Dine tweets kan vise, om du har brug for hjælp til bipolar lidelse

Bipolar lidelse forårsager perioder med svær depression præget af perioder med forhøjet humør eller mani. Mennesker med tilstanden opfører sig på ekstreme måder og oplever ekstreme højdepunkter og hyperaktivitet efterfulgt af ødelæggende lavpunkter og sløvhed. Nogle skøn tyder på, at 30 procent vil dø af selvmord.

En måde at forhindre den mest ekstreme adfærd på er at få øje på symptomerne, mens de udvikler sig, men før de manifesterer sig fuldstændigt. Dette gør det muligt for behandlingen at begynde tidligt. Så en måde at spotte disse tidlige tegn automatisk ville have enorme konsekvenser for syge, deres familier og sundhedsudbydere.

I dag siger Yen-Hao Huang og venner ved National Tsing Hua University i Taiwan, at de har udviklet en måde at identificere de tidlige tegn på bipolar lidelse via sociale medier. De siger, at deres metode kan have betydelige konsekvenser for den måde, potentielle patienter vurderes på.

Begyndelsen af ​​bipolar lidelse er karakteriseret ved symptomer som overtale, forstyrret søvn og hurtige humørsvingninger. Og det viser sig, at mange syge deler detaljer om deres tilstand, herunder deres diagnosedatoer, på sociale medieplatforme såsom Twitter.

Det gav forskerne en idé. I betragtning af at de kunne være sikre på, at tweets var fra personer med en bipolar diagnose, hvilke adfærdsmønstre kunne de så have vist på forhånd?

For at finde ud af det analyserede disse fyre omkring 10.000 tweets sendt mellem 2006 og 2016 af mere end 400 mennesker, der havde en diagnose af bipolar lidelse. De sammenlignede disse tweets med dem fra et tilsvarende antal tilfældigt udvalgte personer, som fungerede som en kontrolgruppe.

Holdet tjekkede mønstret for opslag over tid for at se, hvordan det matchede normale sovemønstre. De så på hyppigheden af ​​tweets for at måle, hvor taler hver bruger var. De studerede de typer ord, der blev brugt i hvert tweet for følelser og følelsesmæssigt indhold.

De udviklede også en helt ny fonologisk målestok ved at beregne den plosive energi af hvert ord, som om det var stemt. Denne idé var baseret på den tankegang, at mennesker med tidlige tegn på bipolar lidelse bruger mere højenergiord.

Forskerne brugte derefter en skydevindue-tilgang til at se, hvordan indholdet af hver persons Twitter-stream ændrede sig over tid, især da det nærmede sig punktet for en diagnose.

Endelig trænede holdet en maskinlæringsalgoritme til at bruge kombinationer af disse funktioner til at skelne mellem mennesker med og uden tidlige tegn på bipolar lidelse. De opnåede en identifikationsnøjagtighed på mere end 90 procent.

Holdets nye mål for den fonologiske energi af hvert ord er en særlig god. Ved blot at anvende det fonologiske træk med ren tekstensemblemodel kan klassificereren opnå mere end 91 procent præcision, siger de.

Interessant nok kalder Huang og co denne tilgang for underbevidst crowdsourcing. De påpeger, at sættet af tweets fra en person, der lider af bipolar lidelse, kan give en rig strøm af information om mental tilstand. Så disse mennesker leverer ubevidst et datasæt, der kan udvindes til information.

Hvor meget mere information, der kan indsamles på denne måde, er ikke klart. Men bipolar lidelse er usandsynligt den eneste mentale tilstand, der kan identificeres.

Det er interessant arbejde, der har potentialet til at give mennesker med bipolar lidelse den behandling, de har brug for, så snart det er muligt.

Vores eksperimentelle resultater viser, at de foreslåede modeller i høj grad kan bidrage til de regelmæssige vurderinger af mennesker med bipolar lidelse, hvilket er vigtigt i den primære pleje, siger de.

Og det burde minimere chancerne for den ekstreme adfærd, der ellers kunne resultere i det værst mulige resultat.

Ref: arxiv.org/abs/1712.09183 : Påvisning af den prodromale fase af bipolar lidelse fra psykologiske og fonologiske aspekter i sociale medier

skjule