Machine Learning-Enabled Hypertension Screening Through Acoustical Speech Analysis: Model Development and Validation
Notice bibliographique
Résumé
Hypertension, referred to as the “silent killer” by the World Health Organization, affects over 35% of the global population. Early diagnosis and behavioural interventions have been shown to mitigate morbidity and mortality associated with this condition. However, conventional methods of measuring blood pressure and accordingly identifying hypertension, such as sphygmomanometry, require technical expertise and may not be readily accessible, particularly in remote or underserved areas. Automatic blood pressure measurement devices offer an alternative but are often inaccessible in certain populations. In this study, we propose a novel framework for detecting hypertension through acoustic analysis of speech. By recording speech across multiple sessions and analyzing its temporal and spectral characteristics, we aim to identify indicators of hypertension. We explore two thresholds for labeling individuals with hypertension: 1) systolic blood pressure (SBP)$\geq 135$mmHg or diastolic blood pressure (DBP)$\geq 85$mmHg and 2) SBP$\geq 140$mmHg or DBP$\geq 90$mmHg. Our study involved 245 participants, including 91 females. We developed predictive models for each gender and assessed their performance using leave-one-subject-out validation. For the first threshold, the balanced accuracy achieved was 84% for females and 77% for males. For the second threshold, the corresponding balanced accuracies were 63% for females and 86% for males. These results demonstrate the potential of utilizing speech-based representations for non-invasive screening of hypertension.
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 | 0,010 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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 ».