Automatic detection of depression in clinical interviews with large language models
Deze studie toont aan dat geautomatiseerde taalanalyse van klinische interviews met behulp van transformer-gebaseerde modellen en ensemble-strategieën effectief een depressieve stoornis kan detecteren bij Kantonese sprekers, waarbij de verwerkingsefficiëntie aanzienlijk wordt verbeterd terwijl het belang van transcriptiekwaliteit en conversationele context voor optimale prestaties wordt benadrukt.
Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer
Depressie is een veelvoorkomende en ernstige aandoening die miljoenen mensen wereldwijd treft, maar het vroegtijdig ontdekken ervan hangt vaak af van de mogelijkheid van een persoon om toegang te krijgen tot een getrainde geestelijke gezondheidsdeskundige. Op veel plaatsen zijn deze experts schaars en kan het proces van diagnose traag zijn, waardoor velen zonder de hulp blijven die ze nodig hebben. Om dit aan te pakken, zijn onderzoekers begonnen met het verkennen of computers kunnen leren tekenen van depressie te herkennen door te luisteren naar hoe mensen spreken. Dit vakgebied berust op het idee dat de manier waarop een persoon over zijn gevoelens praat, de woorden die hij kiest en het ritme van zijn gesprek, de mentale staat kunnen onthullen. Recente vooruitgang in kunstmatige intelligentie heeft krachtige hulpmiddelen gecreëerd die in staat zijn de menselijke taal te begrijpen, wat een nieuwe manier biedt om deze gesprekken automatisch te analyseren. Het doel is niet om artsen te vervangen, maar om een snel, toegankelijk hulpmiddel te creëren dat kan helpen identificeren wie zorg nodig heeft, waardoor potentieel mensen worden bereikt die anders ongediagnosticeerd zouden blijven.
Een team van onderzoekers aan de Chinese Universiteit van Hong Kong zette zich in om te testen of deze kunstmatige intelligentie-instrumenten nauwkeurig een depressieve stoornis konden detecteren aan de hand van opnames van klinische interviews. Ze werkten met 299 Kantonese sprekende deelnemers, waaronder 194 patiënten die gediagnosticeerd waren met depressie en 105 gezonde individuen. De onderzoekers namen gestructureerde interviews op waarbij een clinicus vragen stelde en de deelnemer antwoordde. Om te zien of ze het proces sneller en schaalbaarder konden maken, vergeleken ze twee manieren om deze audio-opnames om te zetten in tekst. De eerste methode was de traditionele aanpak, waarbij mensen handmatig elk gesproken woord opschreven, een proces dat ongeveer 45 minuten per interview kostte. De tweede methow gebruikte een geautomatiseerd systeem om de audio direct te transcriberen. Ze voerden deze teksten vervolgens in verschillende verschillende computermodellen die ontworig zijn om taal te begrijpen, om te testen of de modellen het verschil konden zien tussen de gezonde deelnemers en degenen met een depressie.
De studie toonde aan dat het gebruik van het geautomatiseerde transcriptiesysteem een enorme sprong voorwaarts was in efficiëntie. Het verminderde de tijd die nodig was om elk interview te verwerken van ongeveer 45 minuten naar minder dan 10 minuten, een reductie van 79 procent. Deze snelheid maakt het mogelijk om grote aantallen interviews snel te analyseren, wat essentieel is voor gebruik in de echte wereld. De onderzoekers ontdekten echter dat deze snelheid gepaard ging met een kleine concessie. De modellen die getraind waren op de handmatig geschreven teksten waren iets beter in het identificeren van depressie dan de modellen die getraind waren op de automatisch gegenereerde teksten. Dit suggereert dat hoewel machines erg goed worden in luisteren, ze nog steeds af en toe de subtiele nuances missen die een menselijke transcripteur opvangt. Ondanks deze kleine kloof waren de geautomatiseerde versies nog steeds zeer effectief, wat bewees dat de technologie klaar is voor praktische toepassing waar snelheid cruciaal is.
Nog een belangrijke ontdekking was over welke delen van het gesprek de computer zou moeten beluisteren. De onderzoekers testten twee scenario's: één waarbij het model alleen de antwoorden van de patiënt las, en één waarbij het de volledige conversatie las, inclusief de vragen van de arts. Ze ontdekten dat de modellen beter presteerden wanneer ze de volledige context van het gesprek hadden. Een kort antwoord van een patiënt, zoals "niet echt" of "soms", kan op zichzelf vaag lijken, maar wanneer het model de vraag ziet die eraan voorafging, wordt de betekenis veel duidelijker. Bijvoorbeeld, als een arts vraat naar slaappatronen en de patiënt zegt "soms", begrijpt de computer dat dit verwijst naar slaapstoornissen. Deze context helpt het model om nauwkeurigere oordelen te vellen, wat laat zien dat de interactie tussen de arts en de patiënt waardevolle aanwijzingen bevat die verloren gaan als alleen de stem van de patiënt wordt geanalyseerd.
Om hun detectie nog betrouwbaarder te maken, combineerde het team de voorspellingen van verschillende verschillende computermodellen in één enkel, sterker systeem. Ze testten verschillende manieren om deze meningen samen te voegen, zoals het nemen van het gemiddelde van hun scores of het zoeken naar het sterkste signaal onder hen. Deze gecombineerde aanpak, bekend als een ensemble, verbeterde de nauwkeurigheid van de detectie verder dan wat enig enkel model op zichzelf zou kunnen bereiken. De best presterende combinatie werd vervolgens getest op een volledig nieuwe groep van 169 jongeren die niet deel hadden uitgemaakt van de oorspronkelijke studie. In deze onafhankelijke test identificeerde het gecombineerde systeem depressie met een hoog niveau van nauwkeurigheid, waarbij het net zo goed presteerde als het beste enkele model en iets beter dan de anderen. Dit bevestigde dat het systeem zijn bevindingen kon generaliseren naar nieuwe mensen, en niet alleen naar degenen op wie het getraind was.
De resultaten van dit onderzoek bieden een veelbelovend pad voor de geestelijke gezondheidszorg. De onderzoekers hebben aangetoond dat het mogelijk is om een systeem te bouwen dat depressie detecteert vanuit spraak met een hoge nauwkeurigheid, terwijl de tijd die nodig is voor analyse drastisch wordt verminderd. Hoewel de geautomatiseerde transcripten niet perfect waren, waren ze goed genoeg om een systeem te ondersteunen dat goed werkt in de echte wereld. De studie benadrukte ook dat het opnemen van de vragen van de arts context biedt die de begrip van de computer verbetert. Hoewel het systeem nog geen vervanging is voor een menselijke diagnose, vertegenwoordigt het een belangrijke stap naar het sneller, toegankelijker en breder beschikbaar maken van mentale gezondheidsscreening voor meer mensen die het nodig hebben. Het werk suggereert dat met de juiste instrumenten technologie kan helpen de kloof te overbruggen tussen mensen die lijden aan depressie en de zorg die zij verdienen.
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.