AI herkent risico op psychose bij jongeren in korte spraakfragmenten

Onderzoekers uit Singapore hebben een AI-model ontwikkeld dat op basis van korte spraakfragmenten kan helpen om jongeren met een verhoogd risico op een psychose te identificeren. Het systeem analyseert subtiele emotionele patronen in alledaagse gesprekken, zonder dat jongeren expliciet over psychische klachten hoeven te praten. In een onderzoek met 429 deelnemers presteerde de nieuwe methode aanzienlijk beter dan traditionele taalmodellen. De technologie biedt perspectief voor vroegtijdige signalering van ernstige psychische problemen, maar moet nog uitgebreid klinisch worden gevalideerd.

Het onderzoek is uitgevoerd door Nanyang Technological University (NTU Singapore) en het Institute of Mental Health (IMH). De onderzoekers ontwikkelden een AI-framework met de naam LEMon-AID, voluit Latent Emotion Proxy for Mental Health Detection with AI-integrated Decision-making. Het systeem combineert grote taalmodellen (LLM's) met traditionele machinelearningtechnieken om emotionele signalen te herkennen die mogelijk samenhangen met een verhoogd risico op psychische aandoeningen.

Psychische problemen vroegtijdig herkennen

Een psychose is een ernstige psychiatrische aandoening waarbij mensen het contact met de werkelijkheid gedeeltelijk kunnen verliezen. Symptomen kunnen bestaan uit hallucinaties, wanen en verstoorde denkprocessen. De eerste verschijnselen ontstaan vaak tijdens de adolescentie of vroege volwassenheid. Vroegtijdige herkenning is belangrijk omdat passende begeleiding en behandeling kunnen helpen om ernstige gevolgen te beperken. In de praktijk blijkt het echter lastig om jongeren met een verhoogd risico te identificeren.

Jongeren praten namelijk niet altijd openlijk over hun psychische problemen. Bovendien kunnen vroege signalen subtiel zijn en gemakkelijk worden aangezien voor gewone gedragsveranderingen tijdens de adolescentie. Voor het onderzoek analyseerden de wetenschappers spraakfragmenten van 429 jongeren en jongvolwassenen tussen de 14 en 29 jaar. Zij namen deel aan de Singaporese Longitudinal Youth-at-Risk Study (LYRIKS), een langlopend onderzoek naar factoren die samenhangen met een verhoogd risico op psychose.

Iedere deelnemer sprak gedurende 45 seconden over een neutraal onderwerp. Een voorbeeld was de opdracht om uit te leggen waarom iemand een prijs voor de interessantste persoon zou moeten winnen. De gesprekken bevatten geen expliciete beschrijvingen van psychische klachten. Juist daardoor konden de onderzoekers nagaan of AI ook in gewone gesprekken aanwijzingen voor psychische kwetsbaarheid kan herkennen.

Emotionele patronen verbeteren AI-analyse

De onderzoekers ontdekten dat standaard taalmodellen nauwelijks in staat waren om het risico op psychose rechtstreeks uit de gespreksfragmenten af te leiden. Wanneer de modellen direct werd gevraagd om jongeren met een verhoogd risico te identificeren, presteerden ze ongeveer op het niveau van willekeurig gokken. Bovendien werden veel risicogevallen niet herkend. LEMon-AID gebruikt daarom een andere aanpak. Het systeem vraagt taalmodellen niet rechtstreeks om een klinische beoordeling, maar laat ze eerst emotionele kenmerken uit de tekst halen. Daarbij gaat het onder meer om signalen die verband houden met vreugde, vertrouwen, angst en verdriet. Deze emotionele profielen worden vervolgens gecombineerd met voorspellingen van traditionele machinelearningmodellen.

Deze werkwijze verbeterde de voorspellende prestaties aanzienlijk. De AUC-score, een maat voor het onderscheidend vermogen van een voorspellend model, steeg van 0,55 naar 0,67. Daarnaast kon het systeem bij bepaalde instellingen tot 93 procent van de jongeren met een verhoogd risico identificeren. Dat percentage betekent niet dat het model bij 93 procent van alle deelnemers een correcte diagnose stelde. Het beschrijft de gevoeligheid voor het herkennen van risicogevallen. Met een AUC van 0,67 blijft de totale voorspellende waarde bovendien beperkt.

Volgens onderzoeksleider Wilson Goh van NTU kunnen emotionele patronen aanvullende informatie opleveren die traditionele taalmodellen missen. Een belangrijk onderdeel van LEMon-AID is daarnaast dat het systeem zijn beoordelingen in begrijpelijke taal kan toelichten. Daarmee willen de onderzoekers voorkomen dat zorgprofessionals uitsluitend afhankelijk zijn van moeilijk verklaarbare algoritmische voorspellingen.

Rol AI bij mentale gezondheid groeit

Wij schreven eerder al over een peiling van patiëntenorganisatie MIND onder Instagram-volgers. Daaruit bleek dat 36 procent van de respondenten weleens met een AI-chatbot sprak over mentale problemen. Van deze groep ervoer 44 procent de ondersteuning als helpend, terwijl nog eens 33 procent aangaf er enigszins baat bij te hebben. Vooral de laagdrempeligheid werd gewaardeerd. AI-chatbots zijn voortdurend beschikbaar en gebruikers ervaren minder schaamte om persoonlijke gevoelens te bespreken.

Tegelijkertijd waarschuwde MIND voor risico's rond privacy, onbetrouwbare adviezen en het ontbreken van professionele begeleiding. De organisatie pleitte daarom voor meer onderzoek naar veilige en verantwoorde toepassingen. Het Singaporese onderzoek richt zich op een andere toepassing van AI. Waar chatbots vooral ondersteuning bieden aan mensen die zelf hulp zoeken, probeert LEMon-AID mogelijke psychische kwetsbaarheid te herkennen voordat jongeren hun klachten expliciet benoemen. Dat biedt nieuwe mogelijkheden voor vroegsignalering, maar roept ook vragen op over privacy, toestemming en het risico op onterechte classificaties.

Verder onderzoek nodig

De onderzoekers willen LEMon-AID verder ontwikkelen door naast tekst ook andere informatiebronnen te analyseren. Daarbij denken zij aan stemhoogte, spreekritme, akoestische kenmerken en gezichtsuitdrukkingen. Door verschillende soorten gegevens te combineren, hopen zij de betrouwbaarheid van de voorspellingen te verbeteren. Uiteindelijk zou de technologie huisartsen, ggz-professionals en medewerkers in de eerstelijnszorg kunnen ondersteunen bij het herkennen van jongeren die mogelijk aanvullende begeleiding nodig hebben.

Voorlopig is daarvan nog geen sprake. Het onderzoek toont aan dat AI bepaalde emotionele patronen kan herkennen die samenhangen met een verhoogd psychoserisico, maar bewijst niet dat het systeem zelfstandig psychoses kan voorspellen of diagnosticeren. Ook moet nog worden vastgesteld hoe goed de methode functioneert bij andere bevolkingsgroepen en in dagelijkse zorgsituaties.