机器学习模型的开发和验证,该模型使用语音来预测志向风险
medRxiv : the preprint server for health sciences
|May 19, 2025
概括
一个新的机器学习算法可以通过分析语音特征来检测愿望风险,超过人类专家. 这种客观的查工具为呼吸道疾病的传统,资源密集型诊断方法提供了一个有希望的替代方案.
科学领域:
- 医学技术 医学技术 医学技术
- 医疗保健中的人工智能
- 呼吸系统药物 呼吸系统药物
背景情况:
- 吸气是各种呼吸道疾病的重要危险因素.
- 目前的临床期望评估缺乏可靠性.
- 像VFSS和FEES这样的黄金标准测试具有侵入性和资源密集性.
研究的目的:
- 开发和验证用于客观愿望风险选的机器学习算法.
- 分析语音特征,以预测愿望风险.
- 建立一个可访问的,非侵入性查工具.
主要方法:
- 对163名患者在鼻腔内镜检查期间记录的声音进行了回顾性分析.
- 提取声学语音特征 (音调,动,闪,HNR).
- 经过监督的机器学习模型训练,以区分高风险与低风险吸尘器,根据VFSS地面真相验证并对外部队列进行测试.
主要成果:
- 在ML模型中,高风险和低风险吸尘器之间的风险得分有显著差异 (p<0.001).
- 在发展队列中达到0.76的AUC,在外部队列中达到0.70的AUC.
- 在准确性,灵敏性,特异性和预测值方面表现优于训练有素的语音语言病理学家 (SLP).
结论:
- 可量化的语音特征区分了愿望风险.
- 该ML模型准确地预测了使用持续声调的吸收风险.
- 这种以人工智能为驱动的方法超过了人类专家对志向风险评估的表现.


