Abstract

Hintergrund: Im Kontext der Präzisionspsychiatrie weisen stimmliche Merkmale bei psychiatrischen Störungen ein erhebliches Potenzial als diagnostische Marker auf. Die bisherige Forschung konzentrierte sich jedoch überwiegend auf Erwachsene, sodass ein unzureichendes Verständnis pädiatrischer Stimmcharakteristika besteht. Zur Diagnosestellung einer Aufmerksamkeitsdefizit-/Hyperaktivitätsstörung (ADHS) mangelt es an Objektivität. Diese könnte potenziell von der Einbeziehung stimmlicher Merkmale als objektive Marker profitieren.

Material und Methode: In der vorliegenden Studie wurden lineare gemischte Modelle und Methoden des maschinellen Lernens eingesetzt, um Zusammenhänge zwischen Stimmmerkmalen und elternberichteten Symptomen von Hyperaktivität und Unaufmerksamkeit in einer populationsbasierten Kohorte zu untersuchen. Insgesamt wurden 2.418 Aufnahmen von 1.460 Kindern der LIFE-Child-Kohorte im Alter von 5 bis 18 Jahren (49% Mädchen) einbezogen. Analysiert wurden demografische und gesundheitsbezogene Daten sowie Hyperaktivitäts-/Unaufmerksamkeitswerte aus dem Strengths and Difficulties Questionnaire (SDQ). Aus dem Stimmumfangsprofil wurden jeweils die Grundfrequenz (F0) und der Schalldruckpegel (SPL) aus fünf Steigerungsstufen beim Zählen (I-V, inkl. Rücknahmetest), die Tonhaltedauer (MPT), der Jitter und der DSI-Wert analysiert.

Ergebnisse: Die Ergebnisse zeigten lineare Zusammenhänge zwischen Stimmmerkmalen und den SDQ-Werten: Höhere SDQ-Werte waren signifikant mit höheren Grundfrequenzen (II-V) und einer geringeren Rücknahmefähigkeit der Stimme assoziiert. Modelle des maschinellen Lernens sagten die Hyperaktivitäts-/Unaufmerksamkeitswerte mit moderater Genauigkeit voraus (r = 0,36). Die Vorhersageleistung war bei Mädchen höher als bei Jungen, was größtenteils auf insgesamt niedrigere Symptomratings durch die Eltern bei Mädchen zurückzuführen ist.

Schlussfolgerung: Unsere Befunde zeigen den zusätzlichen Nutzen stimmlicher Parameter gegenüber der überwiegend subjektiven Bewertung von Hyperaktivitäts- und Unaufmerksamkeitssymptomen und unterstreichen die Notwendigkeit weiterer Untersuchungen zum Potenzial stimmbasierter Machine-Learning-Modelle zur Erkennung psychiatrischer Störungen im Kindesalter. Wir konnten Stimmmarker mit prädiktivem Wert in der Allgemeinbevölkerung identifizieren, was weitere Untersuchungen in klinischen Stichproben rechtfertigt.

Text

Einleitung

Im Kontext der Präzisionspsychiatrie weisen stimmliche Merkmale bei psychiatrischen Störungen ein erhebliches Potenzial als diagnostische Marker auf. Die bisherige Forschung konzentrierte sich jedoch überwiegend auf Erwachsene. Daher gibt es ein unzureichendes Verständnis des Nutzens pädiatrischer Stimmcharakteristika als mögliche Diagnosemarker. Von diesem Ansatz könnten vor allem psychologische Entwicklungsstörungen profitieren, die mit potenziellen Veränderungen der Stimme einhergehen. Kinder mit einer Aufmerksamkeitsdefizit-/Hyperaktivitätsstörung (ADHS) zeigen teilweise veränderte Charakteristika (z.B. Grundfrequenz/Lautstärke), die möglicherweise durch Veränderungen des Dopaminsystems und infolgedessen der motorischen Kontrolle [1], [2] oder durch mögliches hyperfunktionales Stimmverhalten [3], [4] begünstigt werden. Gleichzeitig mangelt es in der Diagnostik von ADHS an Objektivität. Die Einbeziehung stimmlicher Merkmale als objektive Marker könnte demnach einen signifikanten Mehrwert bieten. In der vorliegenden Studie wurde der Frage nachgegangen, ob ein Zusammenhang zwischen verschiedenen akustischen Parametern und den Ergebnissen eines Elternfragebogens zu ADHS-Symptomen besteht.

Methode

Für diese epidemiologische Studie wurden zwei komplementäre statistische Ansätze genutzt. Es wurden lineare gemischte Modelle eingesetzt, um Zusammenhänge zwischen Stimmmerkmalen und elternberichteten Symptomen von Hyperaktivität und Unaufmerksamkeit zu untersuchen. Des Weiteren wurde maschinelles Lernen verwendet, um zu evaluieren, ob sich Stimmmerkmale zur Vorhersage der berichteten Symptomausprägung (≠ klinische Diagnose) nutzen lassen. Insgesamt wurden 2.418 Stimmaufnahmen von 1.460 Kindern (49% weiblich) zwischen 5 und 18 Jahren (M = 10,96, SD = 3,02) aus der populationsbasierten LIFE-Child-Kohorte verwendet. Aus dem Stimmumfangsprofil wurden jeweils die Grundfrequenz (F0) und der Schalldruckpegel (SPL) aus fünf Steigerungsstufen beim Zählen (I-V, inkl. Rücknahmetest), die Tonhaltedauer (MPT), der Jitter und der DSI-Wert zur Analyse verwendet. Darüber hinaus wurden demografische und gesundheitsbezogene Daten sowie Hyperaktivitäts-/Unaufmerksamkeitswerte aus dem Strengths and Difficulties Questionnaire (SDQ) hinzugezogen.

