声帯振動を音声で分析し、誤嚥リスクを予測する機械学習モデルの開発と検証

科学分野:

• 耳鼻咽喉科学
• 音声科学
• 人工知能

背景:

• 誤嚥は呼吸器疾患のリスクとなるが、現在の診断方法は侵襲的であるか信頼性が低い。
• 主観的なベッドサイド評価は一貫性に欠け、VFSSやFEESのような検査はリソース集約的である。

研究 の 目的:

• 誤嚥リスクを予測するための機械学習（ML）アルゴリズムを開発および検証すること。
• アルゴリズムは単純な母音発声の音響的特徴を分析する。

主な方法:

• VFSSをグラウンドトゥルースとして使用し、ハイリスク対ローリスクの誤嚥者を区別するように訓練された教師ありMLモデル。
• 患者163人からの[i]母音発声のレトロスペクティブ分析、音響的特徴の記録。
• モデルは外部コホートで検証され、言語聴覚士（SLP）と比較された。

主要な成果:

• MLモデルは、ハイリスク（0.530）およびローリスク（0.243）の誤嚥群間でリスクスコアに有意差を示した（p<0.001）。
• 開発コホートで0.76、外部コホートで0.70の曲線下面積（AUC）を達成した。
• MLモデルのパフォーマンスは、誤嚥リスクの分類において訓練されたSLPと同等であった。

結論:

• 耳鼻咽喉科（ENT）患者における定量化可能な音声特性は、誤嚥リスクと相関している。
• 持続的な発声を分析するMLモデルは、ハイリスクおよびローリスクの誤嚥者間の違いを効果的に検出できる。
• このアプローチは、誤嚥リスク評価のための有望な非侵襲的方法を提供する。