基于语音生物标志物的疾病诊断与监测：系统综述与荟萃分析

本刊推荐：研究人员通过系统回顾与荟萃分析，探讨语音生物标志物在疾病诊断与监测中的应用。研究涵盖6大数据库96项研究，结果显示语音模型对认知障碍、精神疾病和运动障碍的诊断具有较高敏感度(0.80-0.85)与特异度(0.77-0.83)。该研究为AI辅助医疗提供了重要循证依据，特别强调了智能手机采集的临床应用潜力。

　　

人工智能驱动的语音生物标志物正在为疾病诊断与监测开辟新途径。这项系统综述与荟萃分析深入探讨了录音协议、言语任务、语音特征和处理算法在医疗领域的应用。

研究人员检索了PubMed、Embase、Scopus、Web of Science、PsycINFO和IEEE Xplore六大数据库，采用QUADAS-2（诊断准确性研究质量评估工具）和QUAPAS（预后准确性研究质量评估）严格评估文献质量。通过随机效应模型计算汇总敏感度与特异度，并针对疾病类型、语言、言语任务等变量进行亚组分析。

研究纳入了96项研究，其中83项为横断面设计，50项样本量不足100例。质量评估显示多数研究在患者选择和指标测试领域存在较高偏倚风险。这些研究覆盖20种疾病，重点关注认知障碍、抑郁症和帕金森病。

荟萃分析揭示：精神疾病诊断模型的汇总敏感度为0.80（95% CI 0.74-0.86），特异度为0.77（95% CI 0.69-0.84）；认知障碍分别为0.85（95% CI 0.83-0.88）和0.83（95% CI 0.79-0.86）；运动障碍为0.81（95% CI 0.76-0.85）和0.83（95% CI 0.78-0.88）。亚组分析确认录音设备、语言、言语任务等是异质性的重要来源。

研究表明，设备、环境、语言等因素显著影响语音模型性能。虽然语音生物标志物（特别是通过智能手机采集）在筛查与监测方面展现潜力，但现有证据受限于研究方法学质量。未来需要大规模前瞻性研究验证其普适性并推动临床转化。

本研究已在PROSPERO注册（CRD42024551962）。