A comparison of clinician assessment of speech versus automated speech analysis in mild cognitive impairment and Alzheimer’s dementia
Notice bibliographique
Résumé
Abstract Background Language impairment is an important marker of neurocognitive disorders. Despite this, there is no universal system of terminology used to describe speech impairment and large inter‐rater variability can exist between clinicians assessing speech. The role of automated speech analysis is emerging as a novel and potentially more objective method to assess speech in individuals with mild cognitive impairment (MCI) and Alzheimer’s dementia (AD). No studies have analyzed whether variables extracted through automated speech analysis can also be correlated to speech characteristics identified by a clinician. We sought to: (1) investigate whether clinician‐identified speech characteristics could be correlated with acoustic and linguistic variables identified through automated speech analysis, and (2) through automated speech analysis, identify novel acoustic and linguistic variables that may be associated with MCI or AD. Method Using the DementiaBank speech corpus (Cookie Theft picture description task), audio recordings from patients with possible/probable AD (n=10), MCI (n=10), and controls (n=10) were rated by clinicians. Four characteristics of speech were rated by clinicians, including: word‐finding difficulty, coherence, perseveration, and speech errors. Clinicians were blinded to each other’s scoring. Where scores differed, a consensus rating was established. The speech recordings were then transcribed, and linguistic and acoustic variables were extracted through automated speech analysis. The correlation between clinician‐identified speech characteristics and the acoustic and linguistic variables were then compared. Result A significant correlation (p < 0.05) was found between clinician‐identified speech characteristics and variables extracted through automated analysis. Average word length was correlated with word‐finding difficulty (ρ = 0.74); changes in syntactic construction (use of past tense, third person singular verbs, and subordinate clauses) were correlated with coherence (ρ = 0.51) and errors in speech (ρ = 0.58); similarity between consecutive utterances was correlated to perseveration (ρ = 0.68). Conclusion In this exploratory study, variables extracted through automated acoustic and linguistic analysis of MCI and AD speech were strongly correlated to clinician‐identified speech characteristics. Our results suggest further investigation for using an automated, data‐driven approach to define and monitor subjective clinical speech descriptors in neurocognitive disorders.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,007 | 0,024 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».