L'analyse de la parole par IA peut détecter la dépression chez les jeunes enfants

Une nouvelle recherche suggère qu'un algorithme d'apprentissage automatique peut détecter des signes d'anxiété et de dépression dans les schémas d'élocution des jeunes enfants. Cette technique pourrait être un moyen plus rapide et plus facile de détecter les troubles difficiles à repérer chez les jeunes. La détection précoce des problèmes émotionnels est importante pour garantir des soins en temps opportun.

Les enquêteurs expliquent qu'environ un enfant sur cinq souffre d'anxiété et de dépression, collectivement appelés «troubles d'intériorisation». Cependant, les signes du trouble sont difficiles à reconnaître car les enfants de moins de huit ans ne peuvent pas articuler de manière fiable leur souffrance émotionnelle, ce qui rend la condition difficile à repérer.

La nécessité de poser un diagnostic en temps opportun est importante car l'accès à un fournisseur, qu'il s'agisse de problèmes de planification ou d'obtention d'une vérification d'assurance, est souvent un processus laborieux.

«Nous avons besoin de tests rapides et objectifs pour attraper les enfants qui souffrent», a déclaré le Dr Ellen McGinnis, psychologue clinicienne au Vermont Center for Children, Youth and Families de l’Université du Vermont Medical Center et auteur principal de l’étude. «La majorité des enfants de moins de huit ans ne sont pas diagnostiqués.»

La recherche apparaît dans le Journal de l'informatique biomédicale et de la santé.

Un diagnostic précoce est essentiel car les enfants répondent bien au traitement pendant que leur cerveau est encore en développement, mais s'ils ne sont pas traités, ils courent un plus grand risque de toxicomanie et de suicide plus tard dans la vie.

Le diagnostic standard comprend un entretien semi-structuré de 60 à 90 minutes avec un clinicien qualifié et son principal dispensateur de soins.

McGinnis, avec l'ingénieur biomédical de l'Université du Vermont et auteur principal de l'étude Ryan McGinnis, a cherché des moyens d'utiliser l'intelligence artificielle et l'apprentissage automatique pour rendre le diagnostic plus rapide et plus fiable.

Les chercheurs ont utilisé une version adaptée d'une tâche d'induction de l'humeur appelée Trèves-Social Stress Task, qui vise à provoquer des sentiments de stress et d'anxiété chez le sujet.

On a demandé à un groupe de 71 enfants âgés de trois à huit ans d'improviser une histoire de trois minutes et on leur a dit qu'ils seraient jugés en fonction de son intérêt. Le chercheur agissant en tant que juge est resté sévère tout au long du discours et n'a donné que des commentaires neutres ou négatifs. Après 90 secondes, et de nouveau avec 30 secondes restantes, un signal sonore retentit et le juge leur dit combien de temps il reste.

«La tâche est conçue pour être stressante et pour les mettre dans la mentalité que quelqu'un les jugeait», dit Ellen McGinnis.

Les enfants ont également été diagnostiqués à l'aide d'un entretien clinique structuré et d'un questionnaire destiné aux parents, deux moyens bien établis pour identifier les troubles d'intériorisation chez les enfants.

Les chercheurs ont utilisé un algorithme d'apprentissage automatique pour analyser les caractéristiques statistiques des enregistrements audio de l'histoire de chaque enfant et les relier au diagnostic de l'enfant. Ils ont constaté que l'algorithme était très efficace pour diagnostiquer les enfants et que la phase médiane des enregistrements, entre les deux buzzers, était la plus prédictive d'un diagnostic.

«L'algorithme a pu identifier les enfants avec un diagnostic de trouble d'intériorisation avec une précision de 80%, et dans la plupart des cas, cela se comparait très bien à l'exactitude de la liste de contrôle des parents», explique Ryan McGinnis.

Il peut également donner des résultats beaucoup plus rapidement - l'algorithme ne nécessite que quelques secondes de temps de traitement une fois la tâche terminée pour fournir un diagnostic.

L'algorithme a identifié huit caractéristiques audio différentes du discours des enfants, mais trois en particulier se sont révélées hautement indicatives de troubles d'intériorisation: des voix graves, avec des inflexions et un contenu de la parole reproductibles, et une réponse plus aiguë au buzzer surprenant.

Ellen McGinnis dit que ces caractéristiques correspondent bien à ce que vous pourriez attendre d'une personne souffrant de dépression. «Une voix grave et des éléments de parole répétables reflètent ce à quoi nous pensons lorsque nous pensons à la dépression: parler d’une voix monotone, répéter ce que vous dites», déclare Ellen McGinnis.

La réponse plus aiguë au buzzer est également similaire à la réponse que les chercheurs ont trouvée dans leurs travaux précédents, où les enfants souffrant de troubles d'intériorisation se sont avérés présenter une plus grande réponse de détournement d'un stimulus craintif dans une tâche d'induction de la peur.

L'analyse de la voix a une précision de diagnostic similaire à celle de l'analyse de mouvement dans ce travail précédent, mais Ryan McGinnis pense qu'elle serait beaucoup plus facile à utiliser dans un cadre clinique.

La tâche de peur nécessite une pièce sombre, un serpent jouet, des capteurs de mouvement attachés à l'enfant et un guide, tandis que la tâche vocale n'a besoin que d'un juge, d'un moyen d'enregistrer la parole et d'un buzzer pour l'interrompre. «Ce serait plus faisable à déployer», dit-il.

Ellen McGinnis dit que la prochaine étape consistera à développer l'algorithme d'analyse de la parole en un outil de dépistage universel à usage clinique, peut-être via une application pour smartphone qui pourrait enregistrer et analyser les résultats immédiatement.

L'analyse vocale pourrait également être combinée à l'analyse du mouvement dans une batterie d'outils de diagnostic assistés par la technologie, pour aider à identifier les enfants à risque d'anxiété et de dépression avant même que leurs parents ne soupçonnent que quelque chose ne va pas.

Source: Université du Vermont