Veranderingen in ritme, toonhoogte, vloeiendheid of taalgebruik zijn vaak moeilijk met het blote oor waar te nemen of objectief te meten. Toch kunnen ze mogelijk informatie bevatten over beginnende psychiatrische problemen. Onderzoekers van Erasmus MC en TU Delft onderzoeken daarom of kunstmatige intelligentie deze patronen meetbaar kan maken en of dit uiteindelijk kan bijdragen aan het eerder herkennen van mensen met een verhoogd risico op psychotische stoornissen.

Psychotische stoornissen behoren tot de meest ingrijpende psychische aandoeningen en kunnen grote gevolgen hebben voor het dagelijks leven. Eerdere herkenning kan mogelijkheden bieden om mensen beter te volgen en tijdig ondersteuning te bieden. Tegelijkertijd zijn veranderingen die aan een psychotische stoornis voorafgaan vaak lastig objectief vast te stellen. Binnen het Convergence Health & Technology Flagship Consultation Room 2030 onderzoeken wetenschappers daarom of geautomatiseerde spraakanalyse in de toekomst een aanvullende rol kan spelen bij psychiatrische diagnostiek.

.

Wanneer spraak een signaal wordt

Verstoringen in spraak worden al langer gezien als een mogelijke aanwijzing voor beginnende psychiatrische problematiek. In de klinische praktijk worden zulke veranderingen nu vooral beoordeeld op basis van observatie.

De onderzoekers gebruiken spraakopnames van adolescenten en jongvolwassenen en passen machine-learningtechnieken toe om zowel taalkundige als akoestische kenmerken te analyseren, zoals toonhoogte, ritme en vloeiendheid. Vervolgens onderzoeken zij of combinaties van deze kenmerken samenhangen met psychiatrische symptomen en het risico op psychotische stoornissen.

Het doel is nadrukkelijk niet om op basis van iemands stem een psychose te diagnosticeren of het klinisch oordeel te vervangen. De onderzoekers willen weten of spraakkenmerken bestaande beoordelingen kunnen aanvullen en extra informatie kunnen bieden naast gesprekken, vragenlijsten en klinische observaties.

.

Jongeren door de tijd volgen

Het onderzoek maakt deel uit van de iBerry Study (Investigating Behavioral and Emotional Risk in Rotterdam Youth), een groot longitudinaal cohortonderzoek onder jongeren met een verhoogd risico op psychopathologie.

Sinds 2015 volgt iBerry 1.022 jongeren uit de regio Rotterdam-Rijnmond tot in de vroege volwassenheid. Iedere twee tot drie jaar nemen deelnemers deel aan interviews, vragenlijsten, neuropsychologische tests en biologische metingen.

Doordat dezelfde jongeren gedurende langere tijd worden gevolgd, kunnen onderzoekers bestuderen hoe spraakkenmerken zich samen met de mentale gezondheid ontwikkelen. In plaats van alleen naar één meetmoment te kijken, kunnen zij onderzoeken of veranderingen in spraak mogelijk al informatie bevatten voordat psychiatrische problemen ernstiger worden.

.

Eerste inzichten uit de spraakdata

Verschillende studenten Technische Geneeskunde hebben onder gezamenlijke begeleiding van Erasmus MC en TU Delft aan het onderzoek bijgedragen.

Een voorbeeld is een MSc-afstudeeronderzoek Technische Geneeskunde uit 2025. Hiervoor werden spraakopnames uit semigestructureerde iBerry-interviews geanalyseerd. Machine-learningmodellen onderzochten akoestische kenmerken zoals toonhoogte, ritme en vloeiendheid, in combinatie met metingen van psychiatrische symptomen, waaronder een screeningsinstrument voor psychose.

Het onderzoek liet zien dat spraakkenmerken systematisch uit de iBerry-data kunnen worden gehaald en geanalyseerd. Akoestische informatie alleen bleek echter nog onvoldoende voor een betrouwbare klinische classificatie.

Dat onderstreept het belang van grotere en meer diverse datasets, herhaalde metingen door de tijd heen en mogelijk het combineren van akoestische informatie met taalkundige kenmerken of andere soorten gegevens.

De uitdaging is dus niet om één kenmerk te vinden waarmee een psychose kan worden ‘gedetecteerd’, maar om te begrijpen welke combinaties van subtiele signalen klinisch relevante informatie kunnen opleveren en hoe deze in de loop van de tijd veranderen.

Van onderzoek naar de psychiatrische praktijk

De volgende stap is om de analyses uit te breiden met spraakopnames uit latere meetrondes van iBerry, de bevindingen te valideren in klinische populaties binnen Erasmus MC en de eerste wetenschappelijke resultaten te publiceren.

Daarnaast onderzoekt het team een tweede toepassing van spraaktechnologie: speech-to-text voor psychologische en psychiatrische gesprekken. Daarbij gaat het niet om het herkennen van risico’s op basis van spraakpatronen, maar om technologie die gesproken informatie automatisch omzet in tekst en professionals mogelijk kan ondersteunen bij een efficiëntere en meer gestructureerde verslaglegging en beoordeling.

.

Mogelijke impact op de geestelijke gezondheidszorg

Als de methode voldoende wordt gevalideerd, kan spraakanalyse in de toekomst een objectieve, niet-invasieve en schaalbare aanvulling vormen op bestaande psychiatrische beoordelingen. Het kan professionals mogelijk helpen om mensen te herkennen die baat hebben bij extra monitoring of eerdere ondersteuning.

Speech-to-text-technologie kan op een andere manier bijdragen, door psychologische en psychiatrische gesprekken efficiënter en gestructureerder te verwerken.

Samen kunnen deze toepassingen uiteindelijk bijdragen aan tijdigere, efficiëntere en toegankelijkere geestelijke gezondheidszorg.