Gesundheit

Das flüstern der Schizophrenie: Machine learning findet „sound“ Wörter Vorhersagen, Psychosen: Eine Maschine-learning-Methode entdeckt einen versteckten Hinweis in der Menschen Sprache Vorhersagewert für die spätere Entstehung der Psychose

Eine Maschine-learning-Methode entdeckt einen versteckten Hinweis in der Menschen Sprache Vorhersagewert für die spätere Entstehung der Psychose — die häufige Verwendung der Wörter im Zusammenhang mit sound. Ein Papier, herausgegeben von der Zeitschrift npj Schizophrenie veröffentlicht die Erkenntnisse von Wissenschaftlern an der Emory University und der Harvard University.

Die Forscher entwickelten auch eine neue machine-learning-Methode, um genauer zu quantifizieren, den semantischen Reichtum der Menschen, die Dialogsprache, ein bekannter Indikator für Psychosen.

Ihre Ergebnisse zeigen, dass die automatisierte Analyse der beiden Sprache Variablen-häufiger Gebrauch von Wörtern im Zusammenhang mit sound und sprechen mit geringer semantischer Dichte, oder Unbestimmtheit-kann Vorhersagen, ob eine Risiko-person wird später entwickeln Psychose mit 93-prozentiger Genauigkeit.

Selbst ausgebildete ärzte hatte nicht bemerkt, wie die Menschen mit einem Risiko für Psychosen mehr Wörter im Zusammenhang mit sound als der Durchschnitt, obwohl abnormale auditorische Wahrnehmung ist ein pre-klinische symptom.

„Der Versuch zu hören, diese Feinheiten in Gesprächen mit Menschen, ist wie der Versuch, um zu sehen, mikroskopische Keime mit Ihren Augen“, sagt Neguine Rezaii, der erste Autor des Papiers. „Die automatisierte Technik, die wir entwickelt haben, ist ein wirklich sensibles Instrument zum erkennen von versteckten mustern. Es ist wie ein Mikroskop für die Warnzeichen der Psychose.“

Rezaii begann die Arbeit auf dem Papier, während Sie war ein Bewohner an der Emory School of Medicine Department of Psychiatry and Behavioral Sciences. Sie ist jetzt bei fellow in der Harvard Medical School Abteilung für Neurologie.

„Bisher war bekannt, dass subtile Merkmale der zukünftigen Psychose vorhanden sind, in die Menschen, die Sprache, aber wir haben verwendet, machine learning, um tatsächlich entdecken Sie versteckte details zu diesen Funktionen“, sagt senior-Autor Phillip Wolff, professor für Psychologie an der Emory. Wolff ‚ s lab konzentriert sich auf die Sprache, Semantik und machine learning, um vorherzusagen, Entscheidungsfindung und geistige Gesundheit.

„Unsere Erkenntnis ist neu und ergänzt die Beweise dafür, die Potenzial für den Einsatz des maschinellen Lernens um zu identifizieren, sprachliche Auffälligkeiten im Zusammenhang mit psychischen Erkrankungen“, sagt co-Autor Elaine Walker, ein Emory professor für Psychologie und Neurowissenschaften, die erforscht, wie Schizophrenie und anderen psychotischen Störungen entwickeln.

Der Beginn der Schizophrenie und anderen psychotischen Störungen tritt in der Regel in den frühen 20er Jahren, mit Warnhinweisen-das so genannte prodromal-Syndrom — Beginn etwa im Alter von 17. Etwa 25 bis 30 Prozent der Jugendlichen erfüllen die Kriterien für eine prodromal-Syndrom entwickeln Schizophrenie oder einer anderen psychotischen Störung auf.

Mithilfe von strukturierten interviews und kognitiven tests, ausgebildete ärzte können voraussagen, Psychose mit über 80 Prozent Genauigkeit bei Patienten mit einer prodromal-Syndrom. Maschine-Lern-Forschung, ist unter den zahlreichen Laufenden Bemühungen zur Straffung der diagnostischen Methoden, Identifikation von neuen Variablen, und die Verbesserung der Genauigkeit von Vorhersagen.

