臨床現場抑鬱症檢測：從常規初級保健對話中自動分析語言信號

研究針對初級保健中抑鬱症診斷不足的問題，利用數位書寫技術日益普及的背景，探討如何從自然對話中自動檢測抑鬱症。研究基於「Establishing Focus」研究計畫，分析了 1,108 場錄音的初級保健會談，其中包含 253 例符合 PHQ-9 標準的抑鬱症案例與 855 例非抑鬱症案例。

研究比較了三種監督式方法（Sentence-BERT + Logistic Regression、LIWC+LR 以及 ModernBERT）與零樣本 GPT-OSS 模型的效能。結果顯示，GPT-OSS 表現最佳，達到 AUROC 0.774 與 AUPRC 0.510；在監督式模型中，LIWC+LR 表現最具競爭力，AUROC 為 0.742，AUPRC 為 0.500。

分析發現，結合醫患雙向對話的語音轉錄（Combined dyadic transcripts）優於單一說話者配置。研究指出，在抑鬱症會談中，醫療提供者會在語言上「鏡映」患者，這種雙向互動產生的訊號是單一說話者無法捕捉的額外資訊。此外，僅使用前 128 個患者詞元（tokens）即可實現有意義的檢測（AUROC 0.675, AUPRC 0.356），這支持了即時臨床決策支援的可行性。研究主張，被動收集的臨床語音應作為現有篩選流程的低負擔補充。