Los métodos actuales para la detección temprana de la enfermedad de Alzheimer (EA) están limitados por altos costos, invasividad y acceso limitado, subrayando la necesidad urgente de enfoques alternativos que sean accesibles, asequibles y amigables para los pacientes. Investigaciones previas han identificado el análisis del habla como una herramienta prometedora para el diagnóstico temprano del deterioro cognitivo (DC). Sin embargo, la correlación entre las pruebas de habla y la patología subyacente sigue siendo indeterminada o incluso oscura. Su utilidad clínica aún carece de validación patológica. Necesitamos explorar más a fondo la relación a través de análisis de grandes muestras y construir modelos que puedan diagnosticar DC. Se reclutaron 1223 participantes, incluidos pacientes probables con EA o EA (n = 238), deterioro cognitivo leve amnésico (aDCI) (n = 461) y cognitivamente unimparciales (CU) (n = 524). Los participantes realizaron pruebas neuropsicológicas, grabaciones de voz de la tarea "robo de galletas", cuantificación de biomarcadores séricos, genotipificación de APOE, y parte de ellos se sometieron a imágenes PET de Aβ. Se utilizaron análisis de correlación parcial y LOWESS para explorar la correlación entre biomarcadores digitales de habla y otros biomarcadores clave de la EA. Finalmente, se utilizaron aprendizaje automático como XGBoost y regresión logística para construir los modelos más costo-efectivos para DC y estado de Aβ, aprovechando los valores de SHAP para la detección. Se observaron diferencias significativas en los biomarcadores de EA entre los diferentes grupos. Notablemente, el porcentaje de duración del silencio del biomarcador digital de habla (PSD) se correlacionó con el nivel cognitivo, la proteína ácida fibrilar glial (GFAP) sérica, la cadena ligera de neurofilamento (NFL), la proteína tau fosforilada 217 (p-Tau217) y la deposición de amiloide en regiones cerebrales específicas. Además, descubrimos que a medida que progresan las diferentes etapas de la deposición de Aβ, PSD, p-Tau217 y GFAP exhiben un patrón de cambio en dos etapas. Basado en los hallazgos, se desarrolló un modelo de diagnóstico de DC mediante aprendizaje automático (AUC = 0.928, IC del 95% 0.897 a 0.960) que incorpora PSD, APOE, GFAP e información demográfica. Además, también se construyó un modelo de clasificación de estado de Aβ (AUC = 0.845, IC del 95% 0.783 a 0.907) con PSD, APOE, p-Tau217 y datos demográficos. La combinación de marcadores digitales del habla con biomarcadores séricos y otros ayuda a identificar DC, representando un avance prometedor en la detección de la EA. Este estudio sirve como un paso preliminar pero alentador hacia la aplicación de biomarcadores digitales del habla en el diagnóstico de la EA.
Wang et al. (Tue,) estudiaron esta pregunta.