Differentiating upper- and lower motor neuron diseases using automated acoustic analysis
Notice bibliographique
Résumé
OBJECTIVE: Motor neuron diseases (MNDs) result in a spectrum of motor impairments, including considerable effects on speech function, which manifest as dysarthria-a motor speech disorder. Speech metrics are increasingly recognized as critical biomarkers with potential utility in disease diagnosis and phenotyping. This study aimed to (1) characterize acoustics of upper motor neuron (UMN) and lower motor neuron (LMN) dysarthria presentations in MNDs, and (2) identify relationships between bulbar disease severity scores and acoustic features, as these could collectively enable personalized approaches to management of these diseases. METHODS: Data from 16 individuals with primary lateral sclerosis (PLS) representing UMN disease, 14 individuals with spinal and bulbar muscular atrophy (SBMA) representing LMN disease, and 25 neurologically healthy individuals were analyzed. Clinical measures were also collected from PLS and SBMA groups. All participants were remotely recorded performing passage reading, rapid syllable repetition, and vowel phonation. Fifty-two acoustic features were extracted representing articulation, phonation, prosody, resonance, and overall speech timing. Features were compared using Kruskal-Wallis tests for between-group comparisons and Spearman correlations between acoustic features and clinical scores. RESULTS: Articulatory and prosodic features best differentiated PLS, SBMA and controls. Correlations were observed in the PLS group between the clinical score and various articulatory features, most notably those indexing tongue and jaw movements. CONCLUSIONS: Our study demonstrated that acoustic assessment could capture fingerprints of dysarthrias associated with PLS and SBMA. These findings also demonstrate the potential for remote speech assessment to characterize diverse dysarthria profiles and pave the way for creating ways for personalized disease management approaches in clinical care and trials.
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».