据发表于《家庭医学年鉴》（Annals of Family Medicine）的一项横断面分析显示，一种AI模型通过语音模式识别中度至重度抑郁症表现出有效性。该模型还展示了在某些多样化群体中识别或排除抑郁症的能力。
目前，美国预防服务工作组建议临床医生对所有成人进行抑郁症筛查，并对65岁以下的成年人进行焦虑症筛查。然而，Kintsugi Mindful Wellness, Inc.的Alexa Mazur（BA）及其同事指出，在门诊环境中，抑郁症筛查率估计低于4%。
“即使被确定需要进行筛查，抑郁症患者也仅有不到50%的时间被包括在内。”他们写道，“因此，有必要显著改进初级保健中的抑郁症筛查。”
在这项研究中，研究人员使用了几种预测指标和来自美国及加拿大的14,898名参与者的语音样本，评估了一种基于AI的语音生物标志物工具（Kintsugi Voice, Kintsugi Mindful Wellness, Inc.）。参与者回答了“你今天过得怎么样？”的问题，至少提供了25秒的自由形式语音。Kintsugi Voice随后评估了与抑郁症相关的语音生物标志物，如犹豫、频繁和较长的停顿以及语速。
研究人员将语音生物标志物结果与患者健康问卷-9（PHQ-9）的自我报告结果进行了比较。该工具的三个输出结果包括：
- 未检测到抑郁迹象；
- 检测到抑郁迹象；以及
- 对不确定情况建议进一步评估。
该分析包括了10,442个用于训练模型的语音样本，以及4,456个用于验证集的样本。Mazur及其同事发现，该模型的敏感性为71.3%（95%置信区间，69%-73.5），即它在71%的有抑郁症的人中正确识别出了抑郁症。
该工具的特异性为73.5%（95%置信区间，71.5%-75.5），即在接近74%没有抑郁症的人中正确排除了抑郁症。研究人员计算了Kintsugi Voice的阳性预测值和阴性预测值分别为69.3（95%置信区间，67.1-71.5）和75.3（95%置信区间，73.3-77.2）。
在亚群中，该模型在西班牙裔（80.3%；95%置信区间，72.6%-86.6）和黑人（72.4%；95%置信区间，64%-79.8）人群中表现出最高的敏感性，而在亚裔或太平洋岛民（77.5%；95%置信区间，72.8%-81.8）和黑人（75.9%；95%置信区间，69.3%-81.7）人群中表现出最高的特异性。“这些群体的置信区间相对于整个样本和白人亚群更宽”，研究人员指出。
敏感性和特异性在男性和女性之间也存在显著差异。例如，研究人员确定女性的敏感性为74%（95%置信区间，71.4%-76.5），男性的敏感性为59.3%（95%置信区间，54%-64.4），而女性的特异性为68.9%（95%置信区间，66.2%-71.4），男性的特异性为83.9%（95%置信区间，80.8%-86.7）。
对于年龄小于60岁的人群，特异性和敏感性分别为71.8%（95%置信区间，69.6%-73.9）和71.9%（95%置信区间，69.5%-74.2），置信区间较窄，而60岁及以上人群的置信区间较宽。
研究人员解释说，许多心理健康诊断和筛查工具的敏感性和特异性在60%到90%之间，这意味着Kintsugi Voice的表现与PHQ-9相比“表明机器学习设备可能有助于筛查和识别抑郁症患者”。
他们总结道，AI工具用于抑郁症筛查“具有前景，因为它可以在不增加医生文书负担的情况下，提高筛查患者的比例”。
(全文结束)
