Djupinlärning för att upptäcka depression hos personer med och utan alexitymi

Varför det kan vara så svårt att prata om känslor

Många människor lever med depression, men våra huvudverktyg för att upptäcka den bygger fortfarande på att folk fyller i frågeformulär om hur de mår. Men vad händer när någon har svårt att förstå eller beskriva sina egna känslor från första början? Denna studie undersöker en grupp personer med ett drag som kallas alexitymi — svårigheter att känna igen och sätta ord på känslor — och frågar om artificiell intelligens (AI) kan hjälpa läkare att upptäcka depression mer exakt i dessa fall.

När självtester inte räcker till

Standardiserade screeningverktyg för depression, såsom korta checklistor som patienter fyller i på kliniker eller online, är snabba och praktiska. De förutsätter emellertid att människor kan märka och rapportera sin sorg, brist på intresse eller oro med rimlig noggrannhet. För personer med alexitymi faller den antagandet ofta sönder. De kan må dåligt men kan inte lätt sätta etikett på sina känslor, så de kan underskatta sitt lidande i självskattningsformulär även när de faktiskt är deprimerade. Forskarnas resultat visade att alexitymi inte är ovanligt — det påverkar nästan en av tio personer — och att högre nivåer av alexitymi var kopplade till svårare depression i stort.

Låta datorer lyssna på samtalet

I stället för att förlita sig enbart på formulär vände sig teamet till de ord som uttalades under kliniska intervjuer. Nästan 300 kantonesisktalande vuxna, inklusive patienter med egentlig depressiv störning och frivilliga från allmänheten, deltog i strukturerade intervjuer med en psykiater som använde en standardiserad skattningsskala för depression. Dessa intervjuer skrevs ned i text. Forskarna tränade sedan åtta stora språkmodeller — avancerade AI-system som analyserar text — för att avgöra om varje person var deprimerad, med psykiaterns bedömning som referensstandard. Modellerna såg inte poängen från frågeformulären; de lärde sig direkt från hur människor talade om sin sömn, energi, vardagsliv och sinnesstämning.

AI kontra kryssrutan

Studien jämförde hur väl AI-modellerna och en vida använd självskattningsskala, Hospital Anxiety and Depression Scale–Depression Subscale (HADS-D), kunde identifiera depression. Över alla deltagare överträffade fyra av de åtta AI-modellerna tydligt självskattningsskalan. När teamet zoomade in på personer med alexitymi var kontrasten slående: självskattningsskalans träffsäkerhet sjönk till nivån av en dålig gissning, medan AI-modellerna höll sig starka och visade god till utmärkt prestanda. Viktigt är att AI-systemen fungerade lika bra oavsett om personer inte hade alexitymi, möjligtvis hade alexitymi eller hade tydlig alexitymi, vilket tyder på att svårigheter att beskriva känslor inte störde dessa modeller.

Varför AI förblir stabil när orden sviker

Varför kan datorer lyckas där checklistor snubblar? Författarna menar att talat språk i en intervju innehåller många subtila ledtrådar — ordval, detaljnivå, mönster av tvekan — som speglar en persons inre tillstånd, även när de inte kan namnge sina egna känslor. Stora språkmodeller är utformade för att plocka upp sådana mönster över långa textstycken. I kontrast erbjuder självskattningsskalor en fast uppsättning korta frågor som främst fokuserar på tankar och känslor; de lämnar litet utrymme för personer som är osäkra på hur de ska bedöma sig själva. Resultaten tyder på att AI-verktyg, när de byggs och testas varsamt, kan fungera som kraftfulla assistenter åt kliniker, särskilt i miljöer där specialisttid är begränsad och väntelistorna långa.

Vad detta betyder för framtida vård

För en lekman är huvudbudskapet enkelt: vissa människor har mindre förmåga att beskriva hur de mår, och för dem kan standardiserade depressionsformulär missa viktiga problem. Denna studie visar att AI-system som analyserar vad patienter säger i en intervju ofta kan upptäcka depression mer tillförlitligt än självskattningsformulär, och att de behåller sin träffsäkerhet även när alexitymi förekommer. Medan AI inte kommer att ersätta mänskliga kliniker kan det hjälpa till att tidigt flagga individer i riskzonen och vägleda mer personligt anpassad vård. Författarna föreslår att liknande angreppssätt en dag kan förbättra upptäckten av andra psykiska tillstånd, och föra oss närmare bedömningar av mental hälsa som verkligen passar varje person, snarare än att kräva att alla ska passa samma formulär.

Citering: 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

Nyckelord: detektion av depression, alexitymi, artificiell intelligens, kliniska intervjuer, screening av mental hälsa