Hypertension Screening Using Acoustic Analysis and Machine Learning of Random Speech Samples: A Feasibility Study
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Introduction: Hypertension is the leading risk factor for cardiovascular disorders. Early detection and initiation of treatment have been identified as the most effective ways to reduce the burden of hypertension. The most common method for detecting hypertension is blood pressure measurement, typically performed with cuff-based devices, where systolic pressure (SBP) and diastolic pressure (DBP) are measured through Korotkoff sounds. Although this method is accurate and non-invasive, it requires technical expertise and is often inaccessible in rural and remote areas. In this study, we investigated the feasibility of using overt speech (random speech corpora) through multiple short recordings for hypertension screening based on two hypertension guidelines: (1) SBP ≥135 mm Hg OR DBP ≥85 mm Hg, and (2) SBP ≥140 mm Hg OR DBP ≥90 mm Hg. Methods: We incorporated speech recordings from 573 participants (197 women) with diverse ages and body mass index and extracted temporal, spectral, and nonlinear acoustic features through three different frameworks, all of which are based on classical and boosted machine learning models. The models were evaluated using a leave-one-subject-out cross-validation scheme. Results: Our proposed pipeline achieved a balanced accuracy (BACC) of 61% for males and 70% for females under the relaxed criterion (SBP ≥135 OR DBP ≥85), and a BACC of 71% for males and 78% for females under the stricter European Society of Hypertension (ESH) guidelines (SBP ≥140 OR DBP ≥90). Conclusion: These results demonstrate the potential of employing overt speech alongside acoustic analysis for hypertension screening.
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.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 découle