Characteristics and Validity of Commercially Available Technologies Analyzing Voice Features to Assess Parkinson's Disease
Notice bibliographique
Résumé
BACKGROUND: Interest in technologies for quantitative assessment of Parkinson's disease (PD) is growing, particularly those enabling voice and speech analysis. However, clinical validation varies widely, much algorithm data remain unpublished, and real-world use is still limited. OBJECTIVE: The aim was to provide an overview of the characteristics and validity of commercially available tools that utilize machine learning to assess voice and speech features for identifying PD or assessing disease severity. METHODS: The literature was reviewed to (1) identify, (2) compare, and (3) group commercially available tools deployed in smartphone apps and other scalable platforms based on their (1) previous use in PD, (2) feasibility, and (3) successful clinimetric testing. The International Parkinson and Movement Disorder Society Digital Tools and Technologies Repository; online databases, for example, PubMed; and web pages related to the entities associated with different technologies were searched for tools that use voice assessment. Identified devices were grouped into 3 categories: (1) "recommended," (2) "suggested," or (3) "listed." RESULTS: Twelve relevant technologies were identified. One was placed in the "recommended" group ("Dysarthria Analyzer"), 6 in the "suggested" group, ("Audeering," "Aural Analytics," Canary Speech," "KI:Elements," "Modality.ai," and "Redenlab"), and 5 in the "listed" group ("i-Prognosis," "No Pa," and "PdAssist," as well as "mPower" and "HopkinsPD"). CONCLUSIONS: Despite their potential for clinical and research applications, their suitability in real-world environments remains to be determined.
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 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 | 0,002 | 0,034 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,003 | 0,001 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».