Published June 1, 2022
| Version v1
Publication
Open
Automatic language analysis identifies and predicts schizophrenia in first-episode of psychosis
Creators
- 1. University of Chile
- 2. Instituto de Neurociencia Biomédica
- 3. National University of Rosario
- 4. Centro Internacional Franco-Argentino de Ciencias de la Información y de Sistemas
Description
Automated language analysis of speech has been shown to distinguish healthy control (HC) vs chronic schizophrenia (SZ) groups, yet the predictive power on first-episode psychosis patients (FEP) and the generalization to non-English speakers remain unclear. We performed a cross-sectional and longitudinal (18 months) automated language analysis in 133 Spanish-speaking subjects from three groups: healthy control or HC (n = 49), FEP (n = 40), and chronic SZ (n = 44). Interviews were manually transcribed, and the analysis included 30 language features (4 verbal fluency; 20 verbal productivity; 6 semantic coherence). Our cross-sectional analysis showed that using the top ten ranked and decorrelated language features, an automated HC vs SZ classification achieved 85.9% accuracy. In our longitudinal analysis, 28 FEP patients were diagnosed with SZ at the end of the study. Here, combining demographics, PANSS, and language information, the prediction accuracy reached 77.5% mainly driven by semantic coherence information. Overall, we showed that language features from Spanish-speaking clinical interviews can distinguish HC vs chronic SZ, and predict SZ diagnosis in FEP patients.
Translated Descriptions
⚠️
This is an automatic machine translation with an accuracy of 90-95%
Translated Description (Arabic)
وقد تبين أن التحليل اللغوي الآلي للكلام يميز مجموعات التحكم الصحي (HC) مقابل مجموعات الفصام المزمن (SZ)، ومع ذلك فإن القوة التنبؤية لمرضى الذهان في الحلقة الأولى (FEP) والتعميم على غير الناطقين باللغة الإنجليزية لا تزال غير واضحة. أجرينا تحليلًا لغويًا آليًا مستعرضًا وطوليًا (18 شهرًا) في 133 موضوعًا ناطقًا بالإسبانية من ثلاث مجموعات: التحكم الصحي أو HC (n = 49)، FEP (n = 40)، و SZ المزمن (n = 44). تم نسخ المقابلات يدويًا، وشمل التحليل 30 ميزة لغوية (4 طلاقة لفظية ؛ 20 إنتاجية لفظية ؛ 6 تماسك دلالي). أظهر تحليلنا المقطعي أنه باستخدام أفضل عشر ميزات لغوية مرتبة وذات صلة بالديكور، حقق تصنيف HC مقابل SZ الآلي دقة 85.9 ٪. في تحليلنا الطولي، تم تشخيص 28 مريضا من المصابين باضطراب القلق العصبي في نهاية الدراسة. هنا، بالجمع بين التركيبة السكانية و PANSS ومعلومات اللغة، وصلت دقة التنبؤ إلى 77.5 ٪ مدفوعة بشكل أساسي بمعلومات التماسك الدلالي. بشكل عام، أظهرنا أن ميزات اللغة من المقابلات السريرية الناطقة بالإسبانية يمكن أن تميز HC مقابل SZ المزمن، وتتنبأ بتشخيص SZ في مرضى FEP.Translated Description (French)
Il a été démontré que l'analyse linguistique automatisée de la parole distinguait les groupes témoins sains (HC) des groupes atteints de schizophrénie chronique (SZ), mais le pouvoir prédictif sur les patients atteints de psychose du premier épisode (FEP) et la généralisation aux non-anglophones restent flous. Nous avons effectué une analyse linguistique automatisée transversale et longitudinale (18 mois) chez 133 sujets hispanophones de trois groupes : contrôle sain ou HC (n = 49), FEP (n = 40) et SZ chronique (n = 44). Les entretiens ont été transcrits manuellement, et l'analyse comprenait 30 caractéristiques linguistiques (4 fluidité verbale ; 20 productivité verbale ; 6 cohérence sémantique). Notre analyse transversale a montré qu'en utilisant les dix premières caractéristiques linguistiques classées et décorrélées, une classification automatisée HC vs SZ atteignait une précision de 85,9 %. Dans notre analyse longitudinale, 28 patients FEP ont été diagnostiqués avec SZ à la fin de l'étude. Ici, en combinant les informations démographiques, PANSS et linguistiques, la précision de la prédiction a atteint 77,5 %, principalement grâce aux informations de cohérence sémantique. Dans l'ensemble, nous avons montré que les caractéristiques linguistiques des entretiens cliniques hispanophones peuvent distinguer HC de SZ chronique et prédire le diagnostic de SZ chez les patients FEP.Translated Description (Spanish)
