Sprache gilt als Biomarker für eine schwere depressive Störung

Hintergrund
Die Psychiatrie steht aufgrund des Mangels an objektiven Biomarkern vor einer Herausforderung, da die derzeitigen Bewertungen auf subjektiven Bewertungen beruhen. Die automatisierte Sprachanalyse ist vielversprechend bei der Erkennung der Schwere der Symptome bei depressiven Patienten. Ziel dieses Projekts war es, differenzierende Sprachmerkmale zwischen Patienten mit Major Depression (MDD) und gesunden Kontrollen (HCs) zu identifizieren, indem Assoziationen mit Symptomschweregraden untersucht wurden.

Methodik
Vierundvierzig MDD-Patienten aus der Psychiatrie des Universitätsklinikums Aachen, Deutschland, und zweiundfünfzig HCs wurden rekrutiert. Die Teilnehmer beschrieben positive und negative Lebensereignisse, die für die Analyse aufgezeichnet wurden. Das Beck Depression Inventory (BDI-II) und die Hamilton Rating Scale for Depression messen den Schweregrad von Depressionen. Transkribierte Audioaufnahmen wurden einer Merkmalsextraktion unterzogen, einschließlich Akustik, Sprechgeschwindigkeit und Inhalt. Maschinelle Lernmodelle, einschließlich Sprachmerkmalen und neuropsychologischen Bewertungen, wurden verwendet, um zwischen MDD-Patienten und HCs zu unterscheiden.

Befund
Akustische Variablen wie Tonhöhe und Lautstärke unterschieden sich signifikant zwischen den MDD-Patienten und HCs (Effektstärken η2 zwischen 0,183 und 0,3, p < 0,001). Darüber hinaus zeigten Variablen zu Zeitlichkeit, lexikalischem Reichtum und Sprachstimmung moderate bis hohe Effektstärken (η2 zwischen 0,062 und 0,143, p < 0,02). Ein Support Vector Machine (SVM)-Modell, das auf 10 akustischen Merkmalen basierte, zeigte eine hohe Leistung (AUC = 0,93) bei der Unterscheidung zwischen HCs und Patienten mit MDD, vergleichbar mit einer SVM auf Basis des BDI-II (AUC = 0,99, p = 0,01).

Fazit
In dieser Studie wurden robuste Sprachmerkmale identifiziert, die mit MDD assoziiert sind. Ein maschinelles Lernmodell, das auf Sprachmerkmalen basiert, lieferte ähnliche Ergebnisse wie eine etablierte Pen-and-Paper-Depressionsbewertung. In Zukunft könnten diese Erkenntnisse sprachbasierte Biomarker prägen und die klinische Diagnose und MDD-Überwachung verbessern.

Hintergrund

Die Major Depression (MDD) ist eine der am weitesten verbreiteten psychiatrischen Erkrankungen mit unterschiedlichen Prävalenzraten in den einzelnen Regionen, von denen bis zu etwa 10 % der Bevölkerung betroffen sind [1]. Die wirtschaftliche Belastung durch MDD wurde allein in den USA für 2018 auf 326,2 Milliarden US-Dollar geschätzt [2]. Darüber hinaus ist die Erkrankung mit anhaltenden Defiziten an Lebensqualität auch nach Remission [3] und anhaltender Behinderung [4] verbunden. MDD beruht auf verschiedenen Faktoren, darunter genetische, biologische, umweltbedingte und psychologische Einflüsse [5]. Die Störung ist unter anderem durch anhaltende Gefühle von Traurigkeit, Hoffnungslosigkeit und mangelndem Interesse oder Freude am täglichen Geschehen gekennzeichnet [6]. Behandlungsoptionen für MDD beinhalten oft eine Kombination aus Psychotherapie, Medikamenten und Änderungen des Lebensstils [7].

Im Vergleich zu anderen Bereichen der Medizin wie der Neurologie, in denen objektive Biomarker gut etabliert sind [8], liegt die Psychiatrie deutlich zurück und verlässt sich oft auf subjektive Einschätzungen von Patienten und Klinikern. Jüngste Fortschritte haben jedoch beispielsweise gezeigt, dass die Integration von Neuroimaging, genetischen und klinischen Prädiktoren durch maschinelles Lernen die Vorhersage therapeutischer Ergebnisse bei Depressionspatienten mit einer Genauigkeit von 0,82 ermöglicht hat [9]. Eine wachsende Zahl multimodaler digitaler Biomarker hat sich herausgebildet, um verhaltensbezogene oder biologische Informationen für psychiatrische Erkrankungen objektiv zu bewerten [10, 11]. Unter diesen bietet die Sprachanalyse erhebliche Möglichkeiten zur Untersuchung krankheitsbezogener Merkmale [12], da sich psychiatrische Symptome häufig in Sprache und Sprache manifestieren. Sprache wurde als potenzielles Ziel im Zusammenhang mit der Vorhersage von Selbstverletzung, suizidalem Verhalten, Drogenmissbrauch, Depressionen und Krankheitsrezidiven erkannt [13]. Die relevanten Sprachmuster können Sprechgeschwindigkeit, Kohärenz und Inhalt für verschiedene psychiatrische Erkrankungen wie Depression, Schizophrenie oder posttraumatische Belastungsstörung umfassen [14,15,16,17]. Fortschritte in der Computerlinguistik, der Verarbeitung natürlicher Sprache und der Spracherkennung haben den Einsatz der automatischen Sprachanalyse als objektive klinische Messung psychiatrischer Symptome erleichtert [18, 19].

