使用机器学习和深度学习的跨学科方法来识别创伤后应激障碍的语言标志物
Robin Quillivic1,2, Frédérique Gayraud3, Yann Auxéméry4,5
1PSL-EPHE, Paris, France. robin.quillivic@ephe.psl.eu.
Scientific reports
|May 30, 2024
概括
语言分析显示,它有可能成为创伤后应激障碍 (PTSD) 的诊断生物标志物. 这项研究使用了巴黎袭击幸存者的采访,以探索PTSD的语言标记,提供新的诊断途径.
科学领域:
- 精神病学和计算语言学
- 自然语言处理 (NLP) 在心理健康中的应用.
背景情况:
- 创伤后应激障碍 (PTSD) 缺乏确定的临床生物标志物.
- 研究语言作为潜在的PTSD诊断工具对于早期检测和治疗至关重要.
研究的目的:
- 探索2015年巴黎恐怖袭击中幸存者的语言模式和PTSD之间的关系.
- 评估综合精神病学,语言学和NLP用于PTSD诊断的跨学科方法的有效性.
主要方法:
- 对148名巴黎袭击幸存者的采访记录进行分析.
- 一个三步方法:临床精神病学家诊断,基于心理语言特征的机器学习和无假设的深度学习方法.
- 对混因素进行了控制,并分析了与DSM-5子症状的关联.
主要成果:
- 临床精神病学家的诊断实现了0.72.7的曲线下的面积 (AUC).
- 机器学习模型的AUC值为0.69,深度学习的AUC值为0.64.
- 建立了语言和PTSD子症状之间的关联,证明了语言标记的有用性.
结论:
- 语言分析,特别是通过NLP,显示出作为PTSD诊断生物标志物的希望.
- 这些发现支持开发先进的诊断工具和方法,以评估PTSD治疗的有效性.
- 这项研究为在临床精神病学实践中利用语言数据提供了坚实的基础.
更多相关视频
10:43Developing Neuroimaging Phenotypes of the Default Mode Network in PTSD: Integrating the Resting State, Working Memory, and Structural Connectivity
Published on: July 1, 2014
15.1K
09:47Author Spotlight: Advancing Alzheimer's Research – Exploring Early Detection and Multi-Omics Approaches
Published on: December 15, 2023
1.0K
