Bei Alterspatienten stellen Demenz und Depression die häufigsten Erkrankungen dar, die im psychiatrischen Konsiliardienst eines Allgemeinkrankenhauses gesehen werden. Neuen Schätzungen zufolge wird die Zahl der Menschen mit Demenz in Deutschland bis 2050 erheblich steigen. Während im Jahr 2018 knapp 1,6 Millionen Menschen in Deutschland mit Demenz lebten (1,9 Prozent der Bevölkerung), prognostizieren die Experten von Alzheimer Europe, dass die Zahl bis 2050 auf 2,7 Millionen (3,4 Prozent) ansteigen wird. Die jährlichen Kosten der Demenz werden auf 5,6 Milliarden Euro geschätzt, mehr als die Hälfte davon entfallen auf die Pflegekosten. In Deutschland leiden außerdem 8,7 Prozent der über 65-Jährigen zusätzlich an einer Depression, die häufig mit einer Demenz einhergeht.

Depressionen und Demenzerkrankungen beeinflussen sich gegenseitig. Depressionen erhöhen das Risiko, an einer Demenz zu erkranken, um das bis zu Sechsfache. Dieses Risiko ist höher als bei anderen chronischen Krankheiten. Umgekehrt ist auch das Risiko für depressive Störungen bei Menschen mit Demenz deutlich erhöht. Depressive Störungen beeinträchtigen zusätzlich die Kognition, die Alltagsfunktionen (Activities of Daily Living - ADL) und die sozialen Fähigkeiten von Demenzkranken und lassen sie noch "dementer" erscheinen. Beide Krankheitsbilder stellen große Herausforderungen für die Patienten und ihre Angehörigen dar.

Aufgrund ihres meist schleichenden Beginns werden Demenzerkrankungen in vielen Fällen zu spät erkannt. Auch die Diagnose und Behandlung von Depressionen bei älteren Menschen erfolgt oft spät oder gar nicht, da angenommen wird, dass es sich bei den geschilderten Symptomen um normale Alterserscheinungen handelt. Die auftretenden Symptome erschweren die Diagnose, da sie sich von den depressiven Symptomen unterscheiden, die von Personen in jüngeren Altersgruppen beschrieben werden: Körperliche Beeinträchtigungen, Gedächtnisprobleme, Schlafstörungen, innere Unruhe und Reizbarkeit werden häufiger genannt.

Da Gedächtnisprobleme in der Regel die ersten Symptome einer Demenz darstellen, wurden bereits vor etwas mehr als 20 Jahren die ersten Gedächtnissprechstunden zur fachgerechten Überprüfung der Gedächtnisleistung und anderer geistiger Funktionen eingerichtet. Eine frühzeitige diagnostische Abklärung mit der daraus resultierenden Möglichkeit eines raschen Behandlungsbeginns soll das Fortschreiten der Demenz verzögern und damit einen Zugewinn an Lebensqualität für den Patienten und seine pflegenden Angehörigen erreichen. Etwa ein Drittel der Patienten, die zur Demenzdiagnose an spezialisierte Zentren überwiesen werden, leiden an einer depressiven Störung, und 30-50 % der Patienten mit Alzheimer zeigen depressive Symptome, vor allem in den frühen und mittleren Stadien. Aus diesem Grund wird in der Gedächtnissprechstunde zusätzlich geprüft, ob der Patient eine depressive Symptomatik aufweist.

Aufgrund der Korrelation von Demenz und Depression sowie ihrer sich überschneidenden Symptomatik ist die Diagnose, ob primär eine Depression oder eine Demenz oder beides vorliegt, nicht immer eindeutig. Um Therapeuten in dieser Hinsicht zu unterstützen, untersucht unsere Forschungsarbeit Methoden, die auf natürlicher Sprachverarbeitung (NLP), automatischer Spracherkennung (ASR) und Deep Learning (DL) basieren, um zwischen Demenz und Depression zu unterscheiden und einen weiteren Anhaltspunkt für die Diagnose zu liefern. Da die Diagnose in der Gedächtnissprechstunde auf der Durchführung und Auswertung eines standardisierten Screeningverfahrens beruht, zeichnen wir die Gespräche zwischen Patienten und Therapeuten während der Screening-Sitzungen auf. Auf diese Weise erhalten wir einen Datensatz, der freie Sprache aus einem semi-standardisierten Interview und provozierte Sprache aus zweie standardisierten Testbatterien (SKT und CERAD) umfasst. Auf der Grundlage dieses Datensatzes arbeiten wir beispielsweise an der Testautomatisierung mittels NLP und ASR, um Testergebnisse vorherzusagen.  Wir untersuchen auch verschiedene Ansätze, die sich die Extraktion linguistischer und akustischer Merkmale aus dem Audiosignal zunutze machen, um Muster für Demenzen und Depressionen zu lernen. Beispiele für linguistische Merkmale sind Wortwiederholungen, Sprechpausen und Satzumbrüche; Beispiele für akustische Merkmale sind Intonation, Sprechgeschwindigkeit und Sprachlautstärke. Auf der Grundlage dieser und vieler anderer Merkmale trainieren wir neuronale Netzarchitekturen mit DL-Algorithmen. Klassifizierungs- und Regressionsmethoden sind Vorhersagemethoden aus dem überwachten Lernen, die dann zur Unterscheidung zwischen Demenz und Depression auf der Grundlage von Sprache eingesetzt werden.

