NeuralCipher Araştırma özeti
Kaynak özetin Türkçe makine çevirisi. Klinik kullanım öncesinde özgün yayınla karşılaştırılmalı; hekim incelemesi değildir. cc by
BackgroundSpeech biyobelirteçleri Parkinson hastalığı (PD) olan kişilerde motor disfonksiyonu değerlendirmek için kullanılmıştır, ancak PD (PD-MCI) hafif bilişsel bozukluk için konuşma biyobelirteçleri iyi çalışılmamıştır.ObjectivePD-MCI ile ilişkili konuşma akustik özelliklerini tanımlamak ve normal bilişsel statüye (PD-NC) sahip katılımcılardan PD-MCI sınıflandırmasını ayırt etmek için bir modelin performansını değerlendirmek.MethodsWe 42 katılımcı ile konuşma örneklerini analiz etti. Bir okuma pasajı ve bir resim açıklaması görevi, bireysel ve daha sonra PD-MCI ve PD-NC katılımcılarını ayırt etmek için son bir kaynaşmış Gauss karışımı modeli (GMM) üretmek için kullanılan akustik özellikler için analiz edildi.SonuçlarResim açıklaması görevi, okuma görevine kıyasla PD-MCI durumu ile yüksek oranda ilişkili olan daha fazla sayıda akustik özellik verdi. Model çıktılarını resim açıklama görevinden ayırmak, PD-NC katılımcılarından PD-MCI'yi ayırt etmek için bir AUC = 0.82 ile sonuçlandı. PD-MCI ile ilişkili akustik özellikler birden fazla konuşma alt sisteminden kaynaklanmaktadır.ConclusionPD-MCI, bu komplikasyonu tespit etmek ve izlemek için daha iyi araçlar geliştirmek için kullanılabilecek farklı bir konuşma akustik imzasına sahiptir.
Özgün kaynak özetini okuyun
BackgroundSpeech biomarkers have been used to assess motor dysfunction in people with Parkinson's disease (PD), but speech biomarkers for mild cognitive impairment in PD (PD-MCI) have not been well studied.ObjectiveTo identify speech acoustic features associated with PD-MCI and evaluate the performance of a model to discriminate PD-MCI from participants with normal cognitive status (PD-NC).MethodsWe analyzed speech samples from 42 participants with PD, diagnosed as either PD-MCI or PD-NC using the Movement disorders Society Task Force Tier II criteria as a gold-standard classification of MCI. A reading passage and a picture description task were analyzed for acoustic features, which were used to generate individual and then a final fused Gaussian mixture model (GMM) to discriminate PD-MCI and PD-NC participants.ResultsThe picture description task yielded a larger number of acoustic features that were highly associated with PD-MCI status compared to the reading task. Fusing the model outputs from the picture description task resulted in an AUC = 0.82 for discriminating PD-MCI from PD-NC participants. The acoustic features associated with PD-MCI stemmed from multiple speech subsystems.ConclusionPD-MCI has a distinct speech acoustic signature that may be harnessed to develop better tools to detect and monitor this complication.
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.