El análisis del habla con IA puede detectar la depresión en niños pequeños
Una nueva investigación sugiere que un algoritmo de aprendizaje automático puede detectar signos de ansiedad y depresión en los patrones del habla de los niños pequeños. La técnica podría ser una forma más rápida y sencilla de detectar trastornos difíciles de detectar en los jóvenes. La detección temprana de problemas emocionales es importante para garantizar una atención oportuna.
Los investigadores explican que alrededor de uno de cada cinco niños sufre de ansiedad y depresión, conocidas colectivamente como "trastornos de internalización". Sin embargo, los signos del trastorno son difíciles de reconocer ya que los niños menores de ocho años no pueden articular de manera confiable su sufrimiento emocional, lo que hace que la afección sea difícil de detectar.
La necesidad de realizar un diagnóstico oportuno es importante ya que el acceso a un proveedor, ya sea por problemas de programación o la obtención de la verificación del seguro, es a menudo un proceso laborioso.
"Necesitamos pruebas rápidas y objetivas para detectar a los niños cuando están sufriendo", dijo la Dra. Ellen McGinnis, psicóloga clínica del Centro Vermont para Niños, Jóvenes y Familias del Centro Médico de la Universidad de Vermont y autora principal del estudio. "La mayoría de los niños menores de ocho años no están diagnosticados".
La investigación aparece en el Revista de informática biomédica y sanitaria.
El diagnóstico temprano es fundamental porque los niños responden bien al tratamiento mientras sus cerebros aún se están desarrollando, pero si no se tratan, corren un mayor riesgo de abuso de sustancias y suicidio en el futuro.
El diagnóstico estándar implica una entrevista semiestructurada de 60 a 90 minutos con un médico capacitado y su cuidador principal.
McGinnis, junto con el ingeniero biomédico de la Universidad de Vermont y autor principal del estudio Ryan McGinnis, ha estado buscando formas de utilizar la inteligencia artificial y el aprendizaje automático para hacer que el diagnóstico sea más rápido y más confiable.
Los investigadores utilizaron una versión adaptada de una tarea de inducción del estado de ánimo llamada Trier-Social Stress Task, que está destinada a causar sentimientos de estrés y ansiedad en el sujeto.
A un grupo de 71 niños de entre tres y ocho años se les pidió que improvisaran una historia de tres minutos y se les dijo que serían juzgados en función de lo interesante que fuera. El investigador que actúa como juez se mantuvo severo durante todo el discurso y solo dio comentarios neutrales o negativos. Después de 90 segundos, y nuevamente con 30 segundos restantes, sonaría un timbre y el juez les diría cuánto tiempo quedaba.
“La tarea está diseñada para ser estresante y para ponerlos en la mentalidad de que alguien los estaba juzgando”, dice Ellen McGinnis.
Los niños también fueron diagnosticados mediante una entrevista clínica estructurada y un cuestionario para padres, ambas formas bien establecidas de identificar los trastornos internalizantes en los niños.
Los investigadores utilizaron un algoritmo de aprendizaje automático para analizar las características estadísticas de las grabaciones de audio de la historia de cada niño y relacionarlas con el diagnóstico del niño. Descubrieron que el algoritmo era muy exitoso en el diagnóstico de niños y que la fase intermedia de las grabaciones, entre los dos timbres, era la más predictiva de un diagnóstico.
“El algoritmo pudo identificar a los niños con un diagnóstico de un trastorno de internalización con un 80 por ciento de precisión y, en la mayoría de los casos, se comparó muy bien con la precisión de la lista de verificación de los padres”, dice Ryan McGinnis.
También puede dar resultados mucho más rápidamente: el algoritmo requiere solo unos segundos de tiempo de procesamiento una vez que se completa la tarea para proporcionar un diagnóstico.
El algoritmo identificó ocho características de audio diferentes del habla de los niños, pero tres en particular se destacaron como altamente indicativas de trastornos de internalización: voces de tono bajo, con inflexiones y contenido del habla repetibles, y una respuesta de tono más alto al sorprendente timbre.
Ellen McGinnis dice que estas características encajan bien con lo que podría esperar de alguien que sufre de depresión. “Una voz de tono bajo y elementos de habla repetibles reflejan lo que pensamos cuando pensamos en la depresión: hablar con una voz monótona, repetir lo que estás diciendo”, dice Ellen McGinnis.
La respuesta más aguda al timbre también es similar a la respuesta que encontraron los investigadores en su trabajo anterior, donde se descubrió que los niños con trastornos de internalización exhibían una respuesta más grande de rechazo a un estímulo aterrador en una tarea de inducción de miedo.
El análisis de la voz tiene una precisión similar en el diagnóstico que el análisis del movimiento en ese trabajo anterior, pero Ryan McGinnis cree que sería mucho más fácil de usar en un entorno clínico.
La tarea del miedo requiere una habitación oscura, una serpiente de juguete, sensores de movimiento conectados al niño y una guía, mientras que la tarea de voz solo necesita un juez, una forma de grabar el habla y un timbre para interrumpir. “Esto sería más factible de implementar”, dice.
Ellen McGinnis dice que el siguiente paso será desarrollar el algoritmo de análisis del habla en una herramienta de detección universal para uso clínico, tal vez a través de una aplicación de teléfono inteligente que pueda registrar y analizar los resultados de inmediato.
El análisis de voz también podría combinarse con el análisis de movimiento en una batería de herramientas de diagnóstico asistidas por tecnología, para ayudar a identificar a los niños en riesgo de ansiedad y depresión antes incluso de que sus padres sospechen que algo anda mal.
Fuente: Universidad de Vermont