Es existieren bereits einige Ansätze, die die Erkennung von Depressionen oder Demenz anhand von Sprache und DL Ansätzen untersuchen [1][2][3][4][5][6][7][8][9][10]. In diesen Arbeiten werden jedoch ausschließlich kranke Personen, die entweder an Demenz oder Depression leiden, mit gesunden Kontrollpersonen verglichen. Uns sing jedoch nur wenige Arbeiten bekannt, die die beiden Syndrome kontrastierteren [11][12]. Da dieses Differenzierungsproblem jedoch seit langem eine bekannte Herausforderung in der Psychotherapie ist, ist es in unseren Augen nicht zu vernachlässigen.

Referenzen

• [1] Pérez-Toro, P. A., et al. “Influence of the Interviewer on the Automatic Assessment of Alzheimer's Disease in the Context of the ADReSSo Challenge.” Interspeech 2021, ISCA, 2021, pp. 3785–89, doi.org/10.21437/Interspeech.2021-1589.
• [2] Toth, Laszlo, et al. “A Speech Recognition-Based Solution for the Automatic Detection of Mild Cognitive Impairment from Spontaneous Speech.” Current Alzheimer Research, vol. 15, no. 2, Jan. 2018, pp. 130–38, doi.org/10.2174/1567205014666171121114930.
• [3] Themistocleous, Charalambos, et al. “Identification of Mild Cognitive Impairment From Speech in Swedish Using Deep Sequential Neural Networks.” Frontiers in Neurology, vol. 9, Nov. 2018, p. 975, doi.org/10.3389/fneur.2018.00975.
• [4] Luz, Saturnino, et al. “Detecting Cognitive Decline Using Speech Only: The ADReSSo Challenge.” ArXiv:2104.09356 [Cs, Eess], Mar. 2021, arxiv.org/abs/2104.09356.
• [5] Luz, Saturnino, et al. “A Method for Analysis of Patient Speech in Dialogue for Dementia Detection.” ArXiv:1811.09919 [Cs, Eess], Nov. 2018, arxiv.org/abs/1811.09919.
• [6] Fraser, Kathleen C et al. “Linguistic Features Identify Alzheimer's Disease in Narrative Speech.” Journal of Alzheimer's disease: JAD, vol. 49,2, 2016, pp. 407-22, doi.org/10.3233/JAD-150520.
• [7] Villatoro-Tello, Esaú, et al. “Late Fusion of the Available Lexicon and Raw Waveform-Based Acoustic Modeling for Depression and Dementia Recognition.” Interspeech 2021, ISCA, 2021, pp. 1927–31, doi.org/10.21437/Interspeech.2021-1288.
• [8] Liu, Zhenyu, et al. “Ensemble-Based Depression Detection in Speech.” 2017 IEEE International Conference on Bioinformatics and Biomedicine (BIBM), IEEE, 2017, pp. 975–80, doi.org/10.1109/BIBM.2017.8217789.
• [9] Chlasta, Karol, et al. “Automated Speech-Based Screening of Depression Using Deep Convolutional Neural Networks.” Procedia Computer Science, vol. 164, 2019, pp. 618–28, doi.org/10.1016/j.procs.2019.12.228.
• [10] He, Lang, and Cui Cao. “Automated Depression Analysis Using Convolutional Neural Networks from Speech.” Journal of Biomedical Informatics, vol. 83, 2018, pp. 103–11, doi.org/10.1016/j.jbi.2018.05.007.
• [11] Sumali, Brian, et al. “Speech Quality Feature Analysis for Classification of Depression and Dementia Patients.” Sensors, vol. 20, no. 12, June 2020, p. 3599, doi.org/10.3390/s20123599.
• [12] Mohammad Abdallah_Qasaimeh, Bashar, et al. “Detecting Depression in Alzheimer and MCI Using Artificial Neural Networks (ANN).” International Conference on Data Science, E-Learning and Information Systems 2021, Association for Computing Machinery, 2021, pp. 250–253, doi.org/10.1145/3460620.3460765.