Ergebnisse

Die Ergebnisse zeigen relevante lineare Zusammenhänge zwischen Stimmmerkmalen und den SDQ-Werten: Höhere SDQ-Werte waren signifikant mit einer höheren Grundfrequenz (Bedingungen II-V) und einer höheren Lautstärke (Bedingung I-V) assoziiert. Die bedeutsamsten Zusammenhänge zwischen F0/SPL und den SDQ-Werten wurde in Bedingung V identifiziert, was auf eine geringere Rücknahmefähigkeit der Stimme schließen lässt (Abbildung 1 [Abb. 1]).

Die Analysen mit Methoden des maschinellen Lernens demonstrieren, dass das Modell unter Zunahme der demografischen Variablen und der Stimmparameter die Hyperaktivitäts-/Unaufmerksamkeitswerte des SDQ mit moderater Genauigkeit prädizieren kann (R²= 0,120; r = 0,36). Die Signifikanz der Modellleistung wurde durch Permutationstests (1.000 Wiederholungen) überprüft (Mean Absolute Error (MAE) (true) = 1.864, MAE (random) = 2.016 p < 0.001). Betrachtet man die Relevanz der einzelnen Prädiktoren für das Lernen des Modells, waren die demografischen Variablen Alter, Geschlecht und SES von größter Wichtigkeit, direkt gefolgt von der Lautstärke während der leisen Bedingung (I) und des Rücknahmetests (V). Zur Validierung der Ergebnisse wurde die Leistung dieses Modells (demografische Variablen und Stimmparameter) verglichen mit den Ergebnissen eines Modells, das nur demografische Variablen zur Vorhersage nutzte. Der Leistungsvergleich zeigte, dass die zusätzliche Verwendung von Stimmparameter eine genauere Prädiktion der SDQ-Werte ermöglichte (t = 1,868; p = 0,032). Geschlechterspezifische Analysen zeigten, dass die Vorhersageleistung bei Mädchen anders war als bei Jungen, was größtenteils auf insgesamt niedrigere Symptomratings durch die Eltern bei Mädchen zurückzuführen ist. Das könnte bedeuten, dass es keinen geschlechtsspezifischen Modelleffekt gibt, was klinisch ermutigend ist, da Mädchen, obwohl sie häufig unterdiagnostiziert sind, durch das stimmbasierte Modell nicht benachteiligt wurden.

Schlussfolgerungen

Unsere Ergebnisse zeigen, dass es in der vorliegenden Stichprobe einen Zusammenhang zwischen Grundfrequenz/Lautstärke und elternberichteten ADHS-Symptomen gibt und, dass Stimmmerkmale Machine Learning Modellen helfen, die Symptombewertung präziser vorherzusagen. Dies bestätigt den zusätzlichen Nutzen stimmlicher Parameter gegenüber der überwiegend subjektiven Bewertung von Hyperaktivitäts- und Unaufmerksamkeitssymptomen. Diese bevölkerungsbasierte Evidenz für Zusammenhänge zwischen Stimme und ADHS-Symptomen unterstreicht die Notwendigkeit von Untersuchungen in klinischen Stichproben. Abschließend bildet diese Forschung eine solide und vielversprechende Grundlage für weitere Forschung zu stimmbasierten objektiven Markern bei ADHS.

Anmerkung

Geteilte Erstautorenschaft: M. Fuchs und R. Bamberger

References

[1] Dum R, Ghahramani A, Baweja R, Bellon A. Dopamine Receptor Expression and the Pathogenesis of Attention-Deficit Hyperactivity Disorder: a Scoping Review of the Literature. Curr Dev Disord Rep. 2022;9:127-36. DOI: 10.1007/s40474-022-00253-5
[2] Turk AZ, Lotfi Marchoubeh M, Fritsch I, Maguire GA, SheikhBahaei S. Dopamine, vocalization, and astrocytes. Brain Lang. 2021 Aug;219:104970. DOI: 10.1016/j.bandl.2021
[3] Barona-Lleo L, Fernandez S. Hyperfunctional Voice Disorder in Children With Attention Deficit Hyperactivity Disorder (ADHD). A Phenotypic Characteristic? J Voice. 2016 Jan;30(1):114-9. DOI: 10.1016/j.jvoice.2015.03.002
[4] Garcia-Real T, Diaz-Roman TM, Garcia-Martinez V, Vieiro-Iglesias P. Clinical and acoustic vocal profile in children with attention deficit hyperactivity disorder. J Voice. 2013 Nov;27(6):787.e11-8. DOI: 10.1016/j.jvoice.2013.06.013
[5] Bamberger R, Lotter LD, Nieto N, Poulain T, Körner A, Kiess W, Fuchs M, von Polier G. Voices of change: associations between vocal markers and symptoms of ADHD - Findings from the LIFE child study. Eur Child Adolesc Psychiatry. 2026 Jun;35(6):1855-66. DOI: 10.1007/s00787-025-02954-9