基于机器学习的重大抑郁障碍评估的验证,基于平行语言语音特征在常规护理中
Jonathan F Bauer1, Maurice Gerczuk2, Lena Schindler-Gmelch1
1Department for Clinical Psychology and Psychotherapy, Friedrich-Alexander-Universität Erlangen-Nürnberg, 91052 Erlangen, Germany.
Depression and anxiety
|April 14, 2025
概括
机器学习对语音的分析显示了检测主要抑郁症 (MDD) 的潜力. 然而,目前的语音分析准确度并没有超过已建立的临床使用的抑郁症尺度.
科学领域:
- 计算精神病学是一种计算精神病学.
- 数字化表型化是指数字化表型化.
- 机器学习在医疗保健中的应用
背景情况:
- 机器学习 (ML) 提供了长期监测主要抑郁症 (MDD) 的潜力.
- 语音特征的自动化分析正在探索其在心理健康评估中的实用性.
研究的目的:
- 为了评估ML系统的有效性,分析MDD检测的双语语音特征.
- 将语音分析的诊断准确性与标准抑郁症量表进行比较.
主要方法:
- 收集了来自267名常规护理人员的550个语音样本,进行了基于电话的临床采访.
- 接受过培训并评估了使用语音特征识别MDD诊断的ML系统 (DSM-IV的结构化临床采访).
- 与汉密尔顿抑郁症评分表 (HRSD),QIDS-C和PHQ-9分数进行ML性能比较.
主要成果:
- 机器学习语音分析系统在MDD的分类中实现了66%的准确性,表现优于机会,但低于标准尺度.
- 抑郁症尺度显示出更高的准确性:HRSD (73%),QIDS-C (74%),PHQ-9 (73%).
- 结合ML语音分析和抑郁度量表,准确度在73%至76%之间.
结论:
- 自动语音分析可以识别表明抑郁语音的模式.
- 目前的语音分析方法并不能显著提高已建立的抑郁症尺度的诊断准确性.
- 语音分析尚未成为临床实践中传统抑郁症尺度的可行替代品,因为其精度有限.
