PDF herunterladen
Nervenheilkunde 2023; 42(09): 626-634
DOI: 10.1055/a-2133-3482
Schwerpunkt

Einsatz KI-gestützter Diagnostik von Sprach- und Sprechstörungen bei neurodegenerativen Erkrankungen

Herausforderungen und ChancenApplication of AI-based diagnostics of speech and language disorders in neurodegenerative diseasesChallenges and opportunities
Mira Fischer   1
1   Deutsches Zentrum für Neurodegenerative Erkrankungen (DZNE), München
2   Neurologische Klinik und Poliklinik, LMU Klinikum, Ludwig-Maximilians-Universität München
,
Alexander Jäck   1
1   Deutsches Zentrum für Neurodegenerative Erkrankungen (DZNE), München
2   Neurologische Klinik und Poliklinik, LMU Klinikum, Ludwig-Maximilians-Universität München
› Institutsangaben
› Weitere Informationen
    Lizenzen und Reprints

ZUSAMMENFASSUNG

Gegenstand und Ziel Der Artikel behandelt die Anwendungsmöglichkeiten der KI-gestützten Sprachanalyse bei neurodegenerativen Erkrankungen. Das Ziel besteht darin, einen Überblick über die sprachlichen Auffälligkeiten bei verschiedenen Krankheiten zu geben und zu zeigen, wie KI-basierte Methoden zur Diagnosestellung und Behandlung eingesetzt werden können.

Material und Methoden Es werden neurodegenerative Erkrankungen und ihre spezifischen sprachlichen Störungen vorgestellt. Die traditionellen Methoden der Sprachanalyse für neurologische Erkrankungen werden erläutert und Möglichkeiten der KI-gestützten Analyse diskutiert.

Ergebnisse Die KI-basierte Sprachanalyse stellt eine vielversprechende Möglichkeit zur Früherkennung und Diagnosestellung von neurologischen Erkrankungen dar. Durch automatische Transkripte und Fehleranalysen können subtile Veränderungen der Sprache und des Sprechens erkannt und objektiviert werden. Die KI-basierte Sprachanalyse ermöglicht eine genaue und quantifizierbare Bewertung von sprachlichen Defiziten und kann Fachpersonal zusätzliche Informationen liefern.

Schlussfolgerung Die KI-basierte Sprachanalyse bietet neue Möglichkeiten zur Früherkennung und Überwachung von neurologischen Erkrankungen. Sie kann subtile Veränderungen der Sprache frühzeitig erkennen und eine rechtzeitige Intervention ermöglichen. Dennoch sollte sie als unterstützendes Werkzeug betrachtet werden und nicht als Ersatz für die Expertise von Fachpersonal. Die KI-basierte Sprachanalyse kann Ressourcen schonen, die Genauigkeit der Diagnose verbessern und eine kontinuierliche Verlaufsdiagnostik ermöglichen.

Klinische Relevanz Die KI-basierte Sprachanalyse kann dazu beitragen, neurodegenerative Erkrankungen frühzeitig zu erkennen und eine gezielte Behandlung einzuleiten. Sie bietet eine objektivierbare Methode zur Bewertung sprachlicher Defizite und kann die Diagnosestellung unterstützen.

ABSTRACT

Objectives This article explores the potential applications of AI-based language analysis in neurodegenerative diseases. The aim is to provide an overview of linguistic abnormalities associated with various neurodegenerative disorders and demonstrate how AI-based methods can be utilized for diagnosis and treatment.

Materials and Methods Neurodegenerative diseases and their specific language impairments are presented. Traditional methods of language analysis for neurological disorders are explained, and the potential of AI-based analysis is discussed.

Results AI-based language analysis represents a promising approach for early detection and diagnosis of neurological diseases. By utilizing automated transcriptions and error analyses, subtle changes in language and speech can be identified and objectively measured. AI-based language analysis enables a more precise and quantifiable assessment of linguistic deficits, providing additional information to healthcare professionals.

Conclusion AI-based language analysis offers new opportunities for early detection and monitoring of neurological diseases. It can identify subtle changes in language at an early stage, facilitating timely intervention. However, it should be regarded as a supportive tool rather than a replacement for the expertise of healthcare professionals. AI-based language analysis can optimize resources, improve diagnostic accuracy, and enable continuous monitoring of disease progression.

Clinical Relevance AI-based language analysis can contribute to the early detection and targeted treatment of neurodegenerative diseases. It provides an objective method for evaluating linguistic deficits and can support the diagnostic process.

Schlüsselwörter

Neurodegenerative Erkrankungen - Diagnostik - Sprache - Sprachstörung - Sprechstörung - Künstliche Intelligenz

Key words

Neurodegenerative diseases - diagnostics - speech - language disorder - speech disorder - artificial intelligence

1 * Beide Autoren haben zu gleichen Teilen beigetragen.




Publikationsverlauf

Artikel online veröffentlicht:
04. September 2023

© 2023. Thieme. All rights reserved.

