طبق پژوهش جدید که در ژورنال Biomedical and Health Informatics چاپ شده است یک الگوریتم یادگیری ماشینی میتواند نشانه‌های اضطراب و افسردگی را در الگوهای گفتاری کودکان جوان پیدا کند، که به صورت بالقوه راهی سریع و آسان برای تشخیص شرایطی که در افراد جوان به سختی و بندرت شناسایی میشوند و اغلب نادیده گرفته می شود را فراهم آورد.
تقریبا یک در پنج کودک از اضطراب و افسردگی ، که به صورت کلی تحت عنوان ” اختلالات درونی کردن” شناخته شده می شوند، رنج میبرند.اما بخاطر اینکه کودکان زیر هشت سال نمیتوانند رنج‌های هیجانیشان را بطور موثق بیان کنند، بزرگسالان نیاز دارند که قادربه پی بردن به حالت روانی آنها باشند و مشکلات بالقوه سلامت روان را بشناسند. لیست‌های انتظار برای ملاقات با روانشناسان، موضوعات بیمه ای، و عدم توانایی در شناخت علائم توسط والدین همه دست به دست هم می دهند تا کودکان را از معالجه ضروری محروم نمایند.
McGinnis روانشناس بالینی در مرکز پزشکی کودکان، جوانان و خانواده در دانشگاه Vermont و مولف اصلی مطالعه اذعان میدارد:” ما نیاز به تست‌های سریع و عینی برای شناسایی کودکانی که در رنج هستند داریم. (مشکلات) اکثر کودکان زیر هشت سال تشخیص داده نمی شوند.”
تشخیص زودرس به خاطر اینکه کودکان درحالیکه مغر آنها هنوز درحال تکامل است پاسخ بهتری به درمان نشان میدهند، ضروری است، اما اگر آنها درمان نشوند در معرض خطر فزاینده سومصرف مواد و خودکشی درمراحل بعدی زندگی هستند. تشخیص استاندارد شامل مصاحبه نیمه ساختاری ۹۰-۶۰ دقیقه‌ای با یک بالینگر آموزش دیده و پزشک خانواده می باشد. McGinnis همراه با مهندس پزشکی زیستی دانشگاه Vermont و نویسنده ارشد Ryan McGinnis در جستجو برای استفاده از هوش مصنوعی و یادگیری ماشینی برای تشخیص سریع تر و قابل اعتمادتر می باشند.
محققان یک نسخه سازگارشده القاء کننده خلق و خوی تحت عنوان Trier-Social Stress Task نامیده میشود و برای ایجاد احساسات استرس و اضطراب در شخص مورد استفاده قرار می گیرد، استفاده کردند. از گروهی متشکل از ۷۱ کودک سه و هشت ساله خواسته شد که به صورت فی البداهه یک داستان سه دقیقه‌ای بسازند. در ضمن به کودکان گفته شد که آنها براساس میزان جذابیت داستان مورد قضاوت قرار خواهند گرفت. محققی که به عنوان داور عمل می کرد درطول سخنرانی به کودکان عبوث وسختگیر بود و تنها بازخورد خنثی یا منفی می داد. بعد از ۹۰ ثانیه و در حالی که فقط ۳۰ ثانیه از وقت باقی مانده بود یک زنگ به صدا در می ٱمد و داور به آنها می گفت که چقدر زمان باقی مانده بود.
McGinnis می گوید:” تکلیف به گونه‌ای طراحی شده است که استرس‌زا باشد، و کودکان را در ذهنیتی قرار دهد که فکر کنند کسی آنها را قضاوت می کند.”
کودکان همچنین با استفاده از یک مصاحبه بالینی ساختاری و پرسشنامه مختص والدین، دو ابزار روانشناختی برای شناسایی اختلالات درونی سازی در کودکان که به نحو احسن شناخته شده می باشند، مورد ارزیابی قرار گرفتند.
محققان از یک الگوریتم یادگیری ماشینی برای تجزیه و تحلیل ویژگی‌های آماری ضبط وثبت صوتی داستان هر کودک استفاده کردند و آنها را به تشخیص کودک مرتبط ساختند. آنها دریافتند که این الگوریتم را در تشخیص کودکان بسیار موفق بوده و فاز میانی ثبت و ضبط صدا‌ها، بین دو زنگ، را پیش بینی کننده‌ترین تشخیص شناسایی کردند.
Ryan McGinnis در ادامه می گوید:” الگوریتم قادر به شناسایی کودکان با تشخیص اختلال دورنی سازی با ۸۰ درصد دقت بود، و در اکثر موارد با چک لیست والدین قابل رقابت بود.” در ضمن این الگوریتم قادر به ارایه نتایج در کوتاهترین زمان می باشد – الگوریتم مستلزم چند ثانیه زمان برای پروسس بعد از تکمیل جهت ارایه تشخیص می باشد.
الگوریتم هشت ویژگی صوتی متفاوت از سخنرانی کودکان را شناسایی کرد، اما سه تا از این ویژگی ها بطور ویژه نشان دهنده بالای اختلالات دورنی سازی بودند: صداهای کم دامنه، با انعطاف و محتوای تکرارپذیر سخنرانی، و پاسخ‌های بلندتر به صدای زنگ. Ellen McGinnis اضافه میکند که این ویژگی‌ها به خوبی با آنچه که شما ممکن است از کسی که از افسردگی رنج میبرد انتظار داشته باشید هماهنگی دارد. او اضافه می کند:”صدای پایین و عناصر تکرار شونده گفتار درست مطابق با موارد مرتبط با افسردگی می باشد: صحبت کردن با صدای یکنواخت و تکرار آنچه که گفته می شود.”
پاسخ بلند دامنه به صدای زنگ همچنین مشابه با پاسخی است که محققان در کارهای قبلیشان به آنها دست یافته اند، جاییکه کودکان دارای اختلالات درونی سازی پاسخ انحرافی نسبت به محرک ترسناک در القای ترس از خود نشان می دهند، می باشد.
تجزیه وتحلیل صدا دارای دقت مشابهی در تشخیص نسبت به تجزیه وتحلیل حرکت در تحقیقات قبلی می باشد، اما Ryan McGinnis فکر میکند استفاده از آن در محیط کلینیکی آسان تر خواهد بود. القای ترس نیازمند یک اتاق تاریک، مار اسباب بازی، سنسورهای حرکتی متصل به کودک و راهنما است، درحالیکه تجزیه و تحلیل صدا نیازمند یک داور و وسیله‌ای برای ثبت و ضبط صدا و یک زنگ برای قطع کردن می باشد.” او اذعان دارد که ” این کار امکان پذیری بیشتری برای انجام دارد.”
Ellen McGinnis در ادامه اضافه میکند که قدم بعدی بوجود آوردن الگوریتم تجزیه وتحلیل گفتار به عنوان ابزار غربالگری عمومی برای استفاده بالینی است. این کار شاید از طریق بکارگیری برنامه گوشی هوشمند که بتواند نتایج را بلافاصله ثبت و تجزیه وتحلیل کند، انجام پذیر می باشد. همچنین تجزیه وتحلیل صدا نیز میتواند به همراه تجزیه وتحلیل حرکت به ابزار تشخیصی مجهز به تکنولوژی های نوین برای کمک به شناسایی کودکان در معرض خطراضطراب و افسردگی، حتی قبل از شک والدین به وجود هر گونه اختلال در کودکان، تبدیل شود.
