初级保健医生与患者之间简短对话的片段中含有可帮助检测未确诊认知障碍的信号，一项声学分析研究表明。
由纽约市西奈山伊坎医学院的约瑟夫·卡内尔博士（Joseph Colonel, PhD）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%的灵敏度、63.6%的特异性和30.4%的阳性预测值。
卡内尔及其同事在《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值相近。音高、语速和语音变异性指标是认知障碍的关键预测因素。
卡内尔在《JAMA》网络播客采访中表示，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，“因为这种情况经常未被诊断或诊断不足。患者与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？”
在该研究测试的五种方法中，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）训练的模型。“这些与说话方式有关，”卡内尔说，“说话的音调如何变化？音量如何变化？说话速度有多快？”
他指出，研究表明“一个人说话越快，越与健康认知相关。而与停顿时长相关的因素则与认知障碍呈正相关。”
早期研究评估了患者对测试问题的声音反应是否能预测痴呆，或者模型是否能仅通过语音区分正常与受损的认知能力。在日本的一项小型研究中，一个预测模型从电话交谈的语音模式中识别出了痴呆的语音特征。卡内尔指出，大多数先前的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市梅奥诊所的加布里埃拉·米德博士（Gabriela Meade, PhD）和雨果·博塔博士（Hugo Botha, MBChB）指出，初级保健医生处于检测患者衰退迹象的位置，但“在初级保健环境中，只有8%的预期轻度认知障碍病例被诊断出来”。“这种差距是由多种因素造成的，包括时间有限、共存需求数量多，以及现有评估工具被认为无济于事，”米德和博塔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，“这种方法可能会从根本上改变认知衰退被检测的时间和方式。”
从2020年8月到2021年12月，卡内尔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，以及芝加哥的179名类似患者作为验证队列。研究对象的平均年龄为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被邀请参加现场访谈。研究人员利用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（MoCA）得分低于年龄和教育调整后常模至少一个标准差。根据MoCA得分，未确诊认知障碍的总体比例为21%。
当使用同时捕捉患者和医生语音的录音进行训练时，分类器的表现优于仅使用患者语音的录音。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，该分析仅考察了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，并应纳入电子健康记录数据。
本研究由美国国立卫生研究院（NIH）资助。卡内尔无相关披露。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合作关系。米德无相关披露。博塔报告了与CervoMed和NIH的关系。
【全文结束】