ett snabbt och enkelt sätt att diagnostisera tillstånd som är svåra att upptäcka och ofta förbises hos unga människor, enligt ny forskning publicerad i Journal of Biomedical and Health Informatics .

Ungefär vart femte barn lider av ångest och depression, gemensamt känd som "internaliserande störningar". Men eftersom barn under åtta år inte på ett tillförlitligt sätt kan formulera sitt känslomässiga lidande, vuxna måste kunna sluta sig till sitt mentala tillstånd, och känna igen potentiella psykiska problem. Väntelistor för möten med psykologer, försäkringsfrågor, och att föräldrar inte känner igen symtomen bidrar alla till att barn går miste om livsviktig behandling.

"Vi behöver snabba, objektiva tester för att fånga barn när de lider, säger Ellen McGinnis, en klinisk psykolog vid University of Vermont Medical Centers Vermont Center for Children, Ungdom och familjer och huvudförfattare till studien. "Majoriteten av barn under åtta år är odiagnostiserade."

Tidig diagnos är avgörande eftersom barn svarar bra på behandling medan deras hjärnor fortfarande utvecklas, men om de lämnas obehandlade löper de större risk för missbruk och självmord senare i livet. Standarddiagnos innebär en 60-90 minuters semistrukturerad intervju med en utbildad läkare och deras primärvårdare. McGinnis, tillsammans med University of Vermont biomedicinsk ingenjör och studie senior författare Ryan McGinnis, har letat efter sätt att använda artificiell intelligens och maskininlärning för att göra diagnoser snabbare och mer tillförlitliga.

Forskarna använde en anpassad version av en stämningsinduktionsuppgift som kallas Trier-Social Stress Task, som är tänkt att orsaka känslor av stress och ångest hos ämnet. En grupp på 71 barn mellan tre och åtta år ombads att improvisera en tre minuter lång berättelse, och berättade att de skulle bedömas utifrån hur intressant det var. Forskaren som fungerade som domare var sträng under hela talet, och gav endast neutral eller negativ feedback. Efter 90 sekunder, och igen med 30 sekunder kvar, en summer hördes och domaren talade om för dem hur lång tid det var kvar.

"Uppgiften är utformad för att vara stressande, och att sätta dem i tänkesättet att någon dömde dem, säger Ellen McGinnis.

Barnen diagnostiserades också med hjälp av en strukturerad klinisk intervju och föräldraenkät, båda väletablerade sätten att identifiera internaliserande störningar hos barn.

Forskarna använde en maskininlärningsalgoritm för att analysera statistiska funktioner i ljudinspelningarna av varje barns berättelse och relatera dem till barnets diagnos. De fann att algoritmen var mycket framgångsrik för att diagnostisera barn, och att mittfasen av inspelningarna, mellan de två summerarna, var det mest förutsägande för en diagnos.

"Algorithmen kunde identifiera barn med diagnosen en internaliserande störning med 80% noggrannhet, och i de flesta fall som jämfördes riktigt bra med noggrannheten i förälderchecklistan, " säger Ryan McGinnis. Det kan också ge resultaten mycket snabbare – algoritmen kräver bara några sekunders bearbetningstid när uppgiften är klar för att ge en diagnos.

Algoritmen identifierade åtta olika ljudfunktioner i barnens tal, men framför allt tre framstod som mycket tecken på internaliserande störningar:låga röster, med repeterbara talböjningar och innehåll, och ett högre tonläge på den överraskande summern. Ellen McGinnis säger att dessa funktioner passar bra med vad du kan förvänta dig av någon som lider av depression. "En låg röst och repeterbara talelement speglar vad vi tänker på när vi tänker på depression:att tala med en monoton röst, upprepar det du säger, säger Ellen McGinnis.

Det högre tonläget på summern liknar också svaret som forskarna hittade i sitt tidigare arbete, där barn med internaliserande störningar visade sig uppvisa ett större svar från en rädsla stimulans i en rädslaframkallande uppgift.

Röstanalysen har en liknande noggrannhet i diagnosen som rörelseanalysen i det tidigare arbetet, men Ryan McGinnis tror att det skulle vara mycket lättare att använda i en klinisk miljö. Rädslauppgiften kräver ett mörkt rum, leksak orm, rörelsesensorer fästa på barnet och en guide, medan röstuppgiften bara behöver en domare, ett sätt att spela in tal och en summer för att avbryta. "Detta skulle vara mer genomförbart att distribuera, " han säger.

Ellen McGinnis säger att nästa steg kommer att vara att utveckla talanalysalgoritmen till ett universellt screeningverktyg för klinisk användning, kanske via en smartphone-app som kunde registrera och analysera resultat direkt. Röstanalysen kan också kombineras med rörelseanalysen till ett batteri av teknikstödda diagnostiska verktyg, för att hjälpa till att identifiera barn som riskerar att drabbas av ångest och depression innan ens deras föräldrar misstänker att något är fel.