کاربرد هوش مصنوعی در تشخیص اختلال استرسی پس از آسیب روانی
پژوهشی جدید نشان می‌دهد یک برنامه‌ی کامپیوتری مخصوص با تحلیل صدای کهنه‌سربازها می‌تواند به تشخیص اختلال استرسی پس از آسیب روانی در این افراد کمک کند. این پژوهش که در ۲۲ آوریل در ژورنال Depression and Anxiety منتشر شد، دریافته است که ابزار هوش مصنوعی می‌تواند با دقت ۸۹ درصد بین صدای افراد مبتلا به اختلال استرسی پس از آسیب روانی و سایرین تمایز قائل شود. چارلز مرمار، نویسنده‌ی ارشد این پژوهش می‌گوید:
یافته‌های ما حاکی از آن است که می‌توان از خصلت‌های مبتنی بر گفتار برای تشخیص این بیماری استفاده کرد و با تکمیل آن و اخذ تأییدیه‌ها شاید در آینده‌ی نزدیک بتوان آن را در مراکز درمانی به‌کار برد.
بیش از ۷۰ درصد بزرگسالان در سراسر جهان، واقعه‌ی استرس‌زایی را در برخی از لحظات زندگی خود تجربه کرده‌اند و حدود ۱۲ درصد از مردم ساکن در برخی از کشورهای در حال توسعه، از اختلال استرسی پس از آسیب روانی رنج می‌برند. این بیماران هنگام یادآوری رویدادی ناراحت‌کننده، استرس مزمن و شدیدی را تجربه می‌کنند. نویسندگان پژوهش مذکور می‌گویند که اختلال استرسی پس از آسیب روانی اغلب ازطریق مصاحبه‌ی بالینی یا ارزیابی خودگزارشی تشخیص داده می‌شود که هر دو روش تحت تأثیر تعصب و پیش‌داوری هستند. به‌همین دلیل تلاش‌هایی برای ایجاد شاخص‌های فیزیکی، قابل اندازه‌گیری و بی‌طرفانه‌ی پیشرفت این بیماری، مشابه مقادیر آزمایشگاهی برای شرایط پزشکی، انجام شده؛ هرچند روند این پیشرفت‌ها آهسته بوده است.
این تیم پژوهشی از یک تکنیک یادگیری آماری به‌نام جنگل‌های تصادفی استفاده کردند که می‌تواند نحوه‌ی طبقه‌بندی افراد براساس نمونه‌ها را یاد بگیرد. این برنامه‌های هوش مصنوعی با ایجاد قوانین تصمیم‌گیری و مدل‌های ریاضی، امکان تصمیم‌گیری با دقت بیشتر را هنگام افزایش مقادیر داده‌های آموزشی فراهم می‌کند. پژوهشگران ابتدا مصاحبه‌های تشخیصی چند ساعته‌ی استانداردی به‌نام «مقیاس اجرایی اختلال استرسی پس از آسیب روانی» از ۵۳ کهنه سرباز عراق و افغانستان با خدمات نظامی مرتبط با این بیماری و همین‌طور ۷۸ کهنه سربازی که این بیماری را نداشتند، ضبط کردند. سپس صداهای ضبط‌شده را وارد یک نرم‌افزار صدا از شرکت اسآرآی اینترنشنال کردند تا اینکه ۴۰,۵۲۶ خصلت مبتنی بر گفتار از انفجارهای کوتاه صحبت به‌دست آورند و برنامه‌ی هوش مصنوعی این تیم پژوهشی، الگوها را از یکدیگر مجزا کرد.
برنامه‌ی جنگل‌های تصادفی، الگوهای خصلت‌های خاص صدای افراد مبتلا به اختلال استرسی پس از آسیب روانی نظیر صحبت‌هایی با وضوح کمتر و لحن مرده و خشن را به یکدیگر مرتبط کردند که هر دو مورد از دیرباز به‌عنوان عوامل مفید در تشخیص این بیماری گزارش شده‌اند. بااینکه پژوهش یادشده به بررسی مکانیسم بیماری اختلال استرسی پس از آسیب روانی نپرداخته، اما این نظریه مطرح است که وقایع تنش‌زا منجر به تغییر مدارهای مغزی می‌شوند که پردازش احساسات و تنش عضلانی را برعهده دارند و بر صدای انسان اثر می‌گذارند.
این پژوهشگران قصد دارند ابزار صدای هوش مصنوعی را با داده‌های بیشتری آموزش داده و اعتبار آن را براساس یک نمونه‌ی مستقل ارتقاء دهند و از دولت برای استفاده‌ی بالینی این ابزار مجوز بگیرند. آدام براون، نویسنده‌ی سرشناس و استادیار بخش روانپزشکی دانشکده‌ی پزشکی دانشگاه نیویورک می‌گوید:
صحبت کردن، عنصری جذاب برای استفاده در یک سیستم تشخیصی خودکار است و شاید در آینده بخشی از اپلیکیشن اختلال استرسی پس از آسیب روانی در گوشی هوشمند باشد؛ چراکه می‌تواند این بیماری را با هزینه‌ای کم، از راه دور و به روشی غیرتهاجمی ارزیابی کند.
دیمیتری ورجیری، مدیر آزمایشگاه پژوهش و فناوری گفتار از مؤسسه‌ی اسآرآی اینترنشنال می‌گوید:
فناوری تحلیل گفتاری که در پژوهش فعلی برای تشخیص بیماری اختلال استرسی پس از آسیب روانی استفاده شده، در طیف قابلیت‌هایی که در پلتفرم تحلیل گفتار ما به‌نام SenSay Analytics گنجانده شده است، قرار می‌گیرد. این نرم‌افزار، کلمات را در ترکیب با فرکانس، ریتم، لحن و خصوصیات گفتاری تجزیه و تحلیل می‌کند تا به وضعیت صحبت‌کننده ازجمله احساس، دیدگاه، شناخت، سلامت، سلامت روانی و کیفیت ارتباط پی ببرد. فناوری مذکور در استارتاپ‌هایی نظیر اوتو، آمبیت و دیکودد هلث، مجموعه‌ای از کاربردهای صنعتی را برعهده داشته است.