Derzeit gibt es keine Heilung für Psychosen.

„Wenn wir Personen identifizieren, die gefährdet sind, früher und nutzen präventiver Interventionen, könnten wir umkehren können, die Defizite,“ Wanderer sagt. „Es gibt gute Daten, die zeigen, dass Behandlungen wie kognitive Verhaltenstherapie, können Verzögerungen auftreten, und vielleicht sogar verringern das auftreten von Psychosen.“

Für das aktuelle Papier, die Forscher zuerst verwendet maschinelles lernen, um „Normen“ für Klartext-Sprache. Sie fütterten den computer-software-Programm, die online-Konversationen von 30.000 Nutzer von Reddit, einer social-media-Plattform, wo Menschen sind informelle Gespräche über eine Reihe von Themen. Das software-Programm, bekannt als Word2Vec, verwendet einen Algorithmus, um zu ändern, einzelne Wörter zu Vektoren, die Zuweisung jedes eine Position in einem semantischen Raum beruht auf seiner Bedeutung. Diejenigen, die mit ähnlichen Bedeutungen positioniert sind näher zusammen als solche mit ganz anderen Bedeutungen.

Die Wolff-Labor auch ein Programm entwickelt, um durchzuführen, was die Forscher als „Vektor “ Auspacken“ oder die Analyse der semantischen Dichte der Wortgebrauch. Bisherigen Arbeit gemessen hat, semantischen Kohärenz zwischen den Sätzen. Vektor Auspacken erlaubt den Forschern zu quantifizieren, wie viel information gepackt wurde, die in jedem Satz.

Nach der Generierung einer baseline von „normalen“ Daten, die Forscher angewendet die gleichen Techniken, um diagnostische interviews von 40 Teilnehmern durchgeführt wurde, die von geschulten Klinikern, die als Teil der multi-site-North American Prodrome Längsschnitt-Studie (NAPLS), gefördert durch die National Institutes of Health. NAPLS konzentriert sich auf junge Menschen am klinischen hohen Risiko für Psychosen. Walker ist der principal investigator für NAPLS an der Emory, eine von neun Universitäten beteiligt, die 14-Jahres-Projekt.

Die automatisierten Auswertungen der Teilnehmer wurden die Proben dann im Vergleich zu den normalen baseline-Probe und der Längsschnitt-Daten auf, ob die Teilnehmer umgewandelt Psychose.

Die Ergebnisse zeigten, dass höhere als normalen Benutzung der Worte in Bezug auf Klang, kombiniert mit einer höheren rate von der Verwendung von Wörtern mit ähnlicher Bedeutung, bedeutete, dass Psychose war wahrscheinlich auf den Horizont.

Stärken der Studie sind die Einfachheit der Verwendung von nur zwei Variablen — beide haben eine starke theoretische Grundlage — die Replikation der Ergebnisse in eine zurückgehaltene Datenmenge und die hohe Genauigkeit der Prognosen, bei über 90 Prozent.

„Im klinischen Bereich, wir oft mangelnde Präzision,“ Rezaii sagt. „Wir brauchen mehr quantifizierten, objektiven Methoden zur Messung der subtile Variablen, wie jene, die versteckt in den Sprachgebrauch.“

Rezaii und Wolff sind nun das sammeln großer Datenmengen und die Prüfung der Anwendung Ihrer Methoden auf eine Vielzahl von neuropsychiatrischen Erkrankungen, einschließlich Demenz.

„Diese Forschung ist interessant, nicht nur für sein Potenzial zu offenbaren, mehr über psychische Erkrankungen, sondern auch für das Verständnis, wie der Geist funktioniert-wie es stellt Ideen zusammen“, sagt Wolff. „Machine-learning-Technologie schreitet so schnell, dass es Sie geben uns Werkzeuge, um Daten, die mir der menschliche Geist.“

Die Arbeit wurde unterstützt durch Zuschüsse aus dem National Institutes of Health und Google Research Award.