Optimierte Früherkennung kognitiver Störungen mittels automatisierter Sprachanalyse : eine prospektiv-randomisierte Studie

Abstract

Einleitung: Dementielle Erkrankungen nehmen zu und stellen Erkrankte wie Angehörige vor komplexe Herausforderungen, zu denen auch eine Veränderung in der Sprachproduktion zählt. Sprachbasierte Methoden haben daher in der Diagnostik dementieller Erkrankungen deutlich an Bedeutung zugenommen, sind aber noch personalintensiv und aufwändig. Die ELEMENT-Studie zielte in diesem Zusammenhang darauf ab, die diagnostische Genauigkeit der elektronischen Delta-App mit einer integrierten automatisierten Spracherkennung im Rahmen einer neuropsychologischen Demenzabklärung mit dem bisherigen Goldstandard mittels Paper-Pencil zu vergleichen. Aus den Sprachdateien, die die App während der Testung erfasste, wurden durch Spracherkennung digitale Biomarker extrahiert und deren Wertigkeit für die Diagnostik neurodegenerativer Erkrankungen überprüft. Material und Methoden: Jeder Proband wurde in einem randomisierten, einfach verblindeten, zweiarmigen Studiendesign mit cross-over einmalig mit beiden Testmodalitäten im Abstand von drei Monaten getestet. Die kognitiv Beeinträchtigten unterschiedlicher Ätiologie und Schweregrade wurden dazu einer CERAD (Consortium to Establish a Registry for Alzheimer’s Disease) Testung unterzogen. Die Datenerhebung erfolgte unizentrisch von 03/2019 bis 05/2022 in der Klinik für Psychiatrie und Psychotherapie des Universitätsklinikums des Saarlandes. Die Delta-App wurde vom Deutschen Forschungsinstitut für künstliche Intelligenz entwickelt und zeichnete die Testungen mit Audiodateien auf, aus denen ein Sprachbiomarker generiert wurde. Die Ergebnisse wurden mit denen der konventionellen Testung und gesunden Kontrollprobanden verglichen. Ergebnisse: Von 200 randomisierten Probanden wurden 148 (74 %) zwei Mal getestet und in die finale Studienauswertung eingeschlossen. Die Kontrollgruppe mit 27 Probanden erzielte in allen 18 CERAD-Untertests signifikant bessere Ergebnisse. Die Studiengruppe schnitt bei der Erst- im Vergleich zur Zweittestung in neun Subtests signifikant schlechter ab. Bei Testung mittels App erzielten Probanden verglichen mit Paper-Pencil in fünf Untertests schlechtere Ergebnisse. Der kognitive Sprachbiomarker SB-C (speech biomarker cognition) ermöglichte eine gute bis sehr gute Unterscheidung zwischen den klinischen Testgruppen gesund, mild cognitive impairment und Alzheimer Demenz (p < 0,001). Die Zuordnung zu den Subgruppen war mit der Aussagekraft der sprachbasierten Subtests des CERAD vergleichbar, teilweise überlegen. Schlussfolgerung: Der mithilfe automatisierter Spracherkennung kreierte Sprachbiomarker SB C war dazu in der Lage, Veränderungen der Sprache zu erkennen und die diagnostische Genauigkeit bei der Erkennung dementieller Erkrankungen zu verbessern. Durch die Implementierung weiterer Testmodalitäten, bspw. von Magnetresonanztomographien, könnte dessen diagnostische Performance zukünftig noch weiter gesteigert werden.

Title: Optimized early detection of cognitive impairment using automated speech analysis: A prospective randomized study Introduction: Dementia has a rapidly increasing prevalence throughout the world and poses great challenges to patients and their relatives, including an impaired speech production. Therefore, speech-based diagnostics have significantly gained importance, but are still personnel- and labor-intensive. The ELEMENT study aimed to compare the diagnostic accuracy of the electronic Delta-App offering implemented automated speech recognition with the gold standard of paper and pencil testing in the neuropsychological work-up of dementia. Materials and Methods: In a prospective, randomized, single-blind, two arm study design with crossover, each subject underwent testing with both modalities, each three months apart. Each subject with cognitive impairment of different etiology and severity was tested with the CERAD (Consortium to Establish a Registry for Alzheimer’s Disease) test battery. Data acquisition took place from 2019/03 to 2022/05 at the Department of Psychiatry and Psychotherapy at Saarland University (Homburg/Saar, Germany). The Delta-App was developed by the German Research Center for Artificial Intelligence recorded the test procedures in order to create a speech-based biomarker. The diagnostic performance of the speech biomarker was compared with the conventional testing and the results of healthy controls. Results: Out of 200 randomized subjects, 148 (74 %) were tested twice and included in the final analysis. The control group comprising 27 subjects had significantly better results in all 18 CERAD-subtests. The test subjects had significantly worse results in their first compared to their second testing in nine subtests. Subjects undergoing CERAD testing by Delta-App had significantly worse results in five subtests compared to conventional paper-pencil testing. The speech biomarker cognition (SB-C) had a good to very good discriminatory power to distinguish between the clinical test groups healthy, mild cognitive impairment and Alzheimer dementia (p < 0,001). The performance of the SB-C to correctly classify each subject to the corresponding clinical subgroup was comparable with the speech-based subtests of the CERAD. In some cases, its performance was even superior. Conclusions: The speech biomarker cognition (SB-C) based on automated speech recognition did not only detect changes in speech of patients with dementia, but also enhanced the diagnostic accuracy of neuropsychological testing. To further improve its performance, other test modalities such as magnet resonance imaging could also be integrated in this composite biomarker in the future.