هوش مصنوعی با دقت بالا افراد افسرده را شناسایی کرد

افسردگی سالانه حدود ۱۸ میلیون نفر را در ایالات متحده تحت تأثیر قرار می‌دهد، اما غربالگری افسردگی به‌ندرت در محیط‌های درمانی سرپایی انجام می‌شود. این مطالعه یک ابزار هوش مصنوعی مبتنی بر یادگیری ماشین را که از الگوهای گفتاری برای شناسایی افسردگی متوسط تا شدید استفاده می‌کند، ارزیابی کرده است. هدف این تحقیق بهبود دسترسی به غربالگری افسردگی در مراکز مراقبت‌های اولیه است.

به گزارش رسانه اخبار پزشکی مدنا، در این پژوهش، بیش از ۱۴,۰۰۰ نمونه صوتی از بزرگسالان ساکن ایالات متحده و کانادا مورد تجزیه‌وتحلیل قرار گرفت. شرکت‌کنندگان به این پرسش پاسخ دادند: «روز شما چگونه گذشت؟» و حداقل ۲۵ ثانیه گفتار آزاد ارائه کردند. ابزار مورد استفاده، نشانگرهای زیستی صوتی مرتبط با افسردگی را تحلیل کرد که شامل الگوی ریتم گفتار، میزان تردیدها، مکث‌ها و سایر ویژگی‌های آکوستیکی بود. این داده‌ها با نتایج پرسشنامه استاندارد سلامت بیمار (PHQ-9) مقایسه شد که یکی از ابزارهای متداول برای غربالگری افسردگی است. در این پرسشنامه، نمره ۱۰ یا بالاتر نشان‌دهنده افسردگی متوسط تا شدید در نظر گرفته شد.

ابزار هوش مصنوعی سه خروجی ارائه کرد: نشانه‌های افسردگی تشخیص داده شد، نشانه‌های افسردگی تشخیص داده نشد، و نیاز به ارزیابی بیشتر (برای مواردی که نتیجه مشخص نبود). مجموعه داده مورد استفاده برای آموزش مدل هوش مصنوعی شامل ۱۰,۴۴۲ نمونه بود، درحالی‌که ۴,۴۵۶ نمونه دیگر به‌عنوان مجموعه اعتبارسنجی برای ارزیابی دقت ابزار به کار رفت.

• حساسیت ابزار ۷۱٪ بود، به این معنا که این مدل توانست افسردگی را در ۷۱٪ از افراد مبتلا به‌درستی تشخیص دهد.
• ویژگی ابزار ۷۴٪ بود، به این معنا که توانست در ۷۴٪ از افراد غیرمبتلا، افسردگی را به‌درستی رد کند.

یافته‌های این پژوهش نشان می‌دهد که فناوری یادگیری ماشین می‌تواند به‌عنوان یک ابزار مکمل برای حمایت از تصمیم‌گیری در ارزیابی افسردگی مورد استفاده قرار گیرد و امکان غربالگری سریع‌تر و دسترسی گسترده‌تر به تشخیص اولیه را در مراکز مراقبت‌های اولیه فراهم کند.