抑郁、焦虑和冷漠在临床前痴呆和轻度认知障碍老年人中非常普遍。这些症状在预测从轻度认知障碍到痴呆症的进展方面也被证明是有价值的，从而能够及时诊断和治疗。International Journal of Nursing Studies杂志发表了一项研究，旨在开发一种基于言语和面部表情的机器学习模型，以检测和区分抑郁、焦虑和冷漠。

参与者来自北京一家三级医院记忆门诊部的轻度认知障碍（MCI）患者。

采用心理量表评估老年人的抑郁、焦虑和冷漠水平。使用音频和视频记录软件收集MCI老年人的言语和面部表情。心理评估大约需要30分钟，而客观测量大约需要7分钟。利用开源数据分析工具包提取语音、面部和文本特征。

研究纳入319名MCI老年人，参与者平均年龄70.1±6.9岁，女性占60.5%。根据标准化评估工具的截断值，参与者被分为7个不同的组：正常组（n=126，39.5%）、抑郁组（n=27，8.5%）、焦虑组（n=13，4.1%）、冷漠组（n=66，20.7%）、抑郁-焦虑组（n=25，7.8%）。抑郁-冷漠组（n = 25，7.8%）和抑郁-焦虑-冷漠组（n = 37，11.6%）。MoCA评分平均为23.4±1.6分，组间比较差异无统计学意义（P > 0.05）。

使用随机森林方法开发了多类情绪分类模型，该模型在情绪分类方面表现良好，加权平均F1得分为96.6%。该模型的准确性、精密度和召回率也很高，分别为87.4%、86.6%和87.6%。

将调整后的随机森林模型应用于数据集后，计算SHAP值以确定整体分类模型的影响特征。AU 15（唇角向下倾斜）的存在是焦虑组最具影响力的特征。经常出现AU 20（皱鼻）与合并抑郁和冷漠的较大风险有关。较低的α比值与共存的抑郁、焦虑和冷漠的可能性增加有关。

研究开发的机器学习模型在检测和区分抑郁、焦虑和冷漠方面表现出强大的分类性能。这种创新的方法结合了文本、音频和视频，为护理实践中这些症状的精确分类和远程监测提供了客观方法。

原始出处：

Ying Zhou, Wei Han, Xiuyu Yao, et al, Developing a machine learning model for detecting depression, anxiety, and apathy in older adults with mild cognitive impairment using speech and facial expressions: A cross-sectional observational study, International Journal of Nursing Studies, 2023, https://doi.org/10.1016/j.ijnurstu.2023.104562.