NeuralCipher Araştırma özeti
Kaynak özetin Türkçe makine çevirisi. Klinik kullanım öncesinde özgün yayınla karşılaştırılmalı; hekim incelemesi değildir. cc by
Bu çalışma, Alzheimer hastalığı (MCI-AD), Lewy cisimleriyle hafif bilişsel bozukluk (MCI-LB) ve sağlıklı kontrollere (HC) kıyasla hafif bilişsel bozukluk (PD-MCI) ile Parkinson hastalığı olan bireylerde konuşma bozukluklarını araştırır ve bu grupları farklılaştıran dilsel ve akustik dijital biyobelirteçleri belirlemeyi amaçlar. Monolog kayıtları 68 HC, 42 MCI-AD, 50 MCI-LB ve 47 PD-MCI katılımcısından (ON state) toplandı. Katılımcılara bir buçuk dakika boyunca spontane konuşma talimatı verildi. Konuşma otomatik olarak transkribe edildi, manuel olarak düzeltildi ve sekiz dilsel (lektik/sentaktik) ve dört akustik (prozodik) biyobelirteç çıkarmak için doğal dil işleme kullanılarak analiz edildi. Grup farklılıkları, klinik ve MRI ölçümleriyle (FDR düzeltilmiş) ilişkileri incelemek için Spearman'ın korelasyonu ile Mann-Whitney U testi kullanılarak değerlendirildi. Konuşma özelliklerinin sınıfsal ve öngörüsel potansiyelini değerlendirmek için makine öğrenme modelleri (XGBoost) uygulandı. Gruplar arasında belirgin konuşma kalıpları gözlendi: MCI-AD katılımcıları işlev kelimelerinin azaltılmış kullanımını sergiledi, bu da içerik yoğunluğunun artmasına neden oldu, PD-MCI katılımcıları daha kısa cümleler ve daha uzun duraklamalarla daha az koordinasyon sağladı ve MCI-LB katılımcıları MCI-AD'den daha fazla sözlüksel tekrar gösterdi. Değiştirilmiş konuşma özellikleri yapısal beyin değişiklikleri ile ilişkili ancak küresel biliş (MoCA) veya depresif semptomlarla (GDS) ilişkili değildir. Cümle yapısı ve duraklama özellikleri güçlü ilişkiler gösterdi. Makine öğrenme modelleri, konuşma biyobelirteçlerinin eklenmesinin, yalnızca klinik puanları kullanmaya kıyasla sınıflandırma performansını geliştirdiğini göstermiştir. Regresyon analizlerinde, modeller MoCA'yı %10'luk normalleştirilmiş bir hata ile tahmin etti ve otomatik ve manuel olarak düzeltilmiş transkriptlerde benzer şekilde performans gösterdi. Bu bulgular, konuşma biyobelirteçlerinin ve geleneksel klinik değerlendirmelerin bilişsel durum ve beyin sağlığı hakkında tamamlayıcı bilgiler sunabileceğini ve bunların ölçeklenebilir, invaziv olmayan bilişsel izlemede kullanımını destekleyebileceğini göstermektedir.
Özgün kaynak özetini okuyun
This study investigates speech impairments in individuals with mild cognitive impairment due to Alzheimer's disease (MCI-AD), mild cognitive impairment with Lewy bodies (MCI-LB), and Parkinson's disease with mild cognitive impairment (PD-MCI), compared to healthy controls (HC), aiming to identify linguistic and acoustic digital biomarkers that differentiate these groups. Monologue recordings were collected from 68 HC, 42 MCI-AD, 50 MCI-LB, and 47 PD-MCI participants (ON state). Participants were instructed to speak spontaneously for one and a half minutes. Speech was automatically transcribed, manually corrected, and analyzed using natural language processing to extract eight linguistic (lexical/syntactic) and four acoustic (prosodic) biomarkers. Group differences were assessed using the Mann-Whitney U test, with Spearman's correlation used to examine associations with clinical and MRI measures (FDR-corrected). Machine learning models (XGBoost) were applied to evaluate the classificatory and predictive potential of speech features. Distinct speech patterns were observed across groups: MCI-AD participants exhibited reduced use of function words, resulting in increased content density, PD-MCI participants used shorter sentences and fewer coordinating conjunctions with longer pauses, and MCI-LB participants exhibited greater lexical repetition than MCI-AD. Altered speech features correlated with structural brain changes but not with global cognition (MoCA) or depressive symptoms (GDS). Sentence structure and pausing features showed strong interrelationships. Machine learning models showed that adding speech biomarkers improved classification performance compared to using clinical scores alone. In regression analyses, the models predicted MoCA with a normalized error of 10%, performing similarly on automatic and manually corrected transcripts. These findings suggest that speech biomarkers and traditional clinical assessments may offer complementary information about cognitive status and brain health, supporting their use in scalable, non-invasive cognitive monitoring.
Bilimsel değerlendirme
Araştırma sorusu
Sorunun kapsamı orijinal çalışma üzerinden değerlendirilir.
Yöntem ve örneklem
Çalışma tasarımı ve örneklem için kaynak makaleyi kontrol edin.
Temel bulgular
Bu kayıt için editoryal olarak onaylanmış bulgu özeti henüz yayımlanmadı.
Sınırlılıklar
Sonuçların genellenebilirliği, yanlılık ve klinik anlamı ayrıca incelenmelidir.
Bibliyografik veriden yöntem, örneklem veya klinik sonuç çıkarımı yapılmaz.