为实现及时的治疗干预和开展分散的临床试验，必须改进普通人群可使用的筛查工具，以便及早发现阿尔茨海默病（AD）并预测其进展情况。本研究利用直接从简短的自发言语（SS）协议中提取的副语言特征，深入研究了机器学习（ML）技术的应用。研究目的是探索 ML 技术根据自发言语区分不同程度认知障碍的能力。此外，本研究还首次探讨了自发言语简短协议中的副语言特征与注意力缺失症谱系中认知功能之间的关系。

来自西班牙巴塞罗那的学者从记忆单元接受过 SS 方案评估的患者的语音记录中提取了物理声学特征。通过交叉验证评估了多个 ML 模型，用于识别无认知功能障碍（主观认知功能下降，SCD）、轻度认知功能障碍（MCI）和注意力缺失导致的痴呆（ADD）患者。此外，研究人员还使用 SS 衍生信息建立了能够预测认知领域表现的模型，该模型基于 Fundació Ace (NBACE) 的综合神经心理测试。相关结果发表在Alzheimer's Research & Therapy杂志上。

研究结果表明，根据对声音的副语言分析，可以识别出注意力缺失症患者（F1 = 0.92）和注意力缺失症患者（F1 = 0.84）。在区分 SCD 和认知障碍受试者（MCI/ADD）时，F1 分数为 0.85。在这一比较中，灵敏度和特异性均接近 0.75。相反，在识别 MCI 受试者的所有情况下，性能都有所下降。在鉴别 MCI 和 SCD 时，特异性达到 0.77，但假阳性率较高（灵敏度为 0.62）。此外，基于物理声学信息建立的模型在预测注意力、记忆力、执行功能、语言和视觉空间能力等认知领域方面的相关性大于 0.5。

在这项研究中，研究人员展示了一种简短且经济有效的 SS 方案在区分不同程度的认知障碍和预测注意力缺失症谱内常见认知领域表现方面的潜力。研究结果表明，该方法与传统的认知功能评估方法具有很高的对应性。总之，它为开发筛查工具和远程疾病监测开辟了新的前景。

原始出处：

Unveiling the sound of the cognitive status: Machine Learning-based speech analysis in the Alzheimer’s disease spectrum. Alz Res Therapy 16, 26 (2024).

Tags： ART：揭示认知状态的声音——基于机器学习的阿尔茨海默病谱系语音分析