Natürliche Sprachaufgaben können effektiv emotionale Reaktionen hervorrufen, indem sie die Teilnehmer bitten, Ereignisse zu beschreiben, die in letzter Zeit starke Emotionen ausgelöst haben. Im Gegensatz zu einfachen Stimmübungen oder Leseaufgaben können diese Aufgaben die akustischen Auswirkungen emotionaler Veränderungen erfassen [20]. Die Verwendung von emotionsinduzierten Sprechaufgaben bietet ein breiteres Spektrum an emotionalen Reaktionen, wie z. B. das Erzählen von Ereignissen, die signifikante Emotionen hervorgerufen haben [21]. Insbesondere wurde immer wieder berichtet, dass zeitliche, prosodische und spektrale Merkmale mit Depressionen assoziiert sind [22, 23]. Dazu gehört eine Sprache, die durch Monotonie und Flachheit gekennzeichnet ist, d.h. durch die Wahrnehmung, „leblos“ zu sein. Dies wurde auf eine Verringerung der Grundfrequenz f0 und des f0-Bereichs zurückgeführt [24, 25]. Darüber hinaus weisen MDD-Patienten häufig reduzierte Sprechfrequenzen und Äußerungsdauern auf, was möglicherweise mit psychomotorischer Retardierung zusammenhängt [26, 27]. Dieser Zusammenhang wurde sowohl für den Schweregrad der Depression als auch für das Ansprechen auf die Behandlung gezeigt, hauptsächlich für zeitliche Merkmale wie längere Pausenzeiten oder langsamere Sprechgeschwindigkeiten [26]. Darüber hinaus wurden bei depressiven Personen Abweichungen bei Markern der Stimmqualität wie Jitter und Schimmer sowie bei spektralen Merkmalen beobachtet [28,29,30,31]. Es wurden auch sprachliche Veränderungen dokumentiert, einschließlich einer verstärkten selbstreferentiellen Sprache und einer verstärkten Verwendung von Verben in der Vergangenheitsform [15, 32]. Darüber hinaus neigen depressive Personen dazu, emotional negativere Inhalte auszudrücken und weniger komplexes Vokabular zu verwenden [33, 34]. Darüber hinaus gibt es substanzielle Evidenz, die die Klassifizierung des Schweregrads des depressiven Syndroms anhand von Sprachbiomarkern unterstützt, sei es durch dimensionale oder kategoriale Ansätze [35, 36]. Zu den signifikanten Sprachmerkmalen, die in solchen Studien identifiziert wurden, gehören zeitliche Aspekte [27], Stimmerregung [37] und sprachliche Merkmale [38]. Diese Evidenz zeigt die Relevanz von Sprachveränderungen bei Depressionspatienten.

Um sich die Verwendung von Sprachmarkern in der regulären klinischen Praxis vorzustellen, ist eine Validierung anhand von Goldstandard-Messungen unerlässlich. Ziel dieser Studie war es, die Unterschiede in den Sprachmerkmalen zwischen klinischen und gesunden Probanden zu untersuchen, die Auswirkungen von Depressionen auf die Sprache der Patienten zu bewerten und zu untersuchen, wie Sprachmerkmale mit der Schwere der Symptome zusammenhängen. Basierend auf früheren Ergebnissen erwarten wir, dass bestimmte Sprachmerkmale in Bezug auf Häufigkeit, zeitliche Aspekte, Stimmqualität und Inhalt effektiv zwischen gesunden Kontrollpersonen (HCs) und depressiven Patienten unterscheiden. Darüber hinaus postulieren wir, dass temporale Sprachmerkmale zwischen leicht und mittelschwer depressiven Teilnehmern unterscheiden. Darüber hinaus stellen wir die Hypothese auf, dass ein Klassifikationsmodell, das ausgewählte Sprachmerkmale berücksichtigt, bei der Unterscheidung zwischen den beiden Gruppen ein Basismodell übertrifft, das ausschließlich auf demografischen und klinischen Merkmalen basiert.

Quelle: https://bmcpsychiatry.biomedcentral.com/articles/10.1186/s12888-024-06253-6