This study explores the potential of machine learning algorithms as a tool to indicate psychiatric disorders by using audio data from podcasts. The research also investigates if podcasts can be used as valuable data for this purpose, identifies important attributes for classifying psychiatric disorders with machine learning and raises ethical implications of further developing and implementing this technology in healthcare. The implementation of such technology in healthcare could significantly improve patient care by enabling early detection and intervention, potentially reducing the need for costly and prolonged treatments. To investigate these questions a Random Forest Model was trained on both text attributes as well as acustical attributes and the most important attributes for different psychiatric disorders were gathered. The outcome of the research indicates that there is potential for this technology to be developed further and potentially be implemented as a preliminary diagnostics tool. The paper also identifies several key aspects that need to be considered when developing this technology in order for it to comply with the United Nations ethical guidelines for artificial intelligence.

Arbetet undersöker potentialen hos maskininlärningsalgoritmer som verktyg för att indikera psykiatriska diagnoser med hjälp av ljuddata från podcasts. Arbetet undersöker också huruvida podcasts kan användas som värdefull data för detta, identifierar viktiga attribut för att klassificera psykiatriska diagnoser och belyser etiska implikationer av att vidareutveckla och implementera denna teknologi inom sjukvården. Implementeringen av denna teknologi har potential att förbättra patientvården avsevärt genom att möjliggöra tidig upptäckt och intervention, vilket kan minska behovet av kostsamma och långvariga behandlingar. För att undersöka dessa frågor tränades en Random Forest modell på både textattribut samt akustiska attribut och de viktigaste attributen för olika psykiatriska störningar sammanställdes. Resultatet indikerar att det finns potential för att vidareutveckla denna teknologi och potentiellt implementera den som ett verktyg för preliminär diagnostisering. Studien identifierar också flera nyckelaspekter som behöver beaktas vid utveckling av denna teknologi för att den ska gå i linje med FN etiska riktlinjer för artificiell intelligens.