语音作为隐藏性肝脑病变的数字生物标志物的前性评估
Jakub Gazda1, Juan Carlos García-Pagán2, Sylvia Drazilova1
12nd Department of Internal Medicine, Pavol Jozef Safarik University and L Pasteur University in Kosice, Trieda SNP 1, 040 11, Kosice, Slovakia.
NPJ digital medicine
|December 22, 2025
概括
一个新的机器学习模型可以使用语音记录来检测隐藏的肝脑病变. 这种方法为肝病患者提供了更简单,更容易获得的诊断工具.
科学领域:
- 医学研究 医学研究
- 机器学习在医疗保健中的应用.
- 肝病学 肝病学是一种肝病学.
背景情况:
- 隐性肝脑病变 (CHE) 在肝衰竭中很常见,但难以诊断.
- 目前的诊断方法通常是复杂的或耗时的常规临床使用.
研究的目的:
- 开发和验证一个临床上可行的机器学习模型来检测CHE.
- 为了利用持续的元音音声记录作为CHE检测的数据源.
主要方法:
- 开发了一个XGBoost机器学习模型.
- 从持续的母音音调录音中提取了特征.
- 模型性能使用AUROC和Hosmer-Lemeshow测试进行了评估.
主要成果:
- 在XGBoost模型中,AUROC达到81.20% (95%CI 73.03-89.73).
- 该模型显示了合理的校准 (Hosmer-Lemeshow p=0.66).该模型显示了合理的校准 (Hosmer-Lemeshow p=0.66).
- 关键指标包括CHE患者的声量变化减少和声音质量更苛刻.
结论:
- 使用语音分析的机器学习模型是检测CHE的有希望的工具.
- 这种方法提供了一个可能更简单,更容易获得的诊断方法.
- 声音特征,如音量的一致性和声音粗性是CHE的重要指标.
