Sprechmerkmale als Biomarker
Bislang gab es keine reproduzierbaren Biomarker für die psychiatrischen Erkrankungen Schizophrenie Spektrum Störungen (schizophrenia spectrum disorder [SSD]) und schwere Depressionen (major depressive disorders [MDD]). Vor kurzem veröffentlichte Studien haben aufgezeigt, dass akustische Merkmale des Sprechverhaltens und der Stimme Potenzial als objektive, reproduzierbare und zeitlich effiziente Biomarker für SSD und MDD haben. Die Sprachmerkmale umfassen unter anderem die Prosodie, die Stimmqualität, Sprachspektrum (Frequenzen) und zeitliche Aspekte, wie beispielsweise (Sprechrate, Dauer und Anzahl der Pausen).
Klassifikation durch akustische Sprachdaten?
Eine Arbeitsgruppe um Dr. Mark Berardi, Postdoc am Vocal Control und Vocal Well-Being Lab der Abteilung für Psychiatrie und Psychotherapie am Universitätsklinikum Bonn (UKB), führte nun eine Proof-of-Principle-Studie durch, um die Eignung akustischer Sprachdaten als objektive und reproduzierbare Klassifikatoren für Depression und Schizophrenie mittels maschinellen Lernens (ML) zu prüfen. Das erste Ziel der Studie war es, festzustellen, welche Sprech- und Stimmmerkmale relativ wichtig bei der Klassifikation von SSD und MDD im Vergleich zu gesunden Kontrollen (healthy controls [HC]) sind. Das zweite bestand darin, zu messen, wie sich die relativ wichtigen Merkmale zur Klassifikation der Erkrankungen zu den Symptomen von MDD und SSD verhalten.
Hypothesen der Autoren
Die der Studie zugrundeliegenden Hypothesen lauteten:
- Die Sprachproben von Patienten mit MDD und SSD können mittels Maschinenlernen (ML) präzise von denjenigen gesunder Kontrollpersonen (HCs) unterschieden werden.
Die identifizierten signifikanten Merkmale korrelieren mit den Scores zur Symptomschwere bei MDD sowie mit negativen und positiven Symptomen bei SSD. - Die relative Signifikanz dieser interpretierbaren Merkmale und ihre Korrelationen mit den Symptom-Scores könnten als Grundlage für die systematische Differenzierung der Sprechmuster von Patienten mit MDD und SSD dienen.
Matching der Datensätze
Die akustischen Daten für die Proof-of-Principle-Studie stammten aus der Marburg/Münster Affective Disorders Cohort Study. Da die Datensätze für Patienten mit SSD am kleinsten waren, wurden zuerst aus dieser Gruppe die Datensätze von 20 Patienten ausgesucht und anschließend mit Datensätzen aus den größeren MDD- und HC-Gruppen nach Alter und Geschlecht 1:1 gematcht. Von jedem Teilnehmer wurden vier Sprechproben (Aufnahmen von Bildbeschreibungen) in die Analyse einbezogen.
Klassifikation und Ermittlung der Korrelationen
Zur Mustererkennung und Klassifikation der Erkrankungen im Vergleich zu den gesunden Kontrollen wurde das Support Vector Machine Model eingesetzt. Für jedes erkannte Merkmal wurde die relative Bedeutung über die Permutation der Feature Relevanz (permutation feature importance [PFI]) berechnet. Die wichtigsten Top 25% Merkmale wurden genutzt, um die Krankheitsgruppen untereinander und mit den gesunden Kontrollen zu vergleichen sowie um Korrelationen zwischen den Merkmalen und der Symptomschwere herzustellen.
Akkurate Klassifikation
Im besten Rechenmodell erzielte das Support Vector Machine Verfahren eine hohe Genauigkeit bei der Klassifikation von 0,947 von HC gegenüber SSD, 0,920 von HC gegenüber MDD und von 0,932 von SSD gegenüber MDD. Die relativ bedeutendsten Merkmale waren Aspekte der Koordination der Artikulation, die Anzahl der Pausen pro Minute und die Variabilität des Sprechens. Zwischen wichtigen Merkmalen und positiven Symptomen bei SSD bestanden moderate Korrelationen. Es gab Hinweise, dass sich sprachliche Charakteristika hinsichtlich psychomotorischer Verlangsamung, Alogie und Affektverflachung bei HC, SSD und MDD unterscheiden.
Potenzial von Sprach-Biomarkern
Die Autoren zogen folgendes Fazit aus ihren Studienergebnissen: Sprachaufnahmen erlauben eine nichtinvasive und preisgünstige Evaluierung von psychiatrischen Erkrankungen wie SSD und MDD. Das größte Potenzial als Sprach-Biomarker zur Klassifikation von klinischen Diagnosen haben nach Ansicht der Autoren die Aspekte der Koordination der Artikulation und die Sprachvariabilität. Sie empfehlen diese Befunde in weiteren transdiagnostischen Studien mit multimodalen Daten und mehr Erkrankungsspezifischen Symptomen zu erweitern.
