Knowledge-Hub Digitalisierung, KI & Gesundheitein Angebot von Monitor Versorgungsforschung

Knowledge-Hub Digitalisierung, KI & Gesundheit › Studien

NLP und Sprachanalyse zur Machine-Learning-gestützten Bipolar-Diagnostik

Yamaguchi Y et al. · J Med Internet Res · erschienen 01.11.2026 · PMID 42967232

Von KI ausgewählt und zusammengefasst

Worum es geht

Prospektive Kohortenstudie über 7 Jahre mit 61 Patienten Bipolar-Störung und 99 Kontrollpersonen, bei der 6373 akustische und 211 linguistische Merkmale aus Sprache mittels LASSO-regularisierter logistischer Regression zur Diagnostik und Mood-State-Klassifikation herangezogen werden.

Ergebnis

Diskrimination Bipolar vs. Kontrolle: AUC 0,916 (95%-KI 0,854–0,958); Sensitivität 0,933; Spezifität 0,859. Akustische Merkmale machten 96–98 % der signifikanten Befunde aus; Mel-Frequency-Cepstral-Coefficients und Stimmqualitätsmaße zeigten starke Korrelationen mit Symptomschwerem (Spearman ρ bis −0,51). Vorhersage depressiver vs. euthymer Episoden signifikant (AUC 0,760, p=0,03), nicht aber für manisch/gemischt vs. euthym. Diese objektive Hilfe für BP-Diagnose könnte unabhängig von Medikation funktionieren.

Übertragbarkeit auf Deutschland

Japan-Studie; akustische Diagnostik-Prinzipien kulturübergreifend übertragbar, braucht aber externe Validierung.

Auswahl und deutsche Zusammenfassung stammen von einer KI und sind nicht redaktionell geprüft. Maßgeblich ist die Originalpublikation.