在亨廷顿病患者的语音数字评估
Adonay S Nunes1, Meghan Pawlik2, Ram Kinker Mishra1
1BioSensics LLC, Newton, MA, United States.
Frontiers in neurology
|February 7, 2024
概括
数字语音分析显示了早期亨廷顿病 (HD) 检测和监测的前景. 机器学习模型通过语音特征准确预测了临床状态和疾病严重程度,从而实现远程评估.
科学领域:
- 神经学 神经学
- 生物医学工程 生物医学工程
- 计算语言学 计算语言学
背景情况:
- 亨廷顿病 (HD) 发病往往先于言语变化,传统的临床评估很难跟踪这些变化.
- 数字语音分析提供了一种灵敏,频繁和远程的方法来评估HD的语言症状.
- 目前对HD评估的临床医生评级措施受到观察者变化和不频繁的管理的限制.
研究的目的:
- 调查数字语音测量对评估亨廷顿病 (HD) 状态和进展的有用性.
- 为了比较患有HD,预发性HD和健康对照个体之间的语言特征.
- 开发机器学习模型,从语音数据中预测临床状态和严重程度.
主要方法:
- 收集了36名参与者的音频录音 (18名高频率,7名前期高频率,11名控制) 执行语音任务 (阅读段落,计数).
- 使用BioDigit Speech软件提取了语音特征 (暂停,音调,准确度,可理解性).
- 随机森林机器学习模型被用来预测临床状态 (使用UHDRS失联症得分) 和认知得分 (蒙特利尔认知评估).
主要成果:
- 在阅读段落时,在HD,预发性HD和对照组之间发现了暂停,可理解性和准确性的显著差异 (p < 0.001).
- 一个随机的森林分类器实现了73%的平衡准确度和0.92AUC在预测临床状态从语音.
- 机器学习模型预测了UHDRS得分,平均绝对误差为2.43-9.64和蒙特利尔认知评估得分,平均绝对误差为2.3.
结论:
- 语音数据是亨廷顿病 (HD) 进展的有价值的数字生物标志物.
- 机器学习模型可以根据语音特征准确预测临床状态和疾病严重程度.
- 在临床试验中,语音测量提供了敏感,远程和频繁监测HD发病和进展的潜力.
