Los investigadores del Instituto Tecnológico de Massachusetts (MIT, por sus siglas en inglés) han desarrollado un modelo de red neuronal capaz de analizar un texto sin formato y los datos de audio de diversas entrevistas clínicas para hallar patrones que indiquen depresión.
Según un comunicado del MIT, este método podría ser utilizado para desarrollar mejores formas de diagnóstico para médicos y poder detectar signos de depresión en una conversación normal.
En los últimos años, el aprendizaje automático es un tipo de Inteligencia Artificial (IA) que ha servido de gran utilidad para este tipo de diagnósticos, sin embargo, más allá de detectar palabras y entonaciones en el habla de una persona, este modelo por lo general tiende a precisar que una persona está deprimida o no en función de respuestas específicas, haciendo que sea dependiente del tipo de pregunta realizada.
Por ello, en un documento presentado en la Interspeech 2018, los investigadores del MIT detallan un modelo de red neuronal que puede utilizar datos de audio y texto sin procesar extraídos de entrevistas y descubrir con ellos patrones de habla que indiquen depresión. En este sentido, dado un tema nuevo, la red neuronal predice si el individuo está deprimido, sin que se requieran preguntas o respuestas adicionales.
Los investigadores esperan que este nuevo método les permita desarrollar herramientas de detección de signos de depresión en una conversación cotidiana. Por ejemplo, este modelo podría permitir crear apps móviles que monitoricen el texto y la voz de los usuarios para buscar patrones de depresión y enviar alertas, aunque claro, esto supondría una invasión a la privacidad que primero se tendría que evaluar.
Esta tecnología podría ser usada para detectar la angustia mental en conversaciones casuales en consultorios médicos, por ejemplo, ya que cada paciente habla y se comporta de forma diferente, y los métodos actuales se basan en preguntas mecánicas realizadas siempre de la misma forma.