Identifying Parkinson's Disease and Atypical Parkinsonism using acoustic representations of core vowels with Machine Learning models
Deze studie toont aan dat machine learning-modellen die de akoestische kenmerken van Mandarin-kernvokalen en diadochokinese-taken analyseren, effectief het onderscheid kunnen maken tussen de ziekte van Parkinson en atypische parkinsoniaanse syndromen en de ernst van dysartrie kunnen voorspellen, wat een veelbelovende niet-invasieve tool biedt voor vroege diagnose en monitoring.
Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer
De menselijke stem is meer dan een instrument voor communicatie; het is een gevoelige barometer van de gezondheid van de hersenen. Bij aandoeningen zoals de ziekte van Parkinson, waarbij het vermogen van de hersenen om beweging te controleren langzaam achteruitgaat, wordt de stem vaak een stille getuige van de strijd. Patiënten kunnen monotoon spreken, volume verliezen of hun woorden slordig uitspreken naarmate de spieren van de keel en de tong verstijven. Er blijft echter een specifieke en moeilijke uitdaging bestaan voor artsen: het onderscheid maken tussen de klassieke ziekte van Parkinson en een groep vergelijkbare maar verschillende aandoeningen die bekend staat als atypische parkinsonisme. Deze atypische vormen imiteren de vroege tekenen van Parkinson zo nauwgezet dat ze vaak verkeerd worden gediagnosticeerd, terwijl ze wel degelijk anders verlopen en een andere behandeling vereisen. Omdat de symptomen in de beginfase zo sterk overlappen, was het vinden van een manier om ze zonder dure beeldvorming of invasieve tests van elkaar te onderscheiden een belangrijk doel voor onderzoekers.
Een team van onderzoekers in China heeft een frisse aanpak van dit probleem gekozen door goed te luisteren naar de specifieke geluiden die mensen maken wanneer zij spreken. Ze concentreerden zich op de negen kernvocalen van de Mandarijnse taal, waarbij ze de stem niet alleen beschouwden als een signaal van ziekte, maar als een gedetailleerde kaart van hoe de hersenen en het lichaam samenwerken. Door patiënten op te nemen terwijl zij deze klinkers aanhielden en snelle lettergreepsequenties herhaalden, legde het team subtiele akoestische details vast die het menselijk oor zou kunnen missen. Vervolgens gebruikten ze computermodellen om deze opnames te analyseren, zoekend naar patronen die de verschillende soorten de ziekte van elkaar konden scheiden. Hun werk suggereert dat terwijl de klassieke ziekte van Parkinson primair de helderheid en snelheid van de spraak beïnvloedt, de atypische vormen een veel bredere en diepere verstoring van de stem veroorzaken, wat op manieren gemeten en geïdentificeerd kan worden die de toonhoogte, stabiliteit en het volume betreft.
De studie begon met het verzamelen van een groep vrijwilligers, bestaande uit 34 mensen met de ziekte van Parkinson, 25 met atypisch parkinsonisme en 30 gezonde individuen die als basislijn dienden. Alle deelnemers bevonden zich in de vroege stadia van hun aandoening, met een diagnose binnen de laatste drie jaar. Om ervoor te zorgen dat de opnames zuiver waren en vrij van buitenruis, gebruikte het team hoogwaardige microfoons in een geluidsdichte kamer. Ze vroegen de deelnemers om twee specifieke taken uit te voeren. Eerst hielden zij negen verschillende Mandarijnse klinkers enkele seconden lang vol, waarbij ze de klank stabiel aanhielden zoals een zanger een noot vasthoudt. Ten tweede herhaalden zij de lettergreepsequentie "pa-ta-ka" zo snel en duidelijk mogelijk, een taak die ontworpen is om de behendigheid van de mond en de tong te testen.
Uit deze opnames extraheerden de onderzoekers een breed scala aan metingen. Ze keken naar de toonhoogte van de stem, hoeveel deze schommelde, hoe hard het geluid was en hoeveel ruis er gemengd was met het heldere geluid. Ze maten ook de "ruimte" die de klinkers innamen, wat reflecteert hoe ver de tong en de kaak bewegen om verschillende klanken te vormen. De resultaten toonden een duidelijk onderscheid tussen de groepen. De gezonde controlegroep produceerde stemmen die consistent en stabiel waren. De mensen met de ziekte van Parkinson vertoonden enige problemen, primair in hoe helder zij de vormen van de klinkers konden maken en hoe snel zij hun mond konden bewegen. Hun stemmen waren iets minder duidelijk, maar de fundamentele toonhoogte en stabiliteit bleven relatief dicht bij normaal.
In contrast hiermee vertoonde de groep met atypisch parkinsonisme een veel ernstiger en wijdverspreider pakket aan problemen. Hun stemmen waren niet alleen minder helder; ze waren fundamenteel onstabiel. De toonhoogte was aanzienlijk lager, het geluid schommelde veel meer en er was een merkbare toename van borstelige ruis. Misschien wel het belangrijkste is dat de onderzoekers ontdekten dat de atypische groep moeite had met specifieke klanken op een manier waarop de Parkinson-groep dat niet had, met name met een klinkerklank die een complexe positie van de tong vereist. Deze specifieke kwetsbaarheid fungeerde als een sterke marker, wat hielp om de twee condities van elkaar te onderscheiden. De studie vond ook dat voor beide groepen, zij die cognitieve problemen hadden, zoals problemen met het geheugen of het denken, de neiging hadden om onstabielere stemmen te hebben, wat suggereert dat de denk- en spraakcentra van de hersenen diep met elkaar verbonden zijn.
Om deze observaties om te zetten in een praktisch hulpmiddel, voedden de onderzoekers al deze metingen aan een computergestuurd leermodel. Dit model werd getraind om de unieke "vingerafdruk" van elke groep te herkennen. Bij tests bleek het model zeer effectief. Het kon met een nauwkeurigheid van ongeveer 93 procent identificeren of een stem toebehoorde aan een gezond persoon, iemand met Parkinson, of iemand met atypisch parkinsonisme op basis van een nieuwe dataset. Het was ook in staat om tussen de twee ziektegroepen te onderscheiden met een hoge mate van betrouwbaarheid, waarbij het een score behaalde die wijst op een sterk vermogen om ze van elkaar te onderscheiden. Bovendien kon het model inschatten hoe ernstig de spraakproblemen van een patiënt waren, waarbij het de scores matchen die artsen geven op basis van fysieke onderzoeken.
De onderzoekers erkennen dat hun studie een eerste stap is en dat de groep mensen die zij bestudeerden relatief klein was. Zij merken op dat hun bevindingen specifiek zijn voor Mandarijn-sprekers en dat de patronen er in andere talen anders uit zouden kunnen zien. Echter, de kernontdekking is significant: de stem bevat een gedetailleerd verslag van de impact van de ziekte op de hersenen. Door te luisteren naar de subtiele verschillen in hoe klinkers worden gevormd en hoe de stem schommelt, is het mogelijk om de unieke kenmerken van verschillende neurodegeneratieve ziekten te zien. Deze aanpak biedt een veelbelovende, niet-invasieve manier om artsen te helpen bij het stellen van eerdere en nauwkeurigere diagnoses, wat potentieel de manier waarop deze condities worden beheerd kan veranderen voordat ze te ver gevorderd zijn om effectief behandeld te worden.
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.