تحليل الصوت بالذكاء الاصطناعي يكشف عن طريقة سريعة لتشخيص اضطرابات نفسية لدى الأطفال

تخيل أنك طبيب نفسي يحاول تشخيص اضطراب ثنائي القطب أو اضطراب الاكتئاب الشديد لدى مراهق. غالبًا ما يعتمد التشخيص على تقييم ذاتي من المريض وأوصاف من الأهل، وهي عملية قد تكون ذاتية وتستغرق وقتًا طويلاً. ماذا لو كان هناك طريقة موضوعية، سريعة، وغير مكلفة للمساعدة في تحديد هؤلاء المرضى في مراحل مبكرة؟ هذا هو السؤال الذي سعى باحثون للإجابة عليه، وربما وجدوا جزءًا من الحل في شيء بسيط مثل الصوت.

منهجية البحث

قام الباحث لي زد وزملاؤه بالتحقيق في الخصائص الصوتية للأطفال والمراهقين المصابين باضطراب الاكتئاب الشديد (MDD) واضطراب ثنائي القطب (BD) مقارنة بمجموعة ضابطة سليمة. اعتمدت الدراسة على جمع بيانات صوتية من خلال مطالبة المشاركين بقراءة سبعة مقاطع نصية محددة. هذه الطريقة، المعروفة بـ “نموذج القراءة”، تهدف إلى الحصول على عينات صوتية موحدة نسبياً، مما يسهل تحليلها. شملت الدراسة 50 مريضًا مصابًا باضطراب ثنائي القطب، و50 مريضًا مصابًا باضطراب الاكتئاب الشديد، و50 شخصًا سليمًا، مما يوفر مجموعة بيانات متوازنة للتحليل.

بعد تسجيل الأصوات، قام الفريق باستخلاص مجموعة واسعة من “الميزات” الصوتية. هذه الميزات هي مقاييس كمية تصف جوانب مختلفة من الصوت، مثل الطاقة (الطاقة الكلية للصوت)، والانحدار الطيفي (كيف تتغير ترددات الصوت)، وطيف السعة (توزيع الطاقة عبر الترددات المختلفة)، وطيف RASTA (نوع من الترشيح الصوتي يركز على الميزات المهمة للكلام). ولكن، بدلًا من استخدام كل هذه الميزات دفعة واحدة، استخدم الباحثون طريقة “اختيار مزدوج للميزات” لتحديد المجموعة الأكثر فعالية للتفريق بين المجموعات الثلاث. هذه الخطوة مهمة لأن استخدام عدد كبير جدًا من الميزات يمكن أن يؤدي إلى نتائج غير دقيقة أو “ضوضاء” في التحليل.

أخيرًا، استخدم الباحثون نماذج تصنيف تقليدية – وهي خوارزميات رياضية مصممة لتصنيف البيانات – لتحليل الميزات الصوتية المختارة وتحديد ما إذا كان بإمكانها التمييز بدقة بين المرضى المصابين باضطراب ثنائي القطب، والمرضى المصابين باضطراب الاكتئاب الشديد، والأفراد الأصحاء.

النتائج

أظهرت النتائج أن هذا النهج البسيط ولكنه فعال حقق دقة ملحوظة. فقد تمكن النموذج من تصنيف الحالات بشكل صحيح بنسبة 92.4٪ بناءً على خصائص الصوت، وبنسبة 95.6٪ بناءً على خصائص المشاركين (مثل العمر والجنس). وهذا يعني أنه في معظم الحالات، تمكن النموذج من تحديد المجموعة الصحيحة التي ينتمي إليها كل مشارك.

الأمر الأكثر إثارة للإعجاب هو أن النموذج أظهر “صلابة” (robustness) ضد الاختلافات في أجهزة التسجيل والبيئات. بعبارة أخرى، لم تتأثر دقة النموذج بشكل كبير إذا تم تسجيل الأصوات باستخدام ميكروفونات مختلفة أو في أماكن مختلفة. وهذا أمر بالغ الأهمية للتطبيق العملي، حيث من غير الواقعي توقع أن يتم جمع جميع البيانات الصوتية في ظروف مثالية.

دلالات البحث

تشير هذه النتائج إلى أن الخصائص الصوتية قد تكون بمثابة “علامات بيولوجية” (biomarkers) محتملة لتشخيص الاضطرابات النفسية لدى الأطفال والمراهقين. العلامات البيولوجية هي مؤشرات قابلة للقياس يمكن استخدامها لتحديد وجود أو شدة مرض ما. في هذه الحالة، يمكن أن يوفر تحليل الصوت طريقة موضوعية وسريعة وغير مكلفة للمساعدة في تحديد الأطفال والمراهقين المعرضين لخطر الإصابة باضطراب ثنائي القطب أو اضطراب الاكتئاب الشديد.

الأهم من ذلك، أن الباحثين أظهروا أنه يمكن تحقيق هذه الدقة العالية باستخدام نماذج تصنيف تقليدية وعدد محدود من الميزات الصوتية “القابلة للتفسير”. وهذا يعني أن النموذج ليس مجرد “صندوق أسود” يقدم تنبؤات دون تفسير، بل يمكن فهمه وشرحه. وهذا أمر مهم لبناء الثقة في النموذج وتشجيعه على استخدامه في الممارسة السريرية. قد يفتح هذا الطريق لتطوير أدوات مساعدة للتشخيص يمكن استخدامها من قبل الأطباء النفسيين أو حتى كأداة فحص ذاتي للمراهقين الذين يشعرون بالقلق بشأن صحتهم النفسية. على الرغم من أن هذا البحث يمثل خطوة واعدة، إلا أنه من المهم التأكيد على أنه ليس بديلاً عن التشخيص السريري الشامل، بل هو أداة إضافية يمكن أن تساعد في تحسين عملية التشخيص.

Reference

Li Z. (2026). Voice-based machine learning for rapid screening of bipolar disorder and major depressive disorder in children and adolescents: a robust and low-complexity diagnostic model. BMC Psychiatry, 26(1), 105-105.

DOI: 10.1186/s12888-025-07476-x