Cel pracy:
W grupie pacjentów ze zdiagnozowanymi zaburzeniami afektywnymi dwubiegunowymi (BD) i zaburzeniami depresyjnymi nawracającymi (MDD) przeprowadzono analizę w celu oceny skuteczności algorytmów AI w wykrywaniu zmian stanu psychicznego na podstawie fizycznych parametrów głosu.

Metoda:
Opracowano system MoodMon, obejmujący aplikację mobilną na smartfony. W I etapie AI trenowano przy użyciu obiektywnych danych i ocen klinicznych przeprowadzonych przez psychiatrów, które obejmowały 17-punktowe wersje skali HDRS (Hamilton Depression Rating Scale) i YMRS (Young Mania Rating Scale) oraz skalę CGI (Clinical Global Impression). Drugi etap to dalsze udoskonalenie AI przy użyciu danych indywidualnych i populacyjnych oraz generowanie alertów po wykryciu subtelnych zmian stanu psychicznego. Oba etapy badania trwały łącznie 942 dni.

Wyniki:
Parametry fizycznego głosu mogą służyć jako biomarkery w zaburzeniach afektywnych. Najskuteczniejsze w wykrywaniu zmian stanu psychicznego okazało się 19 określonych fizycznych parametrów głosu. System wykazał wysoką wydajność, z następującymi wartościami czułości (TPR, ang. true positive rate) i swoistości (TNR, ang. true negative rate): dla obu diagnoz: TPR = 89,5%, TNR = 98,8%, F31: TPR = 89,6%, TNR = 98,9%, F33: TPR = 89,1%, TNR = 98,5%. MoodMon pomógł dokładnie monitorować i przewidywać zmiany stanu psychicznego pacjentów z zaburzeniami afektywnymi.

Wnioski:
System MoodMon to obiektywne narzędzie AI skutecznie identyfikujące początkowy okres zmian stanu psychicznego w zaburzeniach afektywnych na podstawie fizycznych parametrów głosu.