关键要点
- 初级保健中的医患对话揭示了与认知障碍相关的语音线索。
- 基于这些对话声学特征训练的模型以中等灵敏度和特异性识别出患者的认知障碍。
- 音高、语速和语音变异性测量是认知障碍的关键预测指标。
一项声学分析表明，初级保健医生与患者之间的简短对话包含有助于检测未诊断认知障碍的信号。
纽约西奈山伊坎医学院的Joseph Colonel博士及其合著者报告称，基于初级保健就诊录音的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%的灵敏度、63.6%的特异性和30.4%的阳性预测值。
Colonel及其同事在《美国医学会神经病学杂志》上写道，该模型的受试者工作特征曲线下面积为0.733，最大F1分数为0.502。在验证队列中，AUROC和Fmax值相似。音高、语速和语音变异性测量是认知障碍的关键预测指标。
Colonel在《美国医学会杂志》网络播客采访中表示，该项目旨在研究如何在初级保健中使用机器学习模型筛查认知障碍，"因为认知障碍经常被漏诊或诊断不足"。"患者与其医生之间的对话中是否存在可能表明认知存在问题的模式？"
在研究中测试的五种方法中，表现最佳的模型是基于韵律特征训练的模型——包括语调、重音和节奏等声学元素。
"这些与人们说话的方式有关，"Colonel说。"他们的音高如何变化？音量如何变化？他们说话的速度如何？"
他指出，研究表明"某人说话越快，与健康认知的相关性就越强"。"与停顿持续时间相关的因素与认知障碍呈更积极的正相关。"
早期研究评估了患者对测试问题的语音回答是否能预测痴呆症，或者模型是否能仅通过声音区分正常与受损认知。在日本的一项小型研究中，预测模型从电话交谈的语音模式中识别出痴呆症的语音特征。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。
明尼苏达州罗切斯特梅奥诊所的Gabriela Meade博士和Hugo Botha医学博士指出，初级保健临床医生能够发现患者衰退的迹象，但在初级保健环境中，只有8%的预期轻度认知障碍病例得到诊断。
Meade和Botha在一篇随刊评论中写道："这一差距由多种因素驱动，包括时间限制、同时出现的多种需求，以及认为现有评估工具无用的看法。一个潜在的解决方案是将认知筛查嵌入现有临床工作流程中；研究人员越来越多地转向将语音作为一种潜在的被动筛查方法。"
他们补充说，如果进一步开发机器学习模型，"这种方法可能会显著改变认知衰退的检测方式和时机。"
从2020年8月到2021年12月，Colonel及其合著者研究了787名在纽约没有痴呆症或轻度认知障碍病史的老年患者，以及179名在芝加哥的类似患者作为验证队列。
研究的平均年龄为67.2岁，55%的参与者为女性。总体而言，35%的参与者为黑人，33%为白人，22%为拉丁裔，10%为其他种族。
患者被邀请在初级保健预约后立即参加面对面访谈。研究人员使用在这些临床就诊期间收集的音频记录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量表得分至少低于年龄和教育水平调整后的标准值1个标准差。根据蒙特利尔认知评估量表得分，未诊断认知障碍的总体率为21%。
当分类器在同时捕捉患者和医生说话的录音上训练时，其表现优于仅在患者说话的录音上训练。表现最佳的模型使用了从Whisper派生的声学特征。
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，未来的工作应在更大、更多样化的人群中验证这些发现，并应结合电子健康记录数据。
【全文结束】