一种基于机器学习的语音指数，作为亨廷顿病严重程度的生物标志物

《Journal of Neurology》：A machine learning-derived speech index as a biomarker for Huntington's disease severity

　　

摘要

背景

为了开发针对亨廷顿病（HD）的疾病修饰疗法，需要敏感、可扩展且客观的生物标志物来对患者进行分层和跟踪。目前的临床评估量表依赖于评估者的主观判断且耗时较长，而神经影像学检查成本高昂且难以获取。我们的目标是开发并验证一种新的语音指数，该指数基于自动声学分析得出，用于对HD病情进行分期并预测疾病严重程度。

方法

我们招募了141名HTT基因携带者（37名为临床前阶段，104名为临床显性HD患者）和69名健康对照组。参与者阅读了一段标准化文本，录音数据被处理以提取28个语音特征。通过Bootstrap LASSO回归方法构建了综合语音指数用于特征选择。其性能通过与其他评估指标（HD分期、临床量表评分以及MRI显示的尾状核和壳核体积）进行了验证。

结果

语音指数在不同HD分期中的得分显著增加（p < 0.001）。该指数与临床评估指标（cUHDRS：ρ = -0.67；TMS：ρ = 0.57；SDMT：ρ = -0.63；所有p < 0.001）和神经影像学生物标志物（尾状核：ρ = -0.55；壳核：ρ = -0.62；所有p < 0.001）之间存在强相关性。广义加性模型也证实了该指数在这些评估指标上的高预测价值（伪R2值介于0.430到0.596之间）。

结论

我们开发了一种完全自动化、可解释的语音指数，可作为HD严重程度的有效数字生物标志物。它在远程监测、临床试验筛选以及治疗效果的客观评估方面具有潜力。