Un algoritmo de aprendizaje automático puede detectar signos de ansiedad y depresión en los patrones del habla de los niños pequeños, lo que potencialmente proporciona una forma rápida y fácil de diagnosticar condiciones que son difíciles de detectar y que a menudo se pasan por alto en los jóvenes, según una nueva investigación publicada en el Revista de Informática Biomédica y de Salud .
Alrededor de uno de cada cinco niños sufre de ansiedad y depresión, conocidos colectivamente como "trastornos de internalización". Pero debido a que los niños menores de ocho años no pueden articular de manera confiable su sufrimiento emocional, los adultos deben poder inferir su estado mental, yreconocer posibles problemas de salud mental. Las listas de espera para citas con psicólogos, problemas de seguro y la falta de reconocimiento de los síntomas por parte de los padres contribuyen a que los niños pierdan el tratamiento vital.
"Necesitamos pruebas rápidas y objetivas para atrapar a los niños cuando sufren", dice 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 mayoríade niños menores de ocho años no son diagnosticados "
El diagnóstico temprano es crítico porque los niños responden bien al tratamiento mientras sus cerebros aún están en desarrollo, pero si no se tratan, corren un mayor riesgo de abuso de sustancias y suicidio más adelante en la vida. El diagnóstico estándar implica un semiestructurado de 60-90 minutosentrevista 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 confiable.
Los investigadores utilizaron una versión adaptada de una tarea de inducción del estado de ánimo llamada Trier-Social Stress Task, que tiene la intención de causar sentimientos de estrés y ansiedad en el sujeto. Se pidió a un grupo de 71 niños entre las edades de tres y ocho añosimprovisó una historia de tres minutos y les dijo que serían juzgados según lo interesante que fuera. El investigador que actuó como juez permaneció severo durante todo el discurso, y solo dio retroalimentación neutral o negativa. Después de 90 segundos, y nuevamente con 30 segundosa la izquierda, sonaría un timbre y el juez les diría cuánto tiempo quedaba.
"La tarea está diseñada para ser estresante y 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 trastornos de internalización en 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 fue muy exitoso en el diagnóstico de niños, y que la fase intermedia de las grabaciones, entrelos dos timbres, fue el diagnóstico más predictivo.
"El algoritmo fue capaz de identificar a los niños con un diagnóstico de trastorno de internalización con un 80% 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 muchos resultadosmás 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 internalizantes: voces de tono bajo, con inflexiones y contenido de habla repetibles y una respuesta de tono más alto al sorprendente timbre.Ellen McGinnis dice que estas características encajan bien con lo que se puede esperar de alguien que sufre de depresión ". Una voz grave y elementos del habla repetibles reflejan lo que pensamos cuando pensamos en la depresión: hablar con una voz monótona, repetir lo que eresdiciendo ", dice Ellen McGinnis.
La respuesta de tono más alto 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 exhiben una respuesta de rechazo mayor de un estímulo temeroso en una tarea de inducción del miedo.
El análisis de voz tiene una precisión similar en el diagnóstico al análisis de movimiento en ese trabajo anterior, pero Ryan McGinnis piensa que sería mucho más fácil de usar en un entorno clínico. La tarea de miedo requiere una habitación oscura, una serpiente de juguete, sensores de movimiento conectadospara el niño y una guía, mientras que la tarea de voz solo necesita un juez, una forma de grabar el discurso 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 grabar y analizar los resultados de inmediato. El análisis de voz también se puede combinar con el análisis de movimiento enuna batería de herramientas de diagnóstico asistidas por tecnología, para ayudar a identificar a los niños en riesgo de ansiedad y depresión incluso antes de que sus padres sospechen que algo está mal.
Otros coautores del estudio incluyen Steven P. Anderau y Reed D. Gurchiek en la Universidad de Vermont y Reed D. Gurchiek, Nestor L. Lopez-Duran, Kate Fitzgerald y Maria Muzik en la Universidad de Michigan.
Fuente de la historia :
Materiales proporcionados por Universidad de Vermont . Nota: El contenido puede ser editado por estilo y longitud.
Referencia del diario :
Cite esta página :