Yapay zeka destekli depresyon teşhis yöntemlerinde önemli bir adım atıldı. Geleneksel ses analizi tekniklerinin aksine, konuşma kalıplarındaki zamana bağlı değişimleri ve düzensizlikleri ölçen entropi tabanlı bir yaklaşım geliştirildi.
Araştırma ekibi, 142 katılımcının yer aldığı DAIC-WOZ veri setini kullanarak, ses kayıtlarındaki dinamik değişimleri analiz etti. Konvensiyonel yöntemler, konuşma sinyallerinin statik özelliklerini toplu halde değerlendirirken, yeni yaklaşım konuşmanın temporal dinamiklerine odaklanıyor.
Çalışmada Shannon entropisi, örnek entropi, fraktal karmaşıklık ve eşleşme biyobelirteçleri gibi farklı matematiksel araçlar karşılaştırıldı. Sonuçlar, entropi tabanlı biyobelirteçlerin %64,6 AUC değeriyle en yüksek performansı gösterdiğini ortaya koydu. Bu oran, geleneksel toplu özellik analizi yöntemlerinin %59,3'lük başarı oranını istatistiksel olarak anlamlı şekilde aştı.
Entropi biyobelirteçlerinin başarısı, konuşma kalıplarındaki düzensizlik ve tahmin edilemezlik derecelerini ölçebilme kabiliyetinden kaynaklanıyor. Depresyondaki bireylerin ses kalıplarında görülen ince değişimler, bu matematiksel araçlarla tespit edilebiliyor.
Bu gelişme, ruh sağlığı alanında objektif ve erken teşhis imkanları sunarak, klinik uygulamalarda yeni bir dijital biyobelirteç kategorisinin temellerini atıyor.