MADRID, 7 May. (EUROPA PRESS) -
Investigadores han desarrollado un algoritmo de aprendizaje automático, basado en la inteligencia artificial, capaz de detectar signos de ansiedad y depresión en los patrones del habla de los niños pequeños, lo que podría proporcionar una forma rápida y fácil de diagnosticar afecciones que son difíciles de detectar y que a menudo se pasan por alto en los jóvenes.
Aproximadamente uno de cada cinco niños sufre de ansiedad y depresión, conocidos colectivamente como "trastornos de internalización". Pero como los niños menores de ocho años no pueden expresar de manera confiable su sufrimiento emocional, los adultos deben poder inferir su estado mental y reconocer posibles problemas de salud mental. Las listas de espera para citas con psicólogos, problemas de seguro y la falta de reconocimiento de los síntomas por parte de los padres contribuyen a que los niños no reciban un tratamiento vital.
"Necesitamos pruebas rápidas y objetivas para atrapar a los niños cuando están sufriendo", ha señalado Ellen McGinnis, psicóloga clínica del Centro de Niños, Jóvenes y Familias de Vermont del Centro Médico de la Universidad de Vermont y autora principal del estudio, que ha sido publicado en 'Journal of Biomedical and Health Informatics'.
Lo cierto es que la mayoría de los niños menores de ocho años no han sido diagnosticados. El diagnóstico temprano es crítico porque los niños responden bien al tratamiento mientras sus cerebros aún se están desarrollando, pero si no se los trata, corren un mayor riesgo de abuso de sustancias y suicidio en el futuro. El diagnóstico estándar implica una entrevista semiestructurada de 60 a 90 minutos con un médico capacitado y su cuidador primario.
McGinnis, junto con el ingeniero biomédico de la Universidad de Vermont y autor principal del estudio, Ryan McGinnis, ha estado buscando formas de utilizar la inteligencia artificial y el aprendizaje automático para hacer que el diagnóstico sea más rápido y confiable.
Los investigadores utilizaron una versión adaptada de una tarea de inducción del estado de ánimo llamada 'Trier-Social Stress Task', que pretende causar sentimientos de estrés y ansiedad en el sujeto. A un grupo de 71 niños de entre tres y ocho años se les pidió que improvisaran una historia de tres minutos y se les dijo que los juzgarían según lo interesante que era. El investigador que actuó como juez permaneció severo durante todo el discurso y solo dio una respuesta neutral o negativa. Después de 90 segundos, y nuevamente con 30 segundos restantes, sonaría un timbre y el juez les diría cuánto tiempo le quedaba.
"La tarea está diseñada para ser estresante y para hacerles pensar que alguien los estaba juzgando", ha señalado McGinnis, que ha explicado que a los niños también se les diagnosticó mediante una entrevista clínica estructurada y un cuestionario para los padres, ambas formas bien establecidas de identificar trastornos de internalización en los niños.
Los investigadores utilizaron un algoritmo de aprendizaje automático para analizar las características estadísticas de las grabaciones de audio de la historia de cada niño y relacionarlas con el diagnóstico del niño. Descubrieron que el algoritmo fue altamente exitoso en el diagnóstico de niños, y que la fase intermedia de las grabaciones, entre los dos zumbadores, fue la más predictiva de un diagnóstico.
"El algoritmo fue capaz de identificar a los niños con un diagnóstico de un trastorno de internalización con el 80% de precisión, y en la mayoría de los casos se comparó realmente bien con la precisión de la lista de verificación de los padres", ha señalado Ryan McGinnis.
También puede dar los resultados mucho más rápido, ya que el algoritmo requiere solo unos segundos de tiempo de procesamiento una vez que se completa la tarea para proporcionar un diagnóstico.
CARACTERÍSTICAS DE AUDIO DIFERENTES
El algoritmo identificó ocho características de audio diferentes del habla de los niños, pero tres en particular se destacaron como altamente indicativas de trastornos de internalización: voces de tono bajo, con inflexiones y contenido del habla repetibles, y una respuesta de tono más alto al sorprendente zumbador.
McGinnis señala que estas características encajan bien con lo que usted podría esperar de alguien que sufre de depresión. "Una voz grave y elementos de voz repetibles reflejan lo que pensamos cuando pensamos acerca de la depresión: hablar con voz monótona, repetir lo que estás diciendo", ha afirmado.
McGinnis ha explicado que el próximo paso será desarrollar el algoritmo de análisis del habla para convertirlo en una herramienta de detección universal para uso clínico, tal vez a través de una aplicación para teléfonos inteligentes que pueda registrar y analizar los resultados de inmediato. El análisis de voz también podría combinarse con el análisis de movimiento en una batería de herramientas de diagnóstico asistidas por tecnología, para ayudar a identificar a los niños con riesgo de ansiedad y depresión, incluso antes de que sus padres sospechen que algo está mal.
