Diep leren voor het detecteren van depressie bij personen met en zonder alexithymie

Waarom praten over gevoelens zo moeilijk kan zijn

Veel mensen leven met depressie, maar onze belangrijkste instrumenten om die te signaleren zijn nog steeds afhankelijk van vragenlijsten waarin mensen moeten aangeven hoe ze zich voelen. Wat gebeurt er echter wanneer iemand moeite heeft om zijn of haar emotie te herkennen of te verwoorden? Deze studie bekijkt een groep mensen met een eigenschap die alexithymie heet — moeilijkheden met het herkennen en in woorden uitdrukken van gevoelens — en onderzoekt of kunstmatige intelligentie (AI) artsen kan helpen depressie in deze gevallen nauwkeuriger te detecteren.

Wanneer zelftests tekortschieten

Standaard screenings voor depressie, zoals korte vragenlijsten die patiënten in klinieken of online invullen, zijn snel en praktisch. Ze gaan er echter van uit dat mensen hun droefheid, gebrek aan interesse of zorgen redelijk accuraat kunnen opmerken en rapporteren. Voor mensen met alexithymie gaat die veronderstelling vaak niet op. Zij kunnen zich onwel voelen maar hun emoties niet makkelijk benoemen, waardoor ze hun klachten op zelfrapportages kunnen onderschatten, zelfs wanneer ze daadwerkelijk depressief zijn. De onderzoekers vonden dat alexithymie niet zeldzaam is — het treft bijna één op de tien mensen — en dat hogere niveaus van alexithymie samenhangen met ernstigere depressie in het algemeen.

De computer laten luisteren naar het gesprek

In plaats van alleen op formulieren te vertrouwen, richtte het team zich op de woorden die tijdens klinische interviews werden uitgesproken. Bijna 300 Cantoneessprekende volwassenen, waaronder patiënten met een majeure depressieve stoornis en vrijwilligers uit de gemeenschap, deden mee aan gestructureerde interviews met een psychiater waarin een standaard beoordelingsschaal voor depressie werd gebruikt. Deze interviews werden uitgetypt. De onderzoekers trainden vervolgens acht grote taalmodellen — geavanceerde AI-systemen die tekst analyseren — om te beslissen of elke persoon depressief was, waarbij het oordeel van de psychiater als referentiestandaard diende. De modellen kregen geen vragenlijstscores te zien; ze leerden rechtstreeks uit hoe mensen praatten over hun slaap, energie, dagelijks leven en stemming.

AI versus het aankruisvakje

De studie vergeleek hoe goed de AI-modellen en een veelgebruikte zelfrapportageschaal, de Hospital Anxiety and Depression Scale–Depression Subscale (HADS-D), depressie konden identificeren. Over alle deelnemers heen presteerden vier van de acht AI-modellen duidelijk beter dan de zelfrapportageschaal. Wanneer het team zich richtte op mensen met alexithymie, was het contrast opvallend: de nauwkeurigheid van de zelfrapportageschaal daalde tot het niveau van een slechte gok, terwijl de AI-modellen sterk bleven en goede tot uitstekende prestaties toonden. Belangrijk is dat de AI-systemen even goed werkten ongeacht of mensen geen alexithymie, mogelijke alexithymie of duidelijke alexithymie hadden, wat suggereert dat moeite met het beschrijven van gevoelens deze modellen niet van hun stuk bracht.

Waarom AI stabiel blijft wanneer woorden tekortschieten

Waarom zouden computers slagen waar checklists falen? De auteurs betogen dat gesproken taal in een interview veel subtiele aanwijzingen bevat — woordkeuze, mate van detail, patronen van aarzeling — die iemands innerlijke toestand weerspiegelen, zelfs wanneer die persoon zijn of haar gevoelens niet kan benoemen. Grote taalmodellen zijn erop ontworpen zulke patronen over lange tekstgedeelten op te pikken. Zelfrapportageschalen daarentegen bieden een vaste set korte vragen die zich vooral richten op gedachten en gevoelens; ze laten weinig ruimte voor mensen die niet goed weten hoe ze zichzelf moeten beoordelen. De bevindingen suggereren dat AI-instrumenten, mits zorgvuldig gebouwd en getest, krachtige assistenten voor clinici kunnen zijn, vooral in omgevingen waar specialistische tijd beperkt is en de wachtlijsten lang.

Wat dit betekent voor toekomstige zorg

Voor een leek is de kernboodschap simpel: sommige mensen kunnen minder goed beschrijven hoe ze zich voelen, en voor hen kunnen standaard depressievragenlijsten belangrijke problemen missen. Deze studie toont aan dat AI-systemen die analyseren wat patiënten zeggen in een interview vaak depressie betrouwbaarder kunnen detecteren dan zelfrapportageformulieren, en dat ze hun nauwkeurigheid behouden zelfs wanneer alexithymie aanwezig is. Hoewel AI menselijke clinici niet zal vervangen, zou het kunnen helpen risicovolle personen eerder te signaleren en meer gepersonaliseerde zorg te begeleiden. De auteurs suggereren dat vergelijkbare benaderingen op termijn de detectie van andere psychische aandoeningen kunnen verbeteren, waardoor we dichterbij beoordeling van geestelijke gezondheid komen die echt bij elk individu past, in plaats van te vragen dat iedereen in hetzelfde formulier past.

Bronvermelding: Lam, C., Xian, L., Huang, R. et al. Deep learning for detecting depression in individuals with and without alexithymia. Commun Med 6, 123 (2026). https://doi.org/10.1038/s43856-026-01393-0

Trefwoorden: detectie van depressie, alexithymie, kunstmatige intelligentie, klinische interviews, screening geestelijke gezondheid