Depressione, l'IA attraverso la voce svela i segreti per una diagnosi precoce

Un sistema d’intelligenza artificiale può aiutare a individuare la depressione analizzando la voce in pochi secondi. Questi i risultati di uno studio pubblicato su The Annals of Family Medicine che ha valutato l'efficacia di uno strumento di machine learning (ML) per identificare marker vocali della depressione.

La depressione colpisce milioni di persone, ma spesso non viene diagnosticata in tempo. Nonostante le linee guida raccomandino uno screening universale, il tasso di identificazione della depressione in assistenza primaria rimane inferiore al 4%.

Lo studio

I ricercatori hanno analizzato 14.898 registrazioni vocali, dimostrando che il modello può riconoscere schemi vocali associati a stati depressivi. I partecipanti hanno completato un questionario standard sulla depressione e registrato almeno 25 secondi di parlato tramite telefono o computer. Le persone depresse tendono a presentare schemi vocali distintivi, come esitazioni, pause più lunghe e parlata rallentata. Analizzando questi biomarcatori vocali, il modello linguistico ha potuto identificare i segni di depressione in modo non invasivo e automatizzato.

Il modello ha suddiviso i partecipanti in tre categorie: soggetti con probabilità di depressione, senza segni di depressione e con risultati incerti. Per verificarne l'accuratezza, i ricercatori hanno confrontato le previsioni del ML con i risultati dei questionari.

Il modello ha rilevato segni di depressione con una sensibilità del 71,3% e una specificità del 73,5%, analizzando registrazioni vocali di 25 secondi. Il 20% dei casi è stato classificato come incerto e necessitava di ulteriori valutazioni.

Conclusioni

Strumenti simili sono già stati utilizzati per rilevare disturbi neurologici, dimostrando un ampio potenziale applicativo. Sebbene il modello linguistico non possa sostituire una diagnosi clinica, questa tecnologia potrebbe aiutare i medici di base a eseguire screening più efficienti, consentendo una diagnosi più precoce e riducendo i bias diagnostici.

Questo strumento potrebbe facilitare lo screening in ambito medico e nella telemedicina, senza la necessità di test lunghi o questionari complessi, nonostante, sottolineano gli autori, siano necessarie ulteriori ricerche per ottimizzarne l'affidabilità e verificarne l'applicabilità su larga scala.