Diagnostic utility of speech-based biomarkers in mild cognitive impairment: a systematic review and meta-analysis
Notice bibliographique
Résumé
BACKGROUND: Among various tools developed for mild cognitive impairment (MCI) detection, analysing speech features is a non-invasive and cost-effective approach that shows promise for early detection. This review aimed to systematically synthesise and analyse current evidence on the diagnostic utility of speech-based biomarkers for identifying MCI. METHODS: A systematic review and meta-analysis were conducted following Preferred Reporting Items for Systematic Reviews and Meta-Analyses guidelines. PubMed, Scopus, Ovid Medline and PsycINFO databases were searched up to April 2025 without restrictions on language, article status or year. RESULTS: Of 4432 identified records, 54 peer-reviewed articles met the inclusion criteria. Fixed-effects meta-analyses showed pooled estimates of 80.0% 'accuracy' [95% confidence intervals (CI): 70.0%-89.0%, P < .001, n = 21], 78.0% 'area under the curve' (95% CI: 70.0%-86.0%, P < .001, n = 21), 80.0% 'sensitivity' (95% CI: 71.0%-90.0%, P < .001, n = 22), and 77.0% 'specificity' (95% CI: 65.0%-89.0%, P < .001, n = 15) in differentiating MCI from cognitively unimpaired (CU) individuals. Egger's regression tests indicated no publication bias (P ≥ .299), and the I2 statistic revealed no heterogeneity across studies (I2 = 0.00%, P = 1.00). Four studies also included a subjective cognitive decline group, reporting significant differences in certain speech features compared to CU. CONCLUSIONS: Speech analysis demonstrates moderate classification performance, with balanced sensitivity and specificity, in distinguishing MCI from CU, suggesting its potential as an accurate and cost-effective diagnostic tool for MCI detection. Further research is needed to address variations in study methodologies, refine speech analysis protocols and validate findings in diverse populations to enhance generalisability.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,007 | 0,001 |
| 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 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 ».