Se ha demostrado que el análisis automatizado del lenguaje del habla distingue los grupos de control saludable (HC) frente a los de esquizofrenia crónica (SZ), pero el poder predictivo en los pacientes con psicosis de primer episodio (FEP) y la generalización a los que no hablan inglés siguen sin estar claros. Realizamos un análisis de lenguaje automatizado transversal y longitudinal (18 meses) en 133 sujetos de habla hispana de tres grupos: control sano o HC (n = 49), FEP (n = 40) y SZ crónica (n = 44). Las entrevistas se transcribieron manualmente y el análisis incluyó 30 características del lenguaje (4 fluidez verbal; 20 productividad verbal; 6 coherencia semántica). Nuestro análisis transversal mostró que, utilizando las diez características lingüísticas mejor clasificadas y decorrelacionadas, una clasificación automatizada de HC frente a SZ logró una precisión del 85,9%. En nuestro análisis longitudinal, 28 pacientes con FEP fueron diagnosticados con SZ al final del estudio. Aquí, combinando información demográfica, PANSS y lingüística, la precisión de la predicción alcanzó el 77,5%, impulsada principalmente por la información de coherencia semántica. En general, demostramos que las características del lenguaje de las entrevistas clínicas de habla hispana pueden distinguir HC de SZ crónica y predecir el diagnóstico de SZ en pacientes con FEP.Files
s41537-022-00259-3.pdf.pdf
Files
(1.3 MB)
| Name | Size | Download all |
|---|---|---|
|
md5:3700a33e466215cd86c6afd87a808650
|
1.3 MB | Preview Download |
Additional details
Additional titles
- Translated title (Arabic)
- يحدد التحليل اللغوي التلقائي الفصام ويتنبأ به في الحلقة الأولى من الذهان
- Translated title (French)
- L'analyse automatique du langage identifie et prédit la schizophrénie dans le premier épisode de psychose
- Translated title (Spanish)
- El análisis automático del lenguaje identifica y predice la esquizofrenia en el primer episodio de psicosis
Identifiers
- Other
- https://openalex.org/W4281773591
- DOI
- 10.1038/s41537-022-00259-3
References
- https://openalex.org/W1267646904
- https://openalex.org/W1533114839
- https://openalex.org/W1560851690
- https://openalex.org/W1850863106
- https://openalex.org/W1863767321
- https://openalex.org/W1873829037
- https://openalex.org/W1975381269
- https://openalex.org/W1988521836
- https://openalex.org/W2003128044
- https://openalex.org/W2013019191
- https://openalex.org/W2022386623
- https://openalex.org/W2043562009
- https://openalex.org/W2051901083
- https://openalex.org/W2055683310
- https://openalex.org/W2075494519
- https://openalex.org/W2077563243
- https://openalex.org/W2091298722
- https://openalex.org/W2138574035
- https://openalex.org/W2139078690
- https://openalex.org/W2145467714
- https://openalex.org/W2147769798
- https://openalex.org/W2154497083
- https://openalex.org/W2155261478
- https://openalex.org/W2163793419
- https://openalex.org/W2164804870
- https://openalex.org/W2166215697
- https://openalex.org/W2229049022
- https://openalex.org/W2321470647
- https://openalex.org/W2326828455
- https://openalex.org/W2345966661
- https://openalex.org/W2480195998
- https://openalex.org/W2604132829
- https://openalex.org/W2605421120
- https://openalex.org/W2607788147
- https://openalex.org/W2741344489
- https://openalex.org/W2789863594
- https://openalex.org/W2791063712
- https://openalex.org/W2795293938
- https://openalex.org/W2799677743
- https://openalex.org/W2904954072
- https://openalex.org/W2908753425
- https://openalex.org/W2951189123
- https://openalex.org/W3083285628
- https://openalex.org/W3101830986
- https://openalex.org/W3126044905
- https://openalex.org/W4234242828
- https://openalex.org/W4239035527
- https://openalex.org/W4256676840
- https://openalex.org/W817468532