Een psychose herkennen op basis van een spraakfragment

(Leestijd: 2 - 4 minuten)
Microfoon

Ondanks een eeuw aan onderzoek naar een objectieve marker voor psychotische stoornissen, staan we in de psychiatrie nog steeds met lege handen. Waar andere artsen bloed kunnen prikken of een MRI-scan kunnen maken om een diagnose te stellen, hebben we in de psychiatrie alleen nog maar het gesprek met de patiënt en ons psychiatrisch onderzoek. Beide zijn subjectief en fout-gevoelig. Zeker in acute situaties als je nog geen goede behandelrelatie hebt, is een patiënt vaak niet geneigd zijn angsten, wanen of hallucinaties met je te delen. In zulke gevallen zou een objectieve marker waarmee je een psychose kunt aantonen van onschatbare waarde zijn.

 

 

 

 

Een bron van informatie die de laatste tijd steeds meer wordt gebruikt om zo’n marker te ontwikkelen, is het analyseren van gesproken taal1,2. Ontwikkelingen in de computationele taalkunde maken het nu mogelijk om spraak snel, non-invasief en goedkoop te analyseren. Dat gesproken taal een belangrijke bron van informatie is, is intuïtief; we baseren immers een groot deel van onze anamnese en psychiatrisch onderzoek erop.

Daarnaast is het niet gek om te denken dat psychotische symptomen zich in spraak uiten, gedesorganiseerde spraak is namelijk een van de criteria volgens de DSM3. Ook zijn veel symptomen die we associëren met psychose gerelateerd aan taal, zoals formele denkstoornissen, incoherentie en verhoogde associativiteit. Naast inhoudelijke kenmerken van taal, is het al langer bekend dat patiënten met een psychose veranderingen laten zien in akoestische spraakkenmerken. Zo spreken ze langzamer, pauzeren ze meer en hebben ze een vlakkere intonatie4,5. In een recent onderzoek hebben we bij een grote groep patiënten (n=142) onderzocht of die spraakkenmerken ook gebruikt kunnen worden voor diagnostiek en voor het herkennen van psychotische symptomen6. Hieruit bleek dat met enkel akoestische kenmerken van spraak patiënten met een schizofreniespectrumstoornis accuraat konden worden onderscheiden van gezonde controles (accuracy = 86.2%). Tevens bleek dat je met die spraakkenmerken niet puur ‘zieke’ van ‘niet-zieke’ spraak kunt onderscheiden, maar daadwerkelijk ‘psychotische spraak’ kunt herkennen. We waren namelijk ook in staat waren patiënten met vooral positieve symptomen te onderscheiden van patiënten met vooral negatieve symptomen (accuracy = 74.2%). Automatische analyses van spraakkenmerken kunnen dus gebruikt worden voor de diagnostiek en symptoomherkenning van schizofreniespectrumstoornissen. Behalve voor diagnostiek en symptoomherkenning worden taal en spraak-analyses ook gebruikt voor vroegherkenning 7–10, bijwerkingen 6,11 en differentiaal diagnose 12.

De recente ontwikkelingen binnen de taal- en spraaktechnologie hebben dus veel klinische potentie, en bieden ons wellicht die objectieve marker die we missen in de psychiatrie.

 

Referenties

1. Corcoran, C. M. et al. Language as a biomarker for psychosis: A natural language processing approach. Schizophr. Res. 226, 158–166 (2020).
2. de Boer, J. N., Brederoo, S. G., Voppel, A. E. & Sommer, I. E. C. Anomalies in language as a biomarker for schizophrenia. Curr. Opin. Psychiatry 33, 212–218 (2020).
3. American Psychiatric Association & Association, A. P. Diagnostic and statistical manual of mental disorders (DSM-5®). (American Psychiatric Pub, 2013).
4. Parola, A., Simonsen, A., Bliksted, V. & Fusaroli, R. Voice patterns in schizophrenia: A systematic review and Bayesian meta-analysis. Schizophr. Res. (2019).
5. Cohen, A. S., Mitchell, K. R. & Elvevåg, B. What do we really know about blunted vocal affect and alogia? A meta-analysis of objective assessments. Schizophr. Res. 159, 533–538 (2014).
6. de Boer, J. et al. Acoustic speech markers for schizophrenia-spectrum disorders: a diagnostic and symptom-recognition tool. Psychol. Med. (2021).
7. Bedi, G. et al. Automated analysis of free speech predicts psychosis onset in high-risk youths. NPJ Schizophr. 1, 15030 (2015).
8. Corcoran, C. M. et al. Prediction of psychosis across protocols and risk cohorts using automated language analysis. World Psychiatry 17, 67–75 (2018).
9. Rezaii, N., Walker, E. & Wolff, P. A machine learning approach to predicting psychosis using semantic density and latent content analysis. NPJ Schizophr. 5, 1–12 (2019).
10. Morgan, S. E. et al. Assessing psychosis risk using quantitative markers of disorganised speech. (2021).
11. de Boer, J. N., Voppel, A. E., Brederoo, S. G., Wijnen, F. N. K. & Sommer, I. E. C. Language disturbances in schizophrenia: the relation with antipsychotic medication. npj Schizophr. 6, 1–9 (2020).
12. Mota, N. B., Furtado, R., Maia, P. P. C., Copelli, M. & Ribeiro, S. Graph analysis of dream reports is especially informative about psychosis. Sci. Rep. 4, 3691 (2014).


Twitter

Nieuwsbrief

Disclaimer/Privacy