常规医患对话的声学分析能以相当准确度识别认知障碍，这一发现来自一项最新发表的诊断研究。
研究人员发现，基于简短临床互动中的声学语音特征训练的机器学习模型，能够区分有认知障碍和无先前诊断的患者。
声学分析识别出认知障碍信号
为探究常规临床对话是否能提供实用筛查机会，研究人员分析了初级保健就诊期间收集的音频记录。符合条件的参与者包括55岁及以上的老年人，他们没有痴呆或轻度认知障碍的记录。
在966名参与者的完整队列中，55%为女性，平均年龄为67.2岁，认知障碍的患病率为21%。认知障碍被定义为参与者的蒙特利尔认知评估(Montreal Cognitive Assessment)得分至少比其年龄和教育调整后的正常值低1个标准差。
机器学习展示一致性能
研究人员从记录的咨询中提取多个30秒的语音片段，以生成声学测量指标。随后训练机器学习分类器，从这些录音中预测认知障碍状态。
研究结果表明，基于Whisper衍生声学特征的机器学习模型表现最佳。诊断准确率达到受试者工作特征曲线下面积(AUROC)为0.733（95%置信区间：0.714-0.752）。这些发现在另一个城市招募的外部验证队列中也得到了重现。性能保持相似，AUROC为0.727（95%置信区间：0.714-0.740）。
常规初级保健筛查的意义
声学分析突出了音高、时序和变异性测量作为认知障碍的重要预测指标。在外部验证队列中作为筛查工具应用时，该算法的阳性预测值为30.4%（95%置信区间：28.7%-32.1%），敏感性值为68.2%（95%置信区间：61.8%-74.6%），特异性值为63.6%（95%置信区间：59.8%-67.4%）。
研究结果表明，自然临床对话的简短片段包含与认知障碍相关的可测量声学信号。基于这些声学信号训练的机器学习模型可能支持被动式语音筛查的可行性。
进一步研究可以验证这些结果，并确定如何在临床实践中最佳实施声学分析。
参考文献
Colonel JT等. 初级保健患者-临床医生对话的声学分析用于认知障碍筛查. JAMA Neurol. 2026; DOI: 10.1001/jamaneurol.2026.1868
【全文结束】