初级保健医生与患者之间简短对话中的信号有助于检测未确诊的认知障碍，一项声学分析表明。
由纽约西奈山伊坎医学院的Joseph Colonel博士及其合著者报告，一个基于初级保健就诊录音声学特征训练的机器学习模型，在识别认知障碍方面达到了68.2%的敏感性、63.6%的特异性以及30.4%的阳性预测值。
Colonel及其同事在《JAMA Neurology》上写道，该模型的受试者工作特征曲线下面积（AUROC）为0.733，最大F1分数（Fmax）为0.502。在验证队列中，AUROC和Fmax值相似。音调、语速和语音变异性等指标是认知障碍的关键预测因子。
该项目旨在了解机器学习模型如何用于初级保健中的认知障碍筛查，Colonel在《JAMA》网络播客采访中表示：“因为认知障碍常常未被诊断或诊断不足。患者与其医生之间的对话中是否存在某些模式，可能表明认知方面存在问题？”
在研究中测试的五种方法中，表现最好的模型是基于韵律特征（如语调、重音和节奏等声学元素）训练的。
“这些特征与一个人说话的方式有关，”Colonel说。“他们的音调如何变化？音量如何变化？语速有多快？”
研究表明，“一个人说话越快，越与健康认知相关，”他指出。“与停顿时长相关的因素则与认知障碍更呈正相关。”
早期研究评估了患者对测试问题的语音反应能否预测痴呆，或者模型能否仅凭语音区分正常与受损认知。在日本的一项小规模研究中，一个预测模型通过电话交谈中的语音模式识别出痴呆的语音特征。Colonel指出，大多数先前研究基于结构化任务，而非非结构化对话。
初级保健医生能够检测到患者认知衰退的迹象，但明尼苏达州罗切斯特梅奥诊所的Gabriela Meade博士和Hugo Botha医学学士指出，在初级保健环境中，仅8%的预期轻度认知障碍病例被确诊。
“这一差距由多种因素造成，包括时间有限、共病需求数量多，以及认为现有评估工具无用的观念，”Meade和Botha在随附的社论中写道。“一个潜在的解决方案是将认知筛查嵌入现有的临床工作流程；研究人员越来越将语音视为一种潜在的被动筛查方法。”
他们补充说，如果机器学习模型进一步发展，“这种方法可能会深刻改变认知衰退的检测方式和时机。”
从2020年8月至2021年12月，Colonel及其合著者研究了纽约787名无痴呆或轻度认知障碍病史的老年患者，以及芝加哥179名类似患者作为验证队列。
研究对象平均年龄为67.2岁，55%为女性。总体而言，35%为黑人，33%为白人，22%为拉丁裔，10%为其他种族。
患者在初级保健预约后立即受邀参加面对面访谈。研究人员利用这些临床就诊期间录制的音频来训练机器学习分类器。
研究的主要结果是认知障碍，定义为蒙特利尔认知评估（MoCA）得分至少低于年龄和教育调整后正常值一个标准差。根据MoCA得分，未确诊认知障碍的总体发生率为21%。
当分类器基于同时捕捉患者和医生语音的录音进行训练时，其表现优于仅基于患者语音的训练。表现最佳的模型使用了从Whisper中提取的声学特征。
研究人员承认，该分析仅关注初级保健对话的声学特性，而非内容。他们表示，未来研究应在更大、更多样化的人群中验证这些发现，并应纳入电子健康记录数据。
该研究由美国国立卫生研究院（NIH）支持。Colonel无相关披露。合著者披露了与NIH、Nipro、Clinithink、美国医学会、Banook、PPD、赛诺菲、阿斯利康、勃林格殷格翰和再生元的关系。Meade无相关披露。Botha报告了与CervoMed和NIH的关系。
【全文结束】