Автоматизированная оценка психических расстройств с помощью речи: систематический обзор

Цель: Существуют многочисленные барьеры для доступа к психиатрической оценке, включая стоимость и стигматизацию. Даже при обращении за профессиональной помощью оценка проводится эпизодически и частично ограничивается приступообразным характером психиатрических симптомов. Поэтому технологии машинного обучения, использующие образцы речи, полученные в клинике или дистанционно, в будущем могут стать биомаркером для улучшения диагностики и лечения. До настоящего времени обзоры были посвящены только использованию акустических характеристик речи для выявления депрессии и шизофрении. Здесь мы представляем первый систематический обзор исследований, в которых речь использовалась для автоматизированной оценки более широкого спектра психических расстройств.

Методы: Мы следовали рекомендациям Preferred Reporting Items for Systematic Reviews and Meta-Analysis (PRISMA). Мы включили исследования за последние 10 лет, в которых речь использовалась для выявления наличия расстройства или оценки его тяжести в соответствии с Diagnostic and Statistical Manual of Mental Disorders (DSM-5). Для каждого исследования мы описываем размер выборки, метод клинической оценки, речевые задания, методологию машинного обучения, эффективность и другие значимые результаты.

Результаты: Было отобрано 1395 исследований, из которых 127 соответствовали критериям включения. Большинство исследований было посвящено депрессии, шизофрении и биполярному расстройству, остальные — посттравматическому стрессовому расстройству, тревожным расстройствам и расстройствам пищевого поведения. В 63% исследований строили прогностические модели машинного обучения, а в остальных 37% проводили только проверку нулевой гипотезы. Мы предоставляем онлайн-базу данных с результатами поиска и обобщаем, как акустические признаки проявляются при каждом расстройстве.

Выводы: Технологии обработки речи могут помочь в психиатрической оценке, но предстоит преодолеть множество препятствий, особенно необходимость в комплексных трансдиагностических и продольных исследованиях. Учитывая разнообразие наборов данных, методов извлечения признаков, вычислительных подходов и критериев оценки, мы предлагаем рекомендации как по сбору данных, так и по построению моделей машинного обучения с акцентом на проверку гипотез, открытую науку, воспроизводимость и обобщаемость.

Уровень доказательности: 3a.