Une équipe de recherche du Massachusetts Institute of Technology (MIT), a développé un modèle, basé sur le principe de l'apprentissage automatique qui constitue une première étape vers le développement d’une application capable de détecter les mots et les intonations susceptibles d'indiquer une dépression, quel que soit le sujet de conversation.
En analysant de multiples variables caractérisant le discours du patient, telles que l'Intonation, l'accent tonique, le choix des mots, ce modèle sophistiqué, qui utilise un réseau neuronal artificiel, peut évaluer l’équilibre émotionnel et l’humeur de son interlocuteur.
Habituellement, pour diagnostiquer la dépression, les cliniciens interrogent les patients, leur posent des questions spécifiques, par exemple sur leurs antécédents de maladies mentales, leur mode de vie et leur humeur, et identifient la condition en fonction des réponses du patient. Le type de question posée conditionne en quelque sorte la réponse du patient.
En pratique, quel que soit le sujet abordé, l’application peut prédire avec précision si la personne est déprimée, sans avoir besoin d’autres informations sur ses antécédents ou son mode de vie. Les chercheurs espèrent que cette méthode pourra être utilisée pour développer des outils permettant de détecter les signes de dépression dans une conversation quelle qu’elle soit.
C’est la base d’une future application mobile qui, en analysant le texte et la voix d’un utilisateur, sera capable de détecter sa détresse mentale et, éventuellement, d’envoyer des alertes. Une application particulièrement précieuse pour les patients qui ne peuvent pas facilement consulter en raison de la distance, d’un handicap, ou simplement de l’ignorance de leur dépression.
Les premiers indices se trouvent dans le discours : Les premiers signes de bonheur, d’excitation ou a contrario de tristesse, de troubles cognitifs ou de dépression se trouvent dans le discours, souligne l’auteur principal, Tuka Alhanai, chercheur au Laboratoire d’informatique et d’intelligence artificielle.
L’idée était ici de développer un modèle de détection de la dépression capable de s’adapter à différentes contraintes et types de données, à partir d’interactions naturelles et différents états de l’individu. Et, bien entendu, la technologie pourra également être utilisée dans les cabinets médicaux par les médecins en soins primaires qui pourront ainsi élargir leur diagnostic de dépression.
Un modèle évolutif via l'apprentissage automatique : toute l’intelligence du modèle est qu’il se nourrit des tendances indiquant une dépression, puis les applique à de nouvelles personnes, sans aucune information supplémentaire. Le modèle est décrit « hors contexte » par ses auteurs car sans contrainte dans les types de données recherchées. La technique, appelée modélisation de séquence, a permis d’alimenter le modèle de séquences de texte et de données audio provenant de questions et réponses de patients déprimés et non déprimés.
Au fur et à mesure que les séquences se sont accumulées, le modèle a pu extraire et enrichir les indices associés ou non à la dépression, dont des mots, la vitesse d’élocution, des intonations etc… Cette technique de séquençage permet également d’examiner la conversation dans son ensemble et d’identifier des différences de discours global sur le temps.
Article rédigé par Georges Simmonds pour RT Flash
