ADHD is een veelvoorkomende neurologische aandoening die vaak wordt gediagnosticeerd bij kinderen, maar ook veel volwassenen treft. Hoewel het bewustzijn van ADHD bij volwassenen toeneemt, blijven veel gevallen ongediagnosticeerd door een gebrek aan specialisten en de subtiele complexiteit van de symptomen die vaak anders zijn dan die bij kinderen.
Recente ontwikkelingen in technologie en data-analyse hebben nieuwe deuren geopend voor diagnostische methoden die verder gaan dan de traditionele aanpak. Deze methoden omvatten het gebruik van machine learning technieken om spraak- en tekstgegevens te analyseren, wat een veelbelovende nieuwe richting biedt voor de vroege detectie en behandeling van ADHD bij volwassenen
Traditionele methoden voor het diagnosticeren van ADHD bij volwassenen vertrouwen vaak op klinische interviews en vragenlijsten, die subjectief kunnen zijn en aanzienlijk beïnvloed worden door de vaardigheden van de clinicus. Bovendien zijn veel van de neuroimaging-technieken zoals fMRI en EEG, hoewel effectief, duur en niet altijd beschikbaar. In tegenstelling tot deze methoden bieden spraak- en tekstgegevens een kosteneffectieve en minder invasieve methode voor het verzamelen van informatie over een individu’s cognitieve en emotionele toestand. Deze gegevens kunnen subtiele afwijkingen in de manier waarop mensen spreken en communiceren onthullen, wat indicatief kan zijn voor ADHD.
Onderzoek richtte zich op de analyse van spraak- en tekstgegevens verzameld van volwassenen die deelnemen aan gestructureerde interviews. Deze gegevens werden verzameld met behulp van geavanceerde opnametechnologie en vervolgens geanalyseerd met behulp van Google Cloud’s Speech-to-Text API om zowel akoestische als tekstuele kenmerken te extraheren. De deelnemers aan het onderzoek omvatten zowel individuen gediagnosticeerd met ADHD als controlepersonen zonder de diagnose, wat een rijke dataset opleverde voor de machine learning modellen om ADHD-specifieke patronen te identificeren.
De spraakanalyse in het onderzoek concentreerde zich op verschillende akoestische kenmerken zoals mel-frequentie cepstrale coëfficiënten (MFCC’s), die de toon en dynamiek van de spraak vangen, en kenmerken zoals de spraaksnelheid en pauzes. Opvallend is dat volwassenen met ADHD vaak sneller en met meer variaties in toonhoogte spreken, wat kan wijzen op de emotionele labiliteit en hyperactiviteit die met de aandoening geassocieerd zijn.
Tekstanalyse richtte zich op de linguïstische en semantische kenmerken van de gesproken taal, zoals de complexiteit van de zinsbouw en het gebruik van specifieke woorden die stress of verwarring kunnen aanduiden. Deze kenmerken zijn bijzonder relevant omdat mensen met ADHD vaak moeite hebben met het organiseren van hun gedachten en zich uitdrukken op een samenhangende manier, wat zich kan uiten in hun taalgebruik.
De voorlopige resultaten tonen aan dat de combinatie van spraak- en tekstanalyse een hulpmiddel kan zijn in de identificatie van volwassen ADHD. Machine learning modellen die getraind zijn met deze gegevens konden met een aanzienlijke nauwkeurigheid onderscheid maken tussen deelnemers met en zonder ADHD. Deze bevindingen suggereren dat spraak- en tekstgegevens essentiële aanvullende informatie kunnen bieden die traditionele diagnostische methoden kan verbeteren.
Li S, Nair R, Naqvi SM. Acoustic and Text Features Analysis for Adult ADHD Screening: A Data-Driven Approach Utilizing DIVA Interview. IEEE J Transl Eng Health Med. 2024 Feb 26;12:359-370. doi: 10.1109/JTEHM.2024.3369764. PMID: 38606391; PMCID: PMC11008805.
