Classificação automatizada de condições neuropsiquiátricas baseada em fala e texto em um ambiente multidiagnóstico

Padrões de fala têm sido identificados como potenciais marcadores diagnósticos para condições neuropsiquiátricas. No entanto, a maioria dos estudos compara apenas um único grupo clínico a controles saudáveis, enquanto a prática clínica muitas vezes requer a diferenciação entre múltiplos potenciais diagnósticos (configurações multiclass). Para abordar isso, montamos um conjunto de dados com gravações repetidas de 420 participantes (67 com transtorno depressivo maior, 106 com esquizofrenia e 46 com autismo, além de controles pareados) e testamos o desempenho de uma variedade de modelos convencionais de aprendizado de máquina e modelos avançados de Transformer tanto na classificação binária quanto na multiclass, com base em características de voz e texto. Embora os modelos binários tenham apresentado desempenho comparável a pesquisas anteriores (pontuações F1 entre 0,54-0,75 para transtorno do espectro autista, TEA; 0,67-0,92 para transtorno depressivo maior, TDM; e 0,71-0,83 para esquizofrenia); ao diferenciar entre múltiplos grupos diagnósticos, o desempenho diminuiu de forma acentuada (pontuações F1 entre 0,35-0,44 para TEA, 0,57-0,75 para TDM, 0,15-0,66 para esquizofrenia, e 0,38-0,52 macro F1). A combinação de modelos baseados em voz e texto resultou em um aumento de desempenho, sugerindo que eles capturam informações diagnósticas complementares. Nossos resultados indicam que modelos treinados em classificação binária podem aprender a confiar em marcadores de diferenças genéricas entre populações clínicas e não clínicas, ou marcadores de características clínicas que se sobrepõem entre as condições, em vez de identificar marcadores específicos para condições individuais. Fornecemos recomendações para futuras pesquisas no campo, sugerindo um maior foco no desenvolvimento de conjuntos de dados transdiagnósticos maiores que incluam características clínicas mais detalhadas e que possam apoiar o desenvolvimento de modelos que capturem melhor a complexidade das condições neuropsiquiátricas e a avaliação diagnóstica naturalística.