Georg Thieme Verlag KG
Rüdigerstraße 14, 70469 Stuttgart, Germany

 

  • Literatur

  • 1 Ackermann H. et al Neurogene Sprechstörungen (Dysarthrien), S1-Leitlinie. Leitlinien für Diagnostik und Therapie in der Neurologie. Berlin: DGN; 2018
    Google Scholar
  • 2 Borrie SA, Lansford KL, Barrett TS. A Clinical Advantage: Experience Informs Recognition and Adaptation to a Novel Talker With Dysarthria. Journal of speech, language, and hearing research 2021; 64: 1503-1514
    CrossrefPubMedGoogle Scholar
  • 3 Bot BM, Suver C. Neto, et al The mPower study, Parkinson disease mobile data collected using ResearchKit. Scientific data 2016; 03: 160011
    CrossrefPubMedGoogle Scholar
  • 4 Burton A. How do we fix the shortage of neurologists?. The Lancet Neurology 2018; 17: 502-503
    CrossrefPubMedGoogle Scholar
  • 5 Laganas C, Iakovakis D, Hadjidimitriou S. et al Parkinson’s Disease Detection Based on Running Speech Data From Phone Calls. IEEE Transactions on Biomedical Engineering 2022; 69: 1573-1584
    CrossrefPubMedGoogle Scholar
  • 6 Cardona JF, Gershanik O, Gelormini-Lezama C. et al Action-verb processing in Parkinson’s disease: new pathways for motor-language coupling. Brain structure & function 2013; 218: 1355-1373
    CrossrefPubMedGoogle Scholar
  • 7 Carnero-Pardo C. Should the mini-mental state examination be retired?. Neurologia 2014; 29: 473-481
    PubMedGoogle Scholar
  • 8 Cave R, Bloch S.. The use of speech recognition technology by people living with amyotrophic lateral sclerosis: a scoping review. Disability and rehabilitation. Assistive technology. 2021: 1-13
    PubMedGoogle Scholar
  • 9 Cheng H-C, Ulane CM, Burke RE. Clinical progression in Parkinson disease and the neurobiology of axons. Annals of neurology 2010; 67: 715-725
    CrossrefPubMedGoogle Scholar
  • 10 Dang J, Graff-Radford J, Duffy JR. et al Progressive apraxia of speech: delays to diagnosis and rates of alternative diagnoses. Journal of neurology 2021; 268: 4752-4758
    CrossrefPubMedGoogle Scholar
  • 11 Diener HC.. 90 Neurogene Sprech- und Stimmstörungen (Dysarthrie/Dysarthrophonie). In: Diener HC, et al. (Hrsg.) Leitlinien für Diagnostik und Therapie in der Neurologie. Stuttgart: Thieme Verlag; 2012
    Google Scholar
  • 12 Duffy JR, Josephs KA. The diagnosis and understanding of apraxia of speech: why including neurodegenerative etiologies may be important. Journal of speech, language, and hearing research 2012; 55: S1518-22
    CrossrefPubMedGoogle Scholar
  • 13 Fernandino L, Conant LL, Binder JR. et al Parkinson’s disease disrupts both automatic and controlled processing of action verbs. Brain and language 2013; 127: 65-74
    CrossrefPubMedGoogle Scholar
  • 14 Gorno-Tempini ML, Hillis AE, Weintraub S. et al Classification of primary progressive aphasia and its variants. Neurology 2011; 76: 1006-1014
    CrossrefPubMedGoogle Scholar
  • 15 Hlavnička J, Čmejla R, Tykalová T. et al Automated analysis of connected speech reveals early biomarkers of Parkinson’s disease in patients with rapid eye movement sleep behaviour disorder. Scientific reports 2017; 07: 12
    CrossrefPubMedGoogle Scholar
  • 16 Jain A, Abedinpour K, Polat O. et al Voice Analysis to Differentiate the Dopaminergic Response in People With Parkinson’s Disease. Frontiers in Human Neuroscience 2021; 15: 667997
    CrossrefPubMedGoogle Scholar
  • 17 König A, Linz N, Baykara E. et al Screening over Speech in Unselected Populations for Clinical Trials in AD (PROSPECT-AD): Study Design and Protocol. The journal of prevention of Alzheimer’s disease 2023; 10: 314-321
    PubMedGoogle Scholar
  • 18 Kowalska-Taczanowska R, Friedman A, Koziorowski D. Parkinson’s disease or atypical parkinsonism? The importance of acoustic voice analysis in differential diagnosis of speech disorders. Brain and behavior 2020; 10: e01700
    CrossrefPubMedGoogle Scholar
  • 19 La Fuente Garcia S de, Ritchie CW, Luz S. Artificial Intelligence, Speech, and Language Processing Approaches to Monitoring Alzheimer’s Disease: A Systematic Review. Journal of Alzheimer‘s disease JAD 2020; 78: 1547-1574
    PubMedGoogle Scholar
  • 20 Lauer N, Schrey-Dern D.. Sprache und Ernährung bei Demenz. Stuttgart: Thieme Verlag; 2018
    Artikel in Thieme ConnectGoogle Scholar
  • 21 Levelt WJ. Models of word production. Trends in Cognitive Sciences 1999; 03: 223-232
    CrossrefPubMedGoogle Scholar
  • 22 Maskeliūnas R, Damaševičius R, Kulikajevas A. et al Deep Learning Network for Screening and Evaluating Parkinson’s Disease. Applied Sciences 2022; 12: 11601
    CrossrefGoogle Scholar
  • 23 Mesulam M-M, Coventry C, Bigio EH. et al Nosology of Primary Progressive Aphasia and the Neuropathology of Language. Advances in experimental medicine and biology 2021; 1281: 33-49
    CrossrefPubMedGoogle Scholar
  • 24 Milling M, Pokorny FB, Bartl-Pokorny KD. et al Is Speech the New Blood? Recent Progress in AI-Based Disease Detection From Audio in a Nutshell. Frontiers in digital health 2022; 04: 886615
    CrossrefPubMedGoogle Scholar
  • 25 Nebel A.. 7 Methoden der Diagnostik und Evaluation der Dysarthrie des Morbus Parkinson. In: Nebel A, Deuschl G, Lauer N, Schrey-Dern D. Dysarthrie und Dysphagie bei Morbus Parkinson. Stuttgart: Thieme Verlag; 2017
    Artikel in Thieme ConnectGoogle Scholar
  • 26 Postuma RB, Berg D, Stern M. et al MDS clinical diagnostic criteria for Parkinson’s disease. Movement disorders 2015; 30: 1591-1601
    CrossrefPubMedGoogle Scholar
  • 27 Postuma RB, Lang AE, Gagnon JF. et al How does parkinsonism start? Prodromal parkinsonism motor changes in idiopathic REM sleep behaviour disorder. Brain 2012; 135: 1860-1870
    CrossrefPubMedGoogle Scholar
  • 28 Rizzo G, Copetti M, Arcuti S. et al Accuracy of clinical diagnosis of Parkinson disease: A systematic review and meta-analysis. Neurology 2016; 86: 566-576
    CrossrefPubMedGoogle Scholar
  • 29 Schäfer S, Mallick E, Schwed L. et al Screening for Mild Cognitive Impairment Using a Machine Learning Classifier and the Remote Speech Biomarker for Cognition: Evidence from Two Clinically Relevant Cohorts. Journal of Alzheimer‘s disease 2023; 91: 1165-1171
    CrossrefPubMedGoogle Scholar
  • 30 Schneider B, Wehmeyer M, Grötzbach H.. Aphasie. Wege aus dem Sprachdschungel. 6. Aufl. Berlin: Springer; 2014
    CrossrefGoogle Scholar
  • 31 Schubert A.. Dysarthrie. Diagnostik, Therapie, Beratung. 1. Aufl. Idstein: Schulz-Kirchner; 2004
    Google Scholar
  • 32 Stadie N, Schröder A.. Kognitiv orientierte Sprachtherapie. Methoden, Material und Evaluation für Aphasie, Dyslexie und Dysgraphie. München: Elsevier Urban & Fischer; 2009
    Google Scholar
  • 33 Staiger A, Schroeter ML, Ziegler W. et al Motor speech disorders in the nonfluent, semantic and logopenic variants of primary progressive aphasia. Cortex 2021; 140: 66-79
    CrossrefPubMedGoogle Scholar
  • 34 TDG. AphaDigital – TDG 2023. https://inno-tdg.de/projekte/aphadigital/ Accessed 16 July 2023
    Google Scholar
  • 35 Wolfrum V, Lehner K, Heim S. et al Clinical Assessment of Communication-Related Speech Parameters in Dysarthria: The Impact of Perceptual Adaptation. Journal of Speech, Language, and Hearing Research in press
    Google Scholar
  • 36 Zhan A, Mohan S, Tarolli C. et al Using Smartphones and Machine Learning to Quantify Parkinson Disease Severity: The Mobile Parkinson Disease Score. JAMA neurology 2018; 75: 876-880
    CrossrefPubMedGoogle Scholar
  • 37 Ziegler W, Aichert I, Staiger A.. Sprechapraxie. Berlin: Springer; 2020
    CrossrefGoogle Scholar
  • 38 Ziegler W, Schölderle T, Staiger A. et al Die Bogenhausener Dysarthrieskalen (BoDyS): Ein standardisierter Test für die Dysarthriediagnostik bei Erwachsenen. Sprache Stimme Gehör 2015; 39: 171-175
    Artikel in Thieme ConnectGoogle Scholar
  • 39 Ziegler W, Staiger A, Schölderle T. et al Gauging the Auditory Dimensions of Dysarthric Impairment: Reliability and Construct Validity of the Bogenhausen Dysarthria Scales (BoDyS). Journal of speech, language, and hearing research 2017; 60: 1516-1534
    CrossrefPubMedGoogle Scholar
  • 40 Ziegler W, Vogel M.. Dysarthrie. Verstehen – untersuchen – behandeln. Stuttgart: Thieme Verlag; 2010
    Google Scholar
  • 41 Erbe J.. Neurogene Sprach- und Sprechstörungen im fachbereichsübergreifenden Behandlungskontext. In: Strobl WM, et al. Hrsg. Therapeutisches Arbeiten in der Neuroorthopädie. Heidelberg: Springer; 2021
    Google Scholar