Смерть от суицида – это результат глубоких личных и социальных проблем. В то время как фундаментальные науки дают нам возможность отыскать биологические маркеры, связанные с самоубийством, Computer Science позволяет выявить мысли-маркеры. В данном проспкективном, мультимодальном, многоцентровом, смешанном демографическом исследовании машинное обучение использовалось для изучения двух классов суицидальных мыслительных маркеров: вербальных и невербальных.

Предсказать, когда кто-то совершит самоубийство невозможно, но классификация суицидальных факторов риска возможна при использовании стандартизированных клинических инструментов хорошо подготовленными врачами. Здесь же коллектив авторов описывает новый подход, основанный на лингвистических и акустических моделях испытуемых как суицидальные, психически нездоровые, но не суицидальные и психические здоровые.

Данный анализ основан на дух типах экстракции: лингвистическая и акустическая. Извлечение функции выполнялось автоматически во время записи и транскрипции интервью с пациентом. В лингвистическом плане учёные следили за соответствующей работой по автоматической идентификации и извлечению экземпляров слов (unigrams) и экземпляров пар слов (биграмм) из транскрипций. Был создан словарь, который включает в себя все произносимые слова, словарные пары и акустические характеристики.

Выбранные вокальные и просодические характеристики включали в себя вокальную динамику, квадрат амплитуды, разницу между первой и второй гармониками, нормализованный амплитудный коэффициент, максимальный дисперсный коэффициент, резонансные частоты речевого тракта. После того как подмножество всех функций было извлечено с использование программного обеспечения COVEREP, они были откорректированы измеренными значениями от некоторых функций до zero-toonescle.

Исследование завершили 371 человек. В целом результаты исследования данной методики говорят, что алгоритмы машинного обучения способны автоматически определять суицидентов. Кроме того следует отметить, что включение акустических характеристик является наиболее полезным для выявления потенциального суицидента в группе психически больных людей.

Подготовил: Коровин А.С.

Источник: Pestian J.P. et al. A Machine Learning Approach to Identifying the Thought Markers of Suicidal Subjects: A Prospective Multicenter Trial. Suicide Life Threat Behav. 2017 Feb;47(1):112-121. doi: 10.1111/sltb.12312