AI kan het risico op psychose in alledaagse taal voorspellen
De taal van mensen kan aanwijzingen geven over hun toekomstige risico op het ontwikkelen van een psychose. Wetenschappers concludeerden dit na het bestuderen van de subtiele kenmerken van de dagelijkse spraak van mensen.
Onderzoekers van de Emory University in Atlanta, GA, en de Harvard University in Boston, MA, gebruikten een machine-learningtechniek om taal te analyseren bij een groep risicovolle jongeren.
Ze ontdekten dat ze konden voorspellen welke individuen psychose zouden ontwikkelen met een nauwkeurigheid van 93%.
Een recent npj Schizofrenie studiedocument beschrijft hoe het team de methode heeft ontwikkeld en getest.
Senior studie auteur Phillip Wolff, een professor in de psychologie aan de Emory University, legt uit dat eerder onderzoek al had aangetoond dat "subtiele kenmerken van toekomstige psychose aanwezig zijn in de taal van mensen." Hij merkte echter op: "We hebben machine learning gebruikt om verborgen details over die functies te ontdekken."
Hij en zijn collega's bedachten hun machine-learning-benadering om twee taalvariabelen te meten: semantische dichtheid en het gebruik van woorden met betrekking tot geluid.
Ze concludeerden dat "bekering tot psychose wordt gesignaleerd door een lage semantische dichtheid en praten over stemmen en geluiden."
Een lage semantische dichtheid is een maatstaf voor wat het team "inhoudelijke armoede" of vaagheid noemt.
"Dit werk", aldus de auteurs, "is een proof of concept-studie die aantoont dat indicatoren van toekomstige geestelijke gezondheid kunnen worden afgeleid uit de natuurlijke taal van mensen met behulp van computationele methoden."
Machine learning en psychosesymptomen
Machine learning is een vorm van kunstmatige intelligentie waarbij computers "leren van ervaring" zonder dat wetenschappers het leren expliciet hoeven te programmeren.
Een machine-learning-systeem zoekt naar patronen in een bekende set gegevens en beslist welke patronen specifieke kenmerken identificeren. Nadat hij "geleerd" heeft wat deze functies zijn, kan hij ze onvermoeibaar identificeren in een nieuwe set gegevens.
Machine learning kan patronen in het taalgebruik van mensen ontdekken die zelfs artsen die een training hebben gevolgd om mensen met een risico op psychose te diagnosticeren en te behandelen, misschien niet opmerken.
"Deze subtiliteiten proberen te horen in gesprekken met mensen is als proberen microscopisch kleine ziektekiemen met je ogen te zien", legt eerste studie-auteur Neguine Rezaii uit, een fellow bij de afdeling Neurologie aan de Harvard Medical School.
Het is echter mogelijk om machine learning te gebruiken om bepaalde subtiele patronen te vinden die verborgen zijn in de taal van mensen. "Het is als een microscoop voor waarschuwingssignalen van psychose", voegt ze eraan toe.
Rezaii begon aan de studie te werken terwijl ze een inwoner was van de afdeling Psychiatrie en Gedragswetenschappen aan de Emory University School of Medicine.
Psychose is een gemoedstoestand waarin het moeilijk kan zijn om het verschil te zien tussen wat echt is en wat niet.
Wanneer een persoon in deze gemoedstoestand komt, noemen artsen het een psychotische episode. Tijdens zo'n episode ervaren mensen verstoorde waarnemingen en gedachten. Wanen en hallucinaties zijn veel voorkomende symptomen van psychose.
Tijdens een psychotische episode kan een persoon ongepast gedrag vertonen of onsamenhangend praten. Bovendien kunnen ze slaapverstoring ervaren en sociaal teruggetrokken, depressief en angstig worden.
In de Verenigde Staten zal ongeveer 3% van de mensen tijdens hun leven een periode van psychose doormaken, volgens cijfers van het National Institute of Mental Health, een van de National Institutes of Health (NIH).
Verbetering van de vroege diagnose van het risico op psychose
Psychose is een kenmerk van schizofrenie en andere ernstige psychische aandoeningen op de lange termijn.
De waarschuwingssignalen van psychose beginnen meestal halverwege tot laat in de tienerjaren met een cluster van psychosesymptomen die artsen omschrijven als prodromaal syndroom.
Ongeveer 25–30% van de tieners die een prodromaal syndroom ontwikkelen, zullen een psychotische aandoening krijgen, zoals schizofrenie.
Op basis van interviews en tests van cognitieve vaardigheden kunnen artsen met de juiste opleiding meestal voorspellen welke mensen met prodromaal syndroom psychose zullen ontwikkelen met een nauwkeurigheid van ongeveer 80%.
Wetenschappers proberen verschillende benaderingen om dit voorspellingspercentage te verbeteren en het diagnostische proces nauwkeuriger en eenvoudiger te maken. Machine learning is een van deze benaderingen.
Prof. Wolff en zijn team begonnen hun studie door hun machine-leersysteem de taalnormen van alledaagse conversaties te laten identificeren.
Ze gaven het systeem online gesprekken van 30.000 gebruikers van Reddit. Reddit is een online nieuws-, contentclassificatie- en discussieplatform waar geregistreerde gebruikers over verschillende onderwerpen kunnen praten.
Het team gebruikte Word2Vec-software om individuele woorden in het gesprek te analyseren. De software brengt woorden in kaart zodat de woorden die een vergelijkbare betekenis hebben, dicht bij elkaar staan in de "semantische ruimte", terwijl de woorden die een zeer verschillende betekenis hebben, ver van elkaar verwijderd zijn.
De onderzoekers voegden een ander programma toe aan het systeem om de mogelijkheid om semantiek te analyseren uit te breiden. Eerdere studies hebben deze analyse beperkt tot het meten van semantische coherentie, waarbij wordt gekeken naar hoe mensen woorden in zinnen gebruiken.
Semantische dichtheid gaat echter een stap verder en beoordeelt ook hoe mensen hun woorden in zinnen ordenen. Het team suggereert dat dit een betere indicator is van de mentale processen die mensen gebruiken om zinnen te vormen.
Na het machine-learning-systeem te hebben getraind om een 'normale basislijn' vast te stellen, voedde het team het vervolgens met de gesprekken uit diagnostische interviews van 40 deelnemers aan de North American Prodrome Longitudinal Study (NAPLS).
NAPLS is een 14-jarig project op meerdere locaties dat tot doel heeft het vermogen van artsen te verbeteren om een diagnose te stellen bij jonge mensen die het risico lopen een psychose te ontwikkelen en om de redenen daarvoor te begrijpen.
Het team vergeleek vervolgens de machine learning-analyse van de NAPLS-gesprekken met de basisgegevens. Ze vergeleken het ook met vervolggegevens waaruit bleek welke deelnemers psychose ontwikkelden.
De resultaten toonden aan dat deelnemers die later een psychose ontwikkelden, de neiging hadden om meer klankgerelateerde woorden te gebruiken dan de basislijn, en ze gebruikten ook vaker woorden met een vergelijkbare betekenis.
"Als we personen die risico lopen eerder kunnen identificeren en preventieve interventies kunnen toepassen", legt coauteur prof. Elaine Walker uit, "kunnen we de tekorten misschien terugdraaien."
"Er zijn goede gegevens die aantonen dat behandelingen zoals cognitieve gedragstherapie het begin kunnen vertragen en misschien zelfs het optreden van psychose kunnen verminderen", voegt ze eraan toe.
Het team stelt nu uitgebreidere gegevensverzamelingen samen en is van plan de nieuwe machine-learningtechniek te testen met andere hersen- en psychiatrische aandoeningen, zoals dementie.
"Dit onderzoek is niet alleen interessant vanwege het potentieel om meer te onthullen over psychische aandoeningen, maar ook om te begrijpen hoe de geest werkt - hoe het ideeën samenbrengt."
Prof. Phillip